Un estudio consigue importantes avances en dos tipos de problemas de aprendizaje autom\u00e1tico a partir de datos.<\/p>\n
La investigaci\u00f3n llevada a cabo por el ingeniero inform\u00e1tico Jonathan Ortigosa en el\u00a0<\/span>Departamento de Ciencias de la Computaci\u00f3n e Inteligencia Artificial\u00a0<\/span>de la Facultad de Inform\u00e1tica de la\u00a0<\/span>UPV\/EHU\u00a0<\/span>en Donostia est\u00e1 basada en el Machine Learning o aprendizaje autom\u00e1tico, una popular rama de la Inteligencia Artificial que se basa principalmente en el aprendizaje de modelos predictivos a partir de datos. \u201cSe trata de un campo que explora la construcci\u00f3n de modelos que puedan aprender y hacer predicciones de los datos que se le proporcionan\u201d, precisa el investigador. Concretamente, Ortigosa ha enfocado su trabajo en las tareas de clasificaci\u00f3n autom\u00e1ticas: \u201cEn este campo se intenta usar una gran cantidad de datos para que los ordenadores sean capaces de aprender de ellos y realizar clasificaciones de forma autom\u00e1tica, sin estar programados expl\u00edcitamente para ello\u201d, explica Ortigosa.<\/p>\n La investigaci\u00f3n se ha centrado en dos situaciones problem\u00e1ticas muy comunes en este campo, \u201cque hoy en d\u00eda son grandes retos en la comunidad cient\u00edfica, ya que aparecen constantemente en los problemas que abordan el aprendizaje autom\u00e1tico\u201d, apunta. Todo empez\u00f3 con un trabajo relacionado con el denominado\u00a0<\/span>sentiment analysis<\/em>. \u201cSe trataba de un trabajo de caracterizaci\u00f3n de art\u00edculos de diversos blogs referentes a ciertos productos, para saber si los textos eran objetivos o subjetivos, si ten\u00edan valoraciones positivas o negativas, etc.\u201d, explica. Pero los investigadores contaban con muy pocos art\u00edculos debidamente etiquetados para que el ordenador pudiera aprender modelos robustos. Por ello, \u201ctuvimos que crear algoritmos nuevos de aprendizaje que usasen grandes cantidades de datos sin etiquetar disponibles en Internet y una peque\u00f1a proporci\u00f3n de etiquetados, y el resultado mejor\u00f3 lo que ya exist\u00eda\u201d, a\u00f1ade Ortigosa.<\/p>\n Esto llev\u00f3 a preguntarse al autor del trabajo \u201ccu\u00e1l es el m\u00ednimo n\u00famero de datos etiquetados necesarios para resolver problemas parecidos al anterior\u201d. As\u00ed, realiz\u00f3 un estudio te\u00f3rico y matem\u00e1tico de este tema, y analiz\u00f3 \u201ccu\u00e1l ser\u00eda el mejor algoritmo semisupervisado que se podr\u00eda proponer para un cierto n\u00famero peque\u00f1o de datos etiquetados y cu\u00e1l ser\u00eda su error\u201d. Con eso, calcularon qu\u00e9 error ser\u00eda el menor que se podr\u00eda conseguir con cualquier algoritmo que se propusiese para este tipo de problema, es decir, \u201cpodemos saber si un determinado n\u00famero de datos ser\u00e1 suficiente para tener un tanto por ciento de acierto. Entonces se puede estimar la bondad de la soluci\u00f3n propuesta\u201d, concreta.<\/p>\n El otro problema que se propuso abordar es el desbalanceo de clase: \u201cEnse\u00f1ar a un ordenador es muy parecido a c\u00f3mo se ense\u00f1a a los ni\u00f1os peque\u00f1os a diferenciar perros y gatos. Pero si se les ense\u00f1an muchos perros y un solo gato, puede que no entiendan bien la diferencia o saquen conclusiones err\u00f3neas\u201d, explica Ortigosa. Sin embargo, en el aprendizaje autom\u00e1tico, apunta el autor, \u201cuna conclusi\u00f3n err\u00f3nea del ordenador puede tener importantes consecuencias en una empresa\u201d. En ese sentido, propusieron \u201cuna m\u00e9trica para medir qu\u00e9 grado de desbalanceo, o diferencia en tipos de etiquetas, tienen los datos que se proporcionan para aprender el modelo. Ese grado est\u00e1 relacionado con el rendimiento de la soluci\u00f3n que se puede proponer con esos datos, y, por tanto, es crucial medirlo\u201d, a\u00f1ade.<\/p>\n El siguiente paso fue proponer m\u00e9tricas para evaluar si una soluci\u00f3n propuesta para un problema de desbalanceo es buena o no. \u201cImagina que tenemos 1.000 animales, 999 perros y 1 gato. Si creamos una soluci\u00f3n que diga que todo animal es un perro, tenemos un grado de acierto de 99,9\u00a0%. El n\u00famero es muy bueno, pero la soluci\u00f3n no lo es. Esta m\u00e9trica de evaluaci\u00f3n se llama\u00a0<\/span>accuracy<\/em>\u00a0<\/span>y se usa mucho en Machine Learning\u201d, comenta. Para penalizar estos casos de soluciones \u201ctontas\u201d, en esta investigaci\u00f3n realizaron un estudio te\u00f3rico \u201cpara poder realizar una serie de recomendaciones de qu\u00e9 m\u00e9tricas de evaluaci\u00f3n son adecuadas en estos casos y as\u00ed poder realizar una evaluaci\u00f3n honrada y \u00fatil de las soluciones\u201d.<\/p>\n Seg\u00fan indica Ortigosa, adem\u00e1s de la investigaci\u00f3n aplicada a cada uno de los problemas, esto es, adem\u00e1s de buscar la resoluci\u00f3n pr\u00e1ctica de los problemas, ha llevado a cabo una investigaci\u00f3n te\u00f3rica: \u201cHe modelado matem\u00e1ticamente ambos problemas para poder controlarlos, estudiarlos a fondo y extraer informaci\u00f3n que pueda ser usada para la propuesta de soluciones a problemas reales\u201d, explica el investigador. \u201cLos problemas reales son complejos, y aunque se est\u00e1 investigando mucho, se requiere un gran conocimiento te\u00f3rico para que luego se sepa proponer soluciones mejores que las existentes\u201d, concluye.<\/p>\n Informaci\u00f3n complementaria<\/strong><\/p>\n Jonathan Ortigosa (Donostia, 1985) ha realizado su tesis doctoral (\u2018Theoretical and Methodological Advances in Semi-supervised Learning and the Class-Imbalance Problem\u2019<\/em>) en el\u00a0<\/span>Departamento\u00a0<\/span>de Ciencia de la Computaci\u00f3n e Inteligencia Artificial de la Facultad de Inform\u00e1tica de San Sebasti\u00e1n, bajo la direcci\u00f3n del catedr\u00e1tico en la Facultad de Inform\u00e1tica, l\u00edder del grupo\u00a0<\/span>Intelligent Systems Group\u00a0<\/span>de la UPV\/EHU y director cient\u00edfico del BCAM, Jos\u00e9 A. Lozano y del profesor de la Facultad de Inform\u00e1tica I\u00f1aki Inza. Actualmente, Ortigosa es l\u00edder del equipo de Anal\u00edtica Avanzada e Inteligencia Artificial del departamento de Fabricaci\u00f3n Avanzada y Estandarizaci\u00f3n de Gestamp.<\/p>\n Fuente:\u00a0UPV\/EHU<\/span> (2019, 2 septiembre). Soluciones te\u00f3ricas para dos problemas muy comunes en Inteligencia Artificial. Recuperado 4 septiembre, 2019, de https:\/\/computerhoy.com\/reportajes\/industria\/qualcomm-reinventar-wifi-era-5g-483843<\/em><\/p>\n","protected":false},"excerpt":{"rendered":" Un estudio consigue importantes avances en dos tipos de problemas de aprendizaje autom\u00e1tico a partir de datos. La investigaci\u00f3n llevada a cabo por el ingeniero inform\u00e1tico Jonathan Ortigosa en el\u00a0Departamento de Ciencias de la Computaci\u00f3n e Inteligencia Artificial\u00a0de la Facultad de Inform\u00e1tica de la\u00a0UPV\/EHU\u00a0en Donostia est\u00e1 basada en el Machine Learning o aprendizaje autom\u00e1tico, una […]<\/p>\n","protected":false},"author":1,"featured_media":18163,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[361],"tags":[],"class_list":["post-18162","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ia"],"yoast_head":"\n