‘Ž‡–À±…‹…‘†‡‰‡‹‡”Àƒ Figura. 1. Popularidad en internet a nivel global: IA vs ML vs DL (elaboración propia). Datos obtenidos de Google Trends 3. Un valor de 100 indica la popularidad máxima de un término, mientras que 50 y 0 indican que un término es la mitad de popular en relación con el valor máximo o que no había suficientes datos del término, respectivamente. En este estudio se van a analizar modelos de IA basados en técnicas de Machine Learning para aprendizaje automático supervisado y no supervisado. Esta comparativa es importante para conocer los algoritmos más importantes sobre los que se sustentan están técnicas de aprendizaje automático y que son la base de la futura digitalización de los procesos logísticos en la Armada. Lo que conocemos como Machine Learning es una rama de la inteligencia artificial (IA) cuyo objetivo es el desarrollo de algoritmos que permitan a las máquinas aprender en base a un conjunto de datos que les aportamos 4. Cuando hablamos de aprendizaje nos referimos al contexto de identificar patrones complejos entre millones de datos. Sus pilares fundamentales son el uso de algoritmos basados en técnicas matemáticas (probabilidad, estadística, optimización, clasificación…) que permiten realizar inferencias a partir de datos. Aunque ha habido varias definiciones sobre el aprendizaje automático, una de las más referenciadas 5 ha sido la de Tom Mitchell en 1997: «Es un programa de computador que aprende de la Experiencia E, respecto a alguna tarea T y con medida de rendimiento P, si el desempeño sobre la tarea T, medido por P, mejora con la experiencia E.» ¿Por qué usar Machine Learning? Existen multitud de casos en los que analizar un evento y tratar de determinar su naturaleza mediante algoritmos basados en reglas no es la manera más eficaz de abordarlos, por ejemplo, distinguir spam entre un conjunto de correos de entrada 6. En un algoritmo basado en reglas un supervisor debe estar comprobando de manera continua los correos entrantes y actualizar periódicamente los algoritmos con nuevas reglas para conseguir un filtrado más selectivo. Aunque el problema no sea trivial, el programa puede convertirse a una larga lista de complejas reglas difíciles de mantener. Por el contrario, un filtro de correos spam basado en técnicas de Machine Learning aprende que palabras o frases son buenos predictores de correos spam y compara patrones de palabras entre ellos. De esta manera, tenemos un algoritmo más reducido en tamaño de código, más fácil de mantener y más preciso. 3.Tipos de algoritmos de aprendizaje Distinguimos dos tipos principales de algoritmos basados en técnicas de Machine Learning: los algoritmos basados en modelos de aprendizaje supervisado (Fig. 3a) y no supervisado (Fig. 3b). La principal diferencia ϱϭ
Bol_tec_ing_16
To see the actual publication please follow the link above