Las computadoras son buenas para identificar patrones en enormes conjuntos de datos. Los humanos, en cambio, son buenos para inferir patrones a partir de apenas unos pocos ejemplos.
En un artículo que se presentará la próxima semana en la conferencia de la Sociedad para el Procesamiento de la Información Neural, investigadores del MIT presentan un nuevo sistema que conecta estas dos formas de procesar información, para que humanos y computadoras puedan colaborar y tomar mejores decisiones.
El sistema aprende a formular juicios procesando datos, pero destila lo aprendido en ejemplos sencillos. En experimentos, los participantes humanos que utilizaron el sistema tuvieron un desempeño más de un 20 por ciento mejor en tareas de clasificación que quienes utilizaron un sistema similar basado en algoritmos existentes.
«En este trabajo, analizamos si podíamos ampliar una técnica de aprendizaje automático para que ayudara a las personas a tomar decisiones basadas en el reconocimiento de situaciones», afirma Julie Shah, profesora adjunta de aeronáutica y astronáutica en el MIT y coautora del nuevo artículo. «Ese es el tipo de toma de decisiones que realizan las personas cuando toman decisiones tácticas, como las de los equipos de bomberos o las operaciones de campo. Cuando se les presenta una situación nueva, no hacen búsquedas como las máquinas. Intentan comparar la situación actual con ejemplos de su experiencia previa y luego piensan: “Bien, eso funcionó en una situación anterior”, y lo adaptan a la nueva situación».
En concreto, Shah y sus colegas —su estudiante Been Kim, cuya tesis doctoral constituye la base del nuevo artículo, y Cynthia Rudin, profesora asociada de estadística en la MIT Sloan School of Management— intentaban ampliar un tipo de aprendizaje automático conocido como «no supervisado».
En el aprendizaje automático supervisado, se suministra a una computadora una gran cantidad de datos de entrenamiento etiquetados por humanos, y esta intenta encontrar correlaciones; por ejemplo, las características visuales que aparecen con mayor frecuencia en imágenes etiquetadas como «automóvil». En cambio, en el aprendizaje automático no supervisado, la computadora simplemente busca elementos en común en datos no estructurados. El resultado es un conjunto de grupos de datos cuyos miembros están relacionados de alguna manera, aunque quizá no sea evidente cómo.
Un ejercicio de equilibrio
El ejemplo más común de aprendizaje automático no supervisado es lo que se conoce como modelado de temas, en el que un sistema agrupa documentos según las palabras que más los caracterizan. Como los datos no están etiquetados, el sistema no puede deducir realmente los temas de los documentos. Sin embargo, una persona que revise sus resultados concluiría, por ejemplo, que los documentos caracterizados por las palabras «jurisprudencia» y «apelación» son documentos jurídicos, mientras que los caracterizados por «tonalidad» y «armonía» son artículos sobre teoría musical.
Los investigadores del MIT hicieron dos modificaciones importantes al tipo de algoritmo que se utiliza habitualmente en el aprendizaje no supervisado. La primera fue que la agrupación se basó no solo en las características compartidas de los elementos de datos, sino también en su similitud con un ejemplo representativo, al que los investigadores llamaron «prototipo».
La otra modificación fue que, en lugar de limitarse a ordenar las características compartidas según su importancia, como podría hacer un algoritmo de modelado de temas, el nuevo algoritmo intenta reducir la lista de características a un conjunto representativo, al que los investigadores llamaron «subespacio». Para ello, el algoritmo impone una penalización a los subespacios que crecen demasiado. Así, al crear sus grupos de datos, debe equilibrar tres objetivos que a veces compiten entre sí: la similitud con el prototipo, el tamaño del subespacio y la delimitación clara entre los grupos.
«Hay que elegir un buen prototipo para describir un buen subespacio», explica Kim. «Al mismo tiempo, hay que elegir el subespacio adecuado para que el prototipo tenga sentido. Así que se hace todo simultáneamente».
El primer paso de los investigadores fue probar su nuevo algoritmo en algunas tareas clásicas de aprendizaje automático, para asegurarse de que las restricciones añadidas no perjudicaran su rendimiento. Descubrieron que, en la mayoría de las tareas, rendía tan bien como su predecesor y que, en algunas, incluso rendía mejor. Shah cree que esto podría deberse a que la restricción del prototipo impide que el algoritmo reúna listas de características que contengan contradicciones internas.
Supongamos, por ejemplo, que un algoritmo de aprendizaje no supervisado intentara caracterizar a los votantes de una población. Una pluralidad de votantes podría estar inscrita como demócrata, pero una pluralidad de republicanos podría haber votado en las últimas primarias. Entonces, el algoritmo convencional podría describir al votante típico como una persona inscrita como demócrata que votó en las últimas primarias republicanas. La restricción del prototipo hace muy improbable ese tipo de resultado, ya que ningún votante individual coincidiría con esa caracterización.
Prueba en condiciones reales
A continuación, los investigadores realizaron una serie de experimentos para determinar si el aprendizaje automático basado en prototipos podía mejorar realmente la toma de decisiones humanas. Kim recopiló recetas de una base de datos en línea a las que ya se habían asignado categorías —como chile, pasta y brownies— y las redujo a sus listas de ingredientes. Luego proporcionó las listas tanto a un algoritmo convencional de modelado de temas como al nuevo algoritmo con restricción de prototipos.
Para cada categoría, el nuevo algoritmo encontró un ejemplo representativo, mientras que el algoritmo convencional generó una lista de ingredientes de aparición frecuente. Después, se entregaron a 24 participantes 16 listas nuevas de ingredientes a cada uno. Algunas listas fueron generadas por el nuevo algoritmo y otras por el algoritmo convencional; la asignación fue aleatoria. Con las listas producidas por el nuevo algoritmo, los participantes acertaron el 86 por ciento de las veces; con las producidas por el algoritmo convencional, acertaron el 71 por ciento de las veces.
Publicado en colaboración con MIT News
Autor: Larry Hardesty es colaborador de MIT.
Imagen: Un hombre escribe en el teclado de una computadora en Varsovia en esta imagen de archivo ilustrativa del 28 de febrero de 2013. REUTERS.
