Aprendizaje automático desmitificado

El aprendizaje automático (ML) puede parecer impenetrable para cualquiera que no esté familiarizado con él. La falta de comprensión de lo que es ML y lo que significa para el fabricante...

El aprendizaje automático (ML) puede parecer impenetrable para cualquiera que no esté familiarizado con él. La falta de comprensión de lo que es ML y lo que significa para la industria manufacturera, a veces da lugar a ideas extravagantes sobre máquinas inteligentes a punto de apoderarse de la humanidad. Pero ML, básicamente, es un gran avance en el desarrollo de la Tecnología de la Información (TI). La forma en que funciona y sus limitaciones deben ser plenamente comprendidas por aquellos que deseen utilizarlo para el beneficio total de sus organizaciones.

Es cierto que ML requiere el uso de habilidades estadísticas y de TI específicas que pocas personas tienen o han necesitado en la fabricación. Pero sus principios son bastante simples, e incluso intuitivos de entender. Para mí, fue lo que alguna vez consideré un servicio en línea de traducción de idiomas bastante mundano, a saber, Google Translate, lo que me ayudó a darme cuenta del potencial transformador de ML.

En pocas palabras, el software de traducción de idiomas se ha basado durante mucho tiempo en diccionarios de programación, reglas gramaticales y sus numerosas excepciones. Este enfoque implica un esfuerzo considerable.

De procesos 'basados ​​en reglas' a 'basados ​​en datos'

·  La nueva metodología surgió de una idea más simple:no intente definir reglas y tablas léxicas desde cero, deje que el software las "descubra". Se recopilan millones de páginas ya traducidas de organizaciones internacionales.

·  Cuando un usuario envía un texto para traducir, el software lo divide en elementos básicos y luego busca elementos idénticos o similares en el mismo idioma dentro de las páginas traducidas.

·  Se extrae la traducción más probable para sugerirla al usuario.

Los patrones estadísticos relevantes encontrados en los datos, por lo tanto, reemplazan las reglas de traducción. En lugar de tener que programarlos minuciosamente, el software los "aprende" automáticamente. Es fácil ver el valor de ahorro de costes de este enfoque, en comparación con el tradicional, especialmente porque la calidad de la traducción resultante suele estar a la par.

En la fabricación, las ganancias de productividad se ven agravadas por una mejora sustancial de la calidad. Cualquiera que haya especificado procesos de automatización sabe lo complejo que puede ser anticipar todas las posibles situaciones a las que se tendrá que enfrentar el software una vez que esté en producción. Esto es incluso cuando están involucrados expertos en dominios funcionales. Las reglas funcionales del software se basan en suposiciones que se basan en un número limitado de observaciones. Pero la realidad a menudo resulta ser mucho más compleja de lo esperado, lo que significa que la automatización finalmente es subóptima o que el software termina requiriendo correcciones costosas.

Machine Learning, por otro lado, absorbe y se desarrolla utilizando todos los datos disponibles, independientemente del volumen. Eso significa que el riesgo de que los patrones o un caso de uso quede fuera de la imagen es limitado.

Los humanos deben permanecer a cargo

La máquina también evita los "sesgos cognitivos" de la inteligencia humana que se traducen en selecciones imperfectas de los datos disponibles y toma de decisiones inapropiadas.

Un buen ejemplo es el del procesamiento automatizado de las solicitudes de préstamo que reciben los bancos. Un algoritmo analiza la información clave del prestatario junto con la información de reembolso. Luego destaca la probable relación entre el perfil de un prestatario y el riesgo de incumplimiento. Aplicado a una nueva solicitud de préstamo, el algoritmo predecirá, con un nivel de precisión considerado suficiente, si el prestatario devolverá el dinero. Esto significa que se elimina el riesgo de una mala decisión, desencadenada por prejuicios o por el estado de ánimo del operador bancario.

No obstante, es crucial que los seres humanos sigan siendo quienes toman las decisiones en última instancia.

Primero, porque el software obviamente no es perfecto. Se rige por configuraciones hechas por humanos. Por ejemplo, puede haber sido optimizado para evitar "falsos positivos" (donde el préstamo se otorga a un prestatario que incumplirá) y, por lo tanto, tenderá a rechazar ciertas solicitudes de préstamo. Por tanto, un usuario debe comprobar que las recomendaciones del sistema son legítimas y, en su caso, rechazarlas. Esto permitirá que el sistema aprenda nuevos criterios para que el algoritmo acepte solicitudes de perfiles similares la próxima vez.

Otra razón clave es que solo los humanos deben asegurarse de que se cumplan los estándares éticos, especialmente cuando una decisión se refiere a los derechos de una persona.

Todos los datos

Es fundamental elegir y configurar un modelo algorítmico que se ajuste al proceso de fabricación en cuestión y al tipo de datos que lo sustentan. El rendimiento de la automatización dependerá del cumplimiento de dos imperativos:la calidad de los datos y la representatividad del conjunto de entrenamiento, lo que significa que la automatización será más eficiente cuando el aprendizaje automático se lleve a cabo sobre la base de observaciones imparciales.

El acceso a los datos es crucial para el éxito de ML porque, en última instancia, ningún nivel de sofisticación algorítmica compensará un conjunto de datos deficiente.

Con el poder creciente de las computadoras y la digitalización, se ha vuelto posible y probablemente esencial aprovechar un enfoque basado en datos para diseñar procesos de fabricación automatizados más eficientes. Más allá de las habilidades científicas requeridas, el éxito de estas soluciones radica en la recopilación de datos relevantes y el monitoreo de sus operaciones por parte de humanos. El aprendizaje automático tiende a descartar comportamientos arbitrarios. Depende de nosotros asegurarnos de que no los reemplace con generalizaciones excesivas inapropiadas.

Por Jean-Cyril Schütterlé, vicepresidente de ciencia de datos y productos en Sidetrade