
TecnologíaMatemáticas
Cómo piensa una máquina
Redes neuronales y aprendizaje automático
Nadie le escribió a una inteligencia artificial las reglas para reconocer un gato. Las aprendió sola, a partir de ejemplos. Descubre qué pasa por dentro cuando una máquina aprende.
Empezar ahora
12 enseñanzas · te llevas 12 conceptos usables
Fundamento
El mecanismo desnudo- 1Aprendizaje automáticoOrejas puntiagudas, bigotes, cuatro patas: cualquier lista falla con un gato de espaldas, dormido o en la oscuridad. La salida fue cambiar la pregunta: en vez de escribir las reglas, mostrarle a la máquina millones de ejemplos y dejar que las descubra.
- Cuenta gratisNeurona artificialRecibe unos números, multiplica cada uno por un factor, suma todo y decide cuánto "encenderse". Eso es todo. El poder de una red neuronal no está en cada pieza, que es muy simple, sino en conectar millones de ellas.
- PesoNo hay reglas escritas ni frases guardadas en su interior. Lo que la red aprendió está repartido en los factores que multiplican cada conexión. Cambiar esos números cambia por completo lo que la red hace.
- Función de pérdidaUn estudiante mejora cuando le devuelven el examen calificado. Una red neuronal necesita algo equivalente: un número que diga, para cada intento, qué tan lejos quedó de la respuesta correcta. Sin ese número no hay forma de saber hacia dónde corregir.
Mecanismo
El concepto chocando con otros- Caso: descenso del gradienteNo ves el valle, pero sí sientes hacia dónde se inclina el terreno. Si das un paso corto cuesta abajo, y luego otro, y otro, terminas llegando a una zona baja. Así, exactamente, es como aprende casi toda red neuronal.Te llevas: descenso del gradiente
- Duelo: retropropagaciónPara aplicar el descenso del gradiente, hay que saber cuánto afectó cada peso al error. Hacerlo uno por uno sería imposible en una red enorme. Existe un algoritmo que reparte esa culpa para todos los pesos de una sola pasada, de atrás hacia adelante.Te llevas: retropropagación
- SobreajusteEs el estudiante que memorizó las respuestas del taller en vez de entender el tema: repite perfecto lo que ya vio y se pierde apenas le cambian un número. Las máquinas caen exactamente en la misma trampa.
- Datos de pruebaSi el profesor pone en el examen exactamente las preguntas del taller, la nota no dice si el estudiante aprendió. Con los modelos pasa igual: para saber si generalizan, hay que evaluarlos con datos que nunca hayan visto.
Dominio
Lo contraintuitivo y cuándo NO aplica- EmbeddingPara eso, cada palabra se convierte en una lista de números, como coordenadas en un espacio con cientos de dimensiones. Si la conversión se aprende bien, las palabras relacionadas quedan cerca y ciertas relaciones de significado se vuelven direcciones en ese espacio.
- Límites: la máquina hereda sus datosEs la conclusión más cómoda después de nueve enseñanzas de pesos, pérdidas y gradientes. Pero todo lo que un modelo sabe lo sacó de sus datos. Si los datos tienen vacíos o reflejan injusticias, el modelo las aprende con la misma precisión que todo lo demás.Te llevas: sesgo de los datos
- Caso: tokenPredice qué fragmento de texto debería venir a continuación, lo agrega y vuelve a predecir. Esa operación simple, repetida miles de veces con un modelo enorme, produce respuestas que parecen escritas por una persona, y explica también por qué a veces inventan.Te llevas: token
- Duelo: red neuronalAprendizaje automático, neurona artificial, peso, función de pérdida, descenso del gradiente, retropropagación, sobreajuste, datos de prueba, embedding, sesgo de los datos y token. Juntas forman un mapa para entender, usar y cuestionar lo que hacen las máquinas que aprenden.Te llevas: red neuronal
Empiezas la primera sin cuenta. Las 12 completas, gratis, con solo registrarte.