Una sesión que impartí sobre machine learning me inspiró para escribir mi columna de hoy en Invertia, titulada «¿En qué somos buenos?» (pdf), en la que hablo de lo que implica que, en pocos años, hayamos visto cómo las máquinas se convertían en mejores que los humanos en un sinnúmero de tareas: desde juegos como el ajedrez, el Jeopardy, el Go, el poker o muchos videojuegos, hasta muchísimas operaciones de todo tipo que ahora pueden ser automatizadas. Implica, fundamentalmente, que somos especialmente buenos enseñando.
Enseñar a una máquina es una tarea más sencilla de lo que parece: se trata de suministrarle muchos datos correctamente etiquetados, para que sea capaz de derivar de ellos un modelo, modelo que después evaluaremos para comprobar hasta qué punto nos sirve para llevar a cabo predicciones. Si somos capaces de entender eso, es relativamente sencillo que seamos capaces también de imaginar situaciones y contextos en los que utilizar machine learning pueda generarnos posibles ventajas competitivas, algo que, además, es cada vez más fácil de hacer con herramientas sencillas.
La post-pandemia es un momento perfecto para examinar nuestros procesos corporativos y tratar de reimaginarlos en torno a la posibilidad de su automatización mediante machine learning. Qué datos generan los procesos – o los que podrían generar si los sensorizásemos adecuadamente – y cómo podemos utilizarlos para que una máquina sea capaz de prever variables derivadas de esos datos: cuándo va a fallar una máquina, cuando un patrón es anómalo y revela un error o un fraude, cómo nos pueden afectar cambios en el contexto, qué demanda podemos esperar para un producto o servicio determinado… posibilidades de todo tipo en torno a predicciones, optimizaciones o modelizaciones de todo tipo.
Somos buenos enseñando, y las máquinas son cada vez mejores aprendiendo. Aprovechémoslo. Va a ser cada vez más importante.
This article is also available in English on my Medium page, «We humans are great teachers, so let’s start teaching machines to do all the work«
Enseñar a una máquina es una tarea más sencilla de lo que parece
Serña por esos que la Mayoria de los algoritmos salen con sesgos https://es.wikipedia.org/wiki/Sesgo_algor%C3%ADtmico
Sobre este tema de la IA mejorando las cosas lo he notado significativamente en las traducciones de Google. Hace unos años las traducciones eran Horripilantes!!!, hoy son mucho más razonables. Por lo leído la IA ha jugado un papel fundamental en esa mejora.
Por el contrario, hay otro área en que la ciencia sigue fallando estrepitosamente, que es el pronóstico del tiempo. Especialmente en Primavera, y no hablemos, más allá de 3 días…. Todo ello agravado si vives en un sitio con tiempo variable, como yo en Donostía-SS. Aqui en primavera, un pronostico al día siguiente puede fallar, y a 3-4 días seguro que acierta tanto como yo echando el pronóstico de lluvia a cara o cruz.
He buscado en internet y parece que la cosa puede cambiar en unos años.
https://www.washington.edu/news/2020/12/15/a-i-model-shows-promise-to-generate-faster-more-accurate-weather-forecasts/#:~:text=The%20simple%2C%20data%2Dbased%20A.I.,Advances%20in%20Modeling%20Earth%20Systems.
Espero con avidez un pronostico del tiempo fiable a 1 semana!
Yo creo que es al reves…
Cuando he tenido que traducir ESP/ENG o al reves con Google, siempre he tenido que hacer correcciones a mano en ambos idiomas (si es a un tercero, como frances o catalan, peor). Y cada vez me cuesta mas. Creo que las ultimas revisiones de Google traductor «la cagan» bastante mas que al principio.
Al menos con textos mas o menos largos. Si se trata de una frase o parrafo, en general va bien (y aun asi, entro en la opcion «edicion» para mejorar)
Esa fue una de las razones de pasarme a DeepL donde pocos son los cambios que tengo que hacer a mano…
Lo del tiempo siempre he pensado que es una loteria. Te hablan de los «modelos» (calculados), y en horas, el modelo se va al pairo. Pero aun asi, creo que se acierta bastante mas ultimamente.
Se echa en falta a Mariano Medina… XDDD
No nos olvidemos que detrás de la AI está la estadística.
* Los modelos metereológicos son caóticos y su precisión desciende con el tiempo de forma exponencial. Predicen a muy poquitos días, y una precisión del 85%, supone que la mayoría de los días lo aciertan pero no el 100%. Y dentro de esa precisión es más probable que al día siguiente en julio haga calor, que por ejemplo en marzo.
* Las quinielas. Podemos acertar seguramente un 85% también. UN Madrid-Barça todo el mundo le pondrá un triple. Pero un Barça-Granada, casi nadie un 2, y si pasa te descaraja la quiniela, que no olvidemos que tienes que tener un 100% en 14 resultados…. la probabilidad total es el producto de las probabilidades. Por mucho modelito de ML que uses, no vas a mejorar ese 85%,… y pensar lo contrario es no saber lo que hay debajo de los algoritmos: «gatitos y perritos»
Si en Sanse te dan lluvia con un 65% significa que de 100 pronósticos aciertan 65. Si acertan siempre te dirían el 100%. Otra cosa es que para simplificar te digan. Lluvia probable mañana… y se callen el 65%. La info que te llega no es la del pronóstico profesional, es una info acortada. Igual llueve en Bilbao y en Sanse no… que también pasa
El filtro subjetivo existe «cuando me quedé embarazada solo veía a mujeres embarazadas alrededor»… estoy seguro que la probabilidad de ver mujeres embarazadas no correla con que una mujer en particular esté embarazada o no. Sin embargo tu filtro subjetivo si.
Creo que la visión que nos presenta Enrique es buenista con respecto a Machine Learning y aplicable a desarrollos personales, que está lejos de ser proyectos ad-hoc para empresas que buscan una mejora de sus inversiones en marketing, segmentación con soporte a ventas, y claro obviando el coste real de los profesionales que se dedican a obtener datos, prepocesarlos, optimizarlos, modelar, seleccionar modelos, … etc etc
En lo personal,
Quitando el esfuerzo que nos puede llevar, aprender cosas genéricas (algebra lineal, estadística, programación) después hay que especializarse en los distintos algoritmos, etc etc. Si tienes un background técnico esto es un «coste hundido» que ni piensas en él.
Por ejemplo hacer una red neuronal convolucionada «simple» para identificar en una colección de imágenes, que te bajas de Kaggle para saber si es un «perrito» o un «gatito» con «afición» en unas horas lo haces. Sencillo y ves que puedes llegar a scores muy altos del 90%, enseguida.
Por ejemplo el coste que google invirtió en vencer al GO se estima en una web en unos 35 M$ y parece realista.
¿Cuánto es capaz de pagar una empresa española para un desarrollo en ML ad-hoc?
Primero habría que ver que necesidades tiene (consultoría), proponerles una solución con un diseño de alto nivel, calcular un ROI y una prueba de concepto, antes de ir a desarrollar el modelo de bajo nivel, instalar lab (o cloud), pruebas y finalmente ponerlo en producción… si por ejemplo eres Imagenio, puedes pensar en desarrollar un sistema de recomendación basado en los gustos de sus clientes y en tu navegación previa…. no son dos duros, desarrollar un sistema así, es poco replicable Pero será muy similar a la recomendación de compras de tu tienda web ¿Que clientes hay en España? ECI, Mercadona, tiendas de vinos, ¿que lleguen a 10 que se lo pueden permitir? el resto te pondrán la publi a la «antigua» ¿Habrá recuperación de la inversión para un super que apueste por ML?
¿Qué pensáis?Ligando con un comentario mio anterior ¿le conviene a Casa Pepe poner su merchandasing con una AI?
Sencillo a mi me lo parece, barato es otro cantar…
https://www.yuzeh.com/data/agz-cost.html
Estadistica, efectivamente. Al fin y al cabo, el Machine Learning, tal cual esta concebido ahora, no es mas que una consecucion de estadisticas que detectan patrones de compormamiento segun la alimentamos con diferentes variables… No deja de ser el principio del silogismo (primera practica en inteligencia artificial) llevado a extremo.
Machine Learning «real», sera cuando el propio algoritmo, sea capaz de modificarse a si mismo, decidir que datos quiere tomar (o despreciar) y hablando de despreciar, que desprecie la intervencion humana… oh dios mio… es Skynet…!!! XDDD
ps.- me has matado con las embarazadas… XDD
Las maquinas automatizadas existen desde hace decenas de años y obtinen una produccion mucho mas alta y con menores errores que el trabajo manual.
Por ejemplo una maquina de producir galletas, hace un trabajo próximo a la perfección, Claramente mejor que el hombre.
Pero yo creo que de lo que habla Enrique es de enseñar a la IA y ese es el siguiente reto, hacer máquinas que en vez de hacer muchas galletas iguales, sean capaces de hacer las galletas que tu le pidas, como las imopresoras POD.
¿Seremos capaces de hacer una maquina que sustituya al cocinero?.- Que simplemte le digas, para hoy, patatas guisadas y un filete, y sea capaz de crearte el menú
Creo que estamos aun muy lejos de llegar a algo así.
Deberias salir mas de casa…. XDDD
El caso concreto de las galletas, lo conozco. Empresa X de Girona (no hago nunca propaganda) tiene tres lineas de produccion que a dias alternos, fabrica unas u otras. Solo cambian los extrusores para dar forma (proceso automatico). Trabaja mas gente en envasado que en linea… XDD
Lo mismo ocurre en automocion… no hay una fabrica para un solo modelo de coche, sino es la misma linea de montaje que cada semana, varia el modelo segun la necesidad, de ahi que se hable de las estructuras «base» (bastidores compartidos entre modelos).
El problema es que a la sigla IA cada cual le da un significado y muchas veces, sin saber porque… y como he dicho antes, actualmente se limita a un proceso estadistico… cuando las decisiones a tomar sean realmente «reales», podremos hablar de una IA como tal…
ejem: que ella decida que galletas fabricar segun su stock/demanda y sin intervencion humana…
Lo que tú dices de las galletas es programación, relativamente sencilla.
La IA sin embargo te dirá que modelo de galleta se va a vender más antes de salir al mercado.
Y es ahí, en la predicción del éxito donde la IA se requiere.
Lo de Terminator haciendo galletas es una buena imagen para las pelis…
Pero el Machine Learning no es eso….
No de verdad que Arnold no hace galletas. Y si… NO. De verdad que es ML???
1. Pues básicamente (simplificando) tenemos una tabla con datos por ejemplo
Cada fila es una medición de que película ves en Imagenio ( podría decir Netfix pero no me sale de ahí) con tu login, tu datestamp de entrada y salida en un determinado canal o pelicula…
2. Alguien limpia los datos erróneos de esa tabla (preprocesa) y se juntan con los de otros usuario
3. Alguien elige que algoritmo se adapta mejor a «recomendar pelicula» (modelo)
4. El objetivo es darte con una probabilidad alta, que tipo de pelicula, documental, etc se adapta mejor a ti de acuerdo
a) Con tu histórico de visionado
b) Con los datos de otros usuarios que «correlan» con tus gustos
Si a la mayoría (80%) que ve «Friends» le gusta «Como conocí a vuestra madre» y tu no has visto esa segunda serie, entonces en tu parrilla saldrá como recomendada
Ahora aplica lo mismo a
a) Amazon
b) ECI
c) etc
Y eso es ML, estadística para tu body, para que tú consumas MAS DE UN PRODUCTO que el ML ha considerado afín a tus gustos
Y lo de las galletas, y demás viandas, déjalo que nadie gana pasta haciendo una «galletita hexagonal» que tu le pidas…. las empresas ganan pasta presentándote el producto que ellos tienen ya y que se adapta MÁS a tus gustos
dicho eso, Terminator para las pelis.
Ya te digo que Youtube me recomienda lo que le sale… XDDD
«Somos buenos enseñando, y las máquinas son cada vez mejores aprendiendo» (EDans).
Totalmente de ascuerdo en la segunda parte, pero muy en desacuerdo en la primera.
Tanto con alumnado normal como «artificial», el homo sapiens «normalito» es nefasto haciendo de profesor, y no solo por la introducción de sesgos. Y los cerebros muy inteligentes, tienen un problema evidente en su área emocional, que los hace mediocres maestros.
Para algo se sigue sobrevalorando la instrucción sobre la educación. Y tanto por parte de los instructores como de los instruídos.
En fin, para gustos…
En el link de ELPAIS de abajo
«El sistema español es conocido por ser, en general, bueno para todos. Angela Merkel pidió ingenieros españoles y a Reino Unido llegaron muchos enfermeros….»
Mi aportación:
Educado se viene de casita
Instruido depende del cole
Si tu percepción es la que dices, es que igual en tu entorno local se instruyó bien, pero en casa eran nefastos educando a sus hijos, o los educaban a imagen y semejanza del padre, …
PS: Mi El 90% de mis profesores fueron buenos, de ese porcentaje un 20% excelentes -> eso si instruyendo. Al que me quería educar lo catalogo de pésimo por definición.
Xaquin, de verdad…
“Existe una diferencia sustancial entre educar e instruir. Para instruir basta con saber. Para educar es necesario «ser». No hay destino digno sin cultura, no hay cultura sin valores, no hay valores si no hay docentes capaces de vivirlos.”
Llega un momento, que la repetición constante (y hasta abusiva) de determinados postulados, resulta ya no solo cansina, sino lo siguiente…
Arremeter una y otra vez, constantemente, contra la humanidad (ni siquiera la mitad o una cuarta parte, sino toda) alegando una supuesta mediocridad, ya no en lo general, sino en lo personal (los comentarios/comentaristas aquí presentes), quizás a ti te sirva para sustentar ese pedestal marmóreo en el que te has subido, (en psicología, lo llamaríamos fruto de tu soberbia/narcisismo), y desde el cual pretendes darnos lecciones, no solo morales, al resto de los mortales… Peeero, tu nihilismo poco nos aporta…
Y para no salirnos del tema, que es de lo que se trata. No se puede comparar “educar/instruir” una máquina, a un ser humano. De entrada, el humano, a poco que tenga un principio de duda, te cuestionara. La máquina jamás lo hará. Y me viene a la mente aquella frase de Terminator II (copioypego):
“Observando a John con la máquina de repente lo vi claro, el Terminator jamás se detendría, jamás le abandonaría y jamás le haría daño, ni le gritaría o se emborracharía y le pegaría, o diría que estaba demasiado ocupado para pasar un rato con él, siempre estaría allí y moriría para protegerle. De todos los posibles padres que vinieron y se fueron año tras año… aquella cosa… aquella máquina… era el único que daba la talla. En un mundo enloquecido era la opción más sensata.”
Aquel Terminator, fue re-programado con un único objetivo: proteger a John. Y si os fijáis en la película, incluso con su “inteligencia”, esta constantemente aprendiendo (mayormente, emociones, algo bueno hizo el director). A ese bicho, si se le podría empezar a llamar IA, o ML como queráis. Aprendía prácticamente solo.
A la maquina (hoy día) la “alimentas”, no la enseñas. Todo lo más, la instruyes a tomar decisiones. Decisiones, que, por otro lado, ya vienen sesgadas, porque tu las impones (la maquina no tendrá opción a tomar una decisión no contemplada. No es necesaria la ley robótica de Asimov). Y por supuesto, no la educas.
No se puede hablar de IA, si no hay test de Turing completo. De ahi que os bailen los acronimos y les deis el significado que os apetece.
Gorki
Mira este ejemplo que acabo de leer en ELPAIS con un dataset del «Observatorio del Sistema Universitario».
Tiene las siguientes variables
* Nombre Universidad (Id identificativo
* Categórica ( Pública/Privada)
* Categórica Presencial (Si/No)
* Oferta docente
* Actividad investigadora
* Plantilla PDI
* Centros adscritos
A partir de esos datos se podría hacer un ML que aconsejara a un determinado «alumno» poder elegir el centro adecuado a sus intereses
Habría que cruzar esa tabla con
* precio de cada opción
* renta familiar
* becas disponibles
* distancia a su residencia
* prevee cursar doctorado
* etc
El trabajo de una persona que usa ML como herramienta sería procesar esos datos y dar una recomendación con «Probabilidades» de que oferta se adapta mejor a una persona interesada
Pero en ningún caso que la ML decida por él como en casos que hemos visto de dar créditos o decidir si a ana persona se le concede la libertad condicional. La ML está «como cualquier función de una hoja de cálculo» para hacer sencillo un cálculo matemático, presentando la recomendación y el score de ese cálculo (error) pero no para decidir sobre las personas…
Pensar que la AI o la ML decida por nosotros, es de mentes enfermas !!!
https://elpais.com/educacion/2021-03-18/tres-de-cada-cuatro-universidades-espanolas-no-supera-la-criba-de-calidad-que-prepara-el-ministerio.html
Exacto. Una ML (proceso estadistico) hoy dia, te puede orientar, pero tomarla como algo empirico es rizar el rizo. Es necesaria la supervision humana en todos los casos, porque existe el sesgo, y el error de variable no contemplada.
Que a golpe de feedback aprendera cada vez mas, no lo dudo. Pero es imposible contemplar todas las opciones.
Me gustan los juegos de mesa cono el ajedrez y he visto la IA aplicada en ellos haciendo jugadas no concebidas como técnicamente viables, sorprende algo y es que los humanos olvidamos algunas veces cuál es el objetivo del juego a pesar que nuestras emociones nos hacen creer que lo sabemos, incluso nuestra inteligencia misma. Pero si extrapolo esto a las organizaciones por ejemplo o a la producción o creación de algo nuevo creo que nos sorprenderíamos con cosas sorprendentes, innovadoras y creativas, extraordinarias e inconcebidas hasta ahora. De eso se trata creo de una máquina que es capaz de crear, actuar y reaccionar a nuevos escenarios de manera distinta y algunas veces revolucionarias. De pronto como leí en algún comentario, quizá, se crearían galletas de colores, sabores, texturas que impacten los ojos y las percepciones de papilas gustativas de modo sin igual para niños, niñas, hombres, mujeres y mascotas. Bienvenida maquina, que nombre tan mal caduco para lo que estás transformándote.
Precisamente el cuello de botella somos nosotros. El aprendizaje no supervisado, como las adversarial neural networks son el futuro. Alpha Zero venció 100 a 0 a Alpha Go sin aprender de ningún movimiento humano. Tesla ya está planteando esta estrategia para acabar de pulir su FSD…
Muy interesante.
Somos muy buenos enseñando y si las máquinas son cada vez mejores aprendiendo, ¿por qué no enseñarlas?