La programación probabilística y el futuro del aprendizaje automático

• Los expertos buscan nuevos métodos de programar las máquinas
• El problema es que muchos los datos a analizar están incompletos

Programación probabilística

En los próximos meses la agencia DARPA (el área de investigación del departamento de Defensa norteamericano) desarrollará unos cursos sobre 'Programación probabilística' aplicada a los sistemas de aprendizaje automático avanzados. Estas técnicas de aprendizaje, denominadas en inglés Machine Learning, se aplican en el campo de la inteligencia artificial para que los sistemas automáticos aprenden a realizar tareas útiles que estén a su alcance con los datos que haya disponibles para procesar.

Desde hace décadas los informáticos han trabajando en estos sistemas de aprendizaje para enseñar a las máquinas cómo trabajar con modelos simplificados del mundo real, tales como objetos estáticos o en movimiento, o con conjuntos de datos de gran volumen. 

Un ejemplo de aplicación de lo primero serían los sistemas de reconocimiento visual de objetos o de voz; en cuanto a los análisis de datos han destacado las aplicaciones de tipo médico diseñadas para encontrar patrones en conjuntos enormes de síntomas y pacientes; también los coches que conducen solos analizan en tiempo real miles y miles de datos de decenas de sensores con los que van equipados.

Sin embargo, los avances en este campo son cada vez más complejos, más que por la falta de ideas por algunos problemas intrínsecos a los que se enfrentan máquinas, que se comportan de forma un poco diferente a como nos enfrentamos las personas a ellos. ¿Qué sucede cuando los datos a analizar están incompletos? ¿Cuando no se conocen con certeza, sino solamente a través de estadísticas y probabilidades?

La programación probabilística PPAML es una idea interesante que permite abordar todas estas situaciones. Al incorporarla a los sistemas de aprendizaje automático los ordenadores pueden ofrecer soluciones efectivas aunque no sean en ocasiones perfectas. Por otro lado también ayudan a reducir la cantidad necesaria de datos para solucionar un problema concreto, haciendo que su análisis sea más efectivo, económico y rápido.

Según uno de los responsables de DARPA, la idea es hacer evolucionar el aprendizaje automático del mismo modo que los lenguajes de programación de alto nivel, como el BASIC, el Pascal o el C revolucionaron la informática hace décadas: eliminando la necesidad de “conocerlo todo” sobre un escenario particular y pudiendo extraer información útil que permita crear nuevas aplicaciones mas efectivas, productivas e innovadoras.