Aprendizaje automático · Aprendizaje profundo
Machine Learning / Deep Learning
¿Qué es el aprendizaje automático?
- Aprender reglas a partir de datos por sí mismo
- El aprendizaje profundo es su rama más potente
- Que aprenda sin escribir reglas
El efecto de la adopción se ve primero en el orden del trabajo, no en el código. En los sistemas basados en reglas, cada vez que surgía una excepción el desarrollador agregaba una condición más; en el aprendizaje automático, la respuesta estándar pasa a ser reunir los casos erróneos y volver a entrenar el modelo con ellos. Por eso buena parte del esfuerzo del proyecto no está en el modelo en sí, sino en la recolección, el etiquetado y la validación de datos, y si las áreas operativas no pueden definir «cuál es la respuesta correcta», ningún algoritmo, por bueno que sea, tiene de qué aprender. Por eso los proyectos de IA pasan a ser responsabilidad de las áreas de negocio y no solo del departamento de TI.
Los métodos de aprendizaje se dividen en tres grandes grupos. El aprendizaje supervisado enseña con etiquetas de respuesta correcta (determinar defectos, predecir abandono); el aprendizaje no supervisado busca agrupaciones sin respuestas predefinidas (segmentación de clientes, detección de anomalías); y el aprendizaje por refuerzo recompensa el ensayo y error (asignación de inventario, optimización de rutas). Lo que separa al aprendizaje profundo de los demás es quién extrae las características. El aprendizaje automático tradicional requiere que una persona diseñe variables como «espesor», «día de la semana» o «tiempo de permanencia», mientras que el aprendizaje profundo identifica por sí mismo las características a partir de datos originales como píxeles o texto. A cambio, necesita muchos datos y capacidad de cómputo, así que con unos miles de registros de tablas internas, el aprendizaje profundo no siempre es más conveniente. En ese rango, los modelos de árboles de decisión son más rápidos y fáciles de explicar.
Lo que con más frecuencia sale mal en la planta es el número de precisión. En una línea con 3% de defectos, si el modelo responde que todo es producto conforme, la precisión marca 97%. Hay casos reales en que se reduce la inspección visual basándose solo en ese número y luego llegan reclamos de clientes. Lo más seguro es recibir por separado la tasa de detección y la tasa de falsas alarmas. Otro malentendido es pensar que «una vez creado, ya está terminado». Si cambian las materias primas, los equipos o la composición de clientes, el modelo se desalinea de los patrones con que fue entrenado y su desempeño baja en silencio (deriva de datos), y pasan meses sin que nadie lo note. Si no se fijan de antemano en las reglas de operación el ciclo de reentrenamiento y el responsable, termina quedando un solo modelo sin responsable asignado.
John KimAutor de «Diseño de marketing B2B» y CEO de Nanum Consultoría, instructor John Kim
Jaryong KooDoctor en marketing y referente en IA, análisis de datos y marca personalSe cree que el término «aprendizaje automático» fue acuñado en 1959 por Arthur Samuel, de IBM. El aprendizaje profundo ganó protagonismo a comienzos de la década de 2010, con el aumento de datos y de capacidad de cómputo, al lograr avances importantes en el reconocimiento de imágenes y de voz.
Un caso hipotético para ilustrarlo: A es un fabricante de piezas de inyección para automóviles, con 260 colaboradores y ventas anuales de unos KRW 48,000,000,000 (≈ US$35,926,500). La inspección visual de apariencia estaba a cargo de 9 inspectores, y en el turno de noche las fugas de defectos se repetían cerca de 30 casos al mes, mientras las reclamaciones de clientes subían a 4 por trimestre. El área de aseguramiento de calidad planteó la inspección visual con aprendizaje profundo como un proyecto de 5 meses.
- Lo primero que hizo el subgerente Park, del área de aseguramiento de calidad, no fue escribir reglas sino reunir fotos. Volvió a fotografiar con cámara de línea y acumuló 12,000 piezas buenas y 1,400 defectuosas de los últimos 3 meses.
- En el etiquetado hubo un tropiezo. Tres inspectores marcaban la misma foto de forma distinta, una como “rayón” y otra como “cuerpo extraño”. El subgerente Park pegó 40 fotos de muestras límite en la pared y unificó el criterio: “si es más oscuro que esto, es defectuoso”.
- El primer modelo arrojó una precisión de 96%, pero la reacción de la planta de producción fue fría. Como los defectos eran solo el 3% de los datos, responder que todo era producto conforme daba 97%; en realidad, la tasa de detección de defectos fue de apenas 62%.
- El jefe de producción resumió: «Es mejor descartar de más que dejar pasar un defecto». Por eso bajaron el umbral de decisión y enviaron todos los casos dudosos a una línea de re-inspección. Aumentaron los falsos positivos, pero los inspectores solo tuvieron que volver a revisar 180 piezas al día.
- Seis semanas después, al cambiar el proveedor de materia prima, el brillo de la superficie varió y la tasa de detección cayó al 71%. Desde entonces, las reglas de operación establecen un reentrenamiento mensual con 500 imágenes nuevas, y el responsable quedó fijado en el subgerente Park.
- A los 5 meses, las fugas de defectos bajaron de 30 a 4 al mes, y las reclamaciones de clientes pasaron de 4 por trimestre a 0. Cuatro de los 9 inspectores fueron reasignados a tareas de re-inspección y mantenimiento de equipos.