Machine Learning: ajudar les màquines a aprendre

És un d'aquests termes de moda. Machine Learning és una aposta segura en la llista d'expressions que sortiran en qualsevol conversa sobre les feines del futur. També en xerrades sobre intel·ligència artificial o desenvolupament tecnològic. És comprensible: aquest concepte és al darrere del desenvolupament dels cotxes que condueixen sols o d'aquestes màquines que ens sorprenen derrotant grans mestres dels escacs o el pòquer, entre altres aplicacions.

Com el seu nom indica, el Machine Learning consisteix a ensenyar les màquines a aprendre soles perquè el seu treball s'optimitzi. És una disciplina lligada a la intel·ligència artificial que ha evolucionat molt en els darrers anys.

Per a què serveix el Machine Learning

A grans trets, el Machine Learning ajuda les màquines a emular el funcionament de la nostra intel·ligència. En aquest sentit, cal tenir en compte que hi ha moltes definicions d'aquest concepte. Per comprendre el significat de Machine Learning, ens basarem en la que diu que la intel·ligència és la nostra capacitat per predir coses a partir de la nostra experiència. És a dir, a partir de les dades que tenim emmagatzemades en el nostre cervell i que ens ajuden a reconèixer patrons per predir, per exemple, si un objecte estarà massa calent abans de tocar-lo.

El Machine Learning es basa en el mateix principi. Serveix perquè una màquina sigui capaç d'analitzar una sèrie de dades, reconèixer patrons, aprendre'n i predir un resultat.

Les aplicacions pràctiques per explicar aquest fet són molt variades. Per exemple, hi ha sistemes capaços de predir l'evolució de l'esclerosi múltiple a partir de les dades de 40.000 pacients. Fins i tot de determinar amb força precisió quan moriran els pacients en estat crític d'un hospital. També és el que permet que un cotxe autònom prengui una decisió quan es troba amb alguna incidència durant la conducció.

Per aconseguir-ho, s'utilitzen algoritmes que desenvolupen els programadors. Els algoritmes no són res més que el llibre d'instruccions que donen els tècnics a la màquina perquè pugui entendre el món real. Aquesta realitat es trosseja en petits problemes successius que la màquina ha de resoldre com si seguís un manual d'instruccions o una recepta. Com a resultat, la màquina pren unes dades, fa els càlculs indicats per l'algoritme i ofereix una solució.

Les tècniques de Machine Learning permeten entrenar les màquines utilitzant una gran quantitat de dades. Això dona l'oportunitat d'anar refinant i perfeccionant els algoritmes perquè les prediccions de les màquines siguin cada vegada més exactes.

Deep Learning, el pas següent

En el seu vessant més simple, el Machine Learning es basa a indicar a la màquina que segueixi unes determinades regles per resoldre un problema, mitjançant un entrenament supervisat. Els programadors s'encarreguen de perfeccionar l'algoritme que ho fa possible, considerant una gran quantitat de variables per optimitzar-lo. Són ells els qui condueixen la màquina per cada fase del procés perquè aprengui a identificar el que volem de manera automàtica.

L'últim en aquest camp és el Deep Learning, un concepte que està revolucionant el desenvolupament de la intel·ligència artificial des de fa alguns anys. Fa un entrenament no supervisat que permet que les màquines aprenguin soles a partir de cada nova dada que reben. Si alguna vegada utilitzen una dada equivocada, aprenen de l'error i n'utilitzen una altra per aproximar-se al resultat correcte de manera cada vegada més ràpida i fiable. A més, no tornaran a cometre el mateix error.

Per aconseguir-ho, en comptes de dotar la màquina amb una llista interminable d'indicacions, se li dona un model que li permeti avaluar exemples i una petita col·lecció d'instruccions per modificar aquest model quan tingui lloc algun error. D'aquesta manera, amb el pas del temps s'espera que la màquina mateixa sigui capaç de solucionar un problema de manera extremadament precisa.

Xarxes neuronals que reconeixen gats i molt més

Entre les tècniques més comunes de Machine Learning hi ha les conegudes amb el nom de xarxes neuronals. A grans trets, aquests sistemes es dediquen a emular el funcionament del nostre cervell. Utilitzen xarxes de neurones formades per diferents capes, especialitzades en la detecció de determinades característiques i interconnectades entre si. Aquestes capes de neurones són capaces de reconèixer patrons, classificar-los i categoritzar per oferir un resultat.

Un exemple del seu funcionament consisteix a prendre una imatge, que serà la informació d'entrada que rebrà la primera capa. Allà es divideix en milers de trossos que cadascuna de les capes següents analitzaran per assignar-los un pes. Cada capa és especialista en una característica, com ara el color, la forma o la mida. L'última capa recull tota aquesta informació i ofereix un resultat. Per exemple, que el que hi ha a la imatge és un gat.

Per arribar a aquest resultat, és a dir, reconèixer un gat en una imatge, Google va utilitzar 16.000 processadors l'any 2012. Va ser la primera vegada que una xarxa neuronal artificial era capaç de distingir patrons sense necessitat de rebre instruccions externes. Es va dedicar a analitzar milers de vídeos a YouTube fins a arribar a reconèixer el felí.

Per descomptat, les aplicacions de les xarxes neuronals en Deep Learning tenen aplicacions molt més serioses que detectar mixos a internet. Per exemple, serveixen per refinar els sistemes de traducció automàtica, fer-los més precisos i aconseguir resultats més similars al llenguatge natural. També els assistents virtuals empren aquesta tecnologia per guanyar “sentit comú” en les seves converses.

La revolució del Machine Learning ja està en marxa. Una tècnica que revoluciona la intel·ligència artificial per fer-nos la vida cada vegada més fàcil.