Este ensayo está dedicado a los legos (dummies) en los asuntos relacionados con la inteligencia artificial y el aprendizaje de máquina. Un lego es una persona que aún desconociendo la jerga empleada por los versados en una materia, desea enterarse de lo más relevante a cerca de los temas que ésta trata. El propósito del presente trabajo es entonces describir de manera clara y concisa, los aspectos clave del aprendizaje de máquina y la inteligencia artificial.
El aprendizaje requiere de una base de conocimientos
Los seres humanos solemos aprender de los errores que cometemos y de los éxitos que alcanzamos. No obstante, cuando nos enfrentamos a un problema cuya solución desconocemos, tendemos a buscar ayuda en un consejero, un mentor, un maestro, o incluso en ese entrañable amigo. La exposición a una condición desconocida, tal vez sea una de las mejores oportunidades que el ser humano tiene para retar a su inteligencia, por no decir a la supervivencia, y quizás sea eso de lo que está hecho una persona: la actitud que adopta ante los reveses de la vida.
Aquellas personas que creen saberlo todo, no acostumbran pedir la opinión de los demás para resolver sus problemas, quizás para demostrarles que son autosuficientes. Sin embargo, para una máquina que está aprendiendo algo, esas personas no estarían siendo muy inteligentes. El no contar con un consenso de opinión podría ocasionar que uno pierda el rumbo y la asertividad. Las máquinas aprenden por consenso, a partir de la experiencia reflejada en un historial de datos que constituye una base de conocimientos.
Una base de conocimientos no es más que una colección de eventos o casos de estudio que contienen las recomendaciones que un número considerable de expertos registró en el pasado, para dar solución a los diferentes problemas que tuvieron que enfrentar en su esfera de actividad. A fin de ilustrar este concepto, me di a la tarea de registrar en una hoja de Excel, las reparaciones que una serie de técnicos e ingenieros llevaron a cabo en los equipos electrónicos de algunos de sus clientes. Cada uno de esos aparatos presentaba diferentes síntomas, mismos que los expertos identificaron como principales responsables de su mal funcionamiento. ¿Qué nombre le pondría usted, querido lector, a esta base de conocimientos?
¿Que le parece Historial de Reparaciones?
Para ilustrar qué es y de qué se compone una base de conocimientos, en la hoja de cálculo adjunta muestro el aspecto que presenta un historial de reparaciones de hornos de microondas. Note cómo cada renglón de la tabla contiene las características de una reparación en particular, es decir, un registro dividido en varios segmentos o campos en los que aparece la marca del electrodoméstico en cuestión, el modelo, los síntomas que presentaba al momento de experimentar la falla, las acciones corrrectivas que tuvieron lugar para llevar a cabo la reparación, así como los componentes electrónicos que se cambiaron para completar el trabajo (pulse sobre las imágenes adjuntas para agrandarlas). Como se ve, a cada columna de la tabla le correspondió una característica de la reparación. El caso etiquetado con el No. 35 por ejemplo, estuvo caracterizado junto con otros 9 síntomas más, por un horno de la marca Samsung modelo RE-705TC que no calentaba bien, encendía y arrancaba normalmente, no producía arcos eléctricos en su interior y no desprendía olor a material eléctrico quemado (son 14 síntomas en total, de los cuales solo he mostrado 5 por razones de espacio y claridad en la exposición).
Note que la localización de la falla, las acciones correctivas y los componentes que hay que reemplazar para completar el trabajo, son los atributos que el especialista determina a la hora de reparar el aparato, y son éstos los que una máquina tendrá que determinar en casos posteriores, una vez que aprenda a reparar hornos de microondas a partir de ese mismo historial. ¿Pero cómo es que una máquina puede aprender a reparar hornos de microondas? Pues muy fácil, urgando en las experiencias pasadas para detectar las tendencias implícitas en esa base de conocimientos.
Las tendencias
Casi a diario oímos o vemos en la Internet que un suceso se ha convertido en tendencia porque se puso de moda en alguna de las redes sociales de mayor popularidad. Curiosamente, también el concepto estadístico de moda connota predominio o mayoría dentro de un conjunto de datos (derecha). Un video, un meme o cualesquier otra cosa que circule por una red social, se convierte en tendencia por el hecho de producir una gran cantidad de visitas o seguidores. Análogamente, para resolver un problema una máquina necesita consensuar, es decir, detectar tendencias en las opiniones de los expertos.
Pero antes de regresar a la base de conocimientos asociada a nuestro historial de reparaciones, explicaré con «manzanitas», lo que tendría que hacer una máquina para consensuar y merecer el calificativo de inteligente. Para ello, supongamos que nos han encomendado la tarea de clasificar a las frutas en diferentes grupos, en función de los siguientes cuatro atributos: color, forma, tamaño y sabor. De acuerdo con esto, supongo que ni usted ni yo tendríamos problemas para distinguir un plátano de una naranja, o una sandía de una manzana.
Si tuviéramos que clasificar una penca de plátanos machos, una de dominicos y otra de los del tipo tabasco, por descontado que a todos ellos los agruparíamos dentro de la categoría plátano. Lo mismo aplica para la categoría manzana, en donde las de California (las rojas), las Fuji y las Golden (las verdes), no tendrían por qué suscitar confusión. ¿Pero qué me dice si tuviera que clasificar una toronja en alguno de los grupos mencionados? ¿En qué categoría la ubicaría? ¿A qué se parece más una toronja: a un plátano, una manzana, una sandía o a una naranja? Sin duda, a una naranja.
Una máquina que nunca ha probado una toronja, la clasificaría atendiendo a las similitudes que va a encontrar entre ésta y el grupo de naranjas, basándose en las tendencias de sus atributos, es decir, en los valores que predominan (consenso) dentro de cada atributo. Así por ejemplo, la tendencia en el grupo de las manzanas está dada tanto por su forma como por su tamaño (la mayoría de las manzanas guardan mucha similitud tanto en su tamaño como en su forma, no así en su color); la tendencia en la sandía está representada por su tamaño, que sería el atributo que más la distingue de las demás frutas (ciertamente, hay sandías pequeñas; pero no tanto como una manzana o una naranja). Asimismo, existe un gran consenso en lo que toca a la forma del plátano (usted no va a encontrar manzanas, naranjas o sandías en forma de plátano). Esa es la tendencia del plátano.
Si usted no hubiera probado nunca una toronja, estaría en las mismas condiciones que una máquina, y no tendría por qué crear un grupo exclusivo para las toronjas, dado que éstas se parecen más a las naranjas que a los plátanos, las sandías y las manzanas. En este contexto, al igual que una máquina, usted clasificaría a una toronja en particular como naranja, comparando las tendencias de cada uno de los atributos de los grupos, con los atributos de la toronja, aun cuando en este caso desconociera su sabor (sabor=?).
La inteligencia artificial es deductiva y no conoce de sabores
Llegados a este punto, ya podemos aplicar el concepto de tendencia a nuestro historial de reparaciones electrónicas, para entender mejor cómo una máquina nos puede ayudar a reparar un horno de microondas. A reserva de que en mi próxima publicación de a conocer con qué herramienta de software vamos a implementar el sistema de aprendizaje de máquina que aquí estoy proponiendo, a continuación explico cómo es que la máquina localiza la falla en un equipo, y de qué manera sugiere tanto las acciones correctivas como los componentes que deben reemplazarse para que el equipo funcione.¿Se fijó usted cómo en el apartado anterior expresé el hecho de que cuando uno no conoce de antemano el valor de un atributo, coloca el signo de interrogación delante del signo de igualdad? (sabor=?).
Pues bien, de la misma manera en que en nuestra analogía de las frutas fuimos capaces de clasificar a la toronja en el grupo de las naranjas, a pesar de que ni la máquina ni usted conocían el sabor de la toronja, lo que nos corresponde hacer ahora es clasificar en diferentes grupos, las reparaciones con atributos afines, aunque no sepamos qué es lo que tiene el horno de microondas que nos toca reparar (ej. localización de la falla = ? y acción correctiva = ?).
Mediante esta analogía, espero resulte claro cómo las características de un equipo que se ha de reparar, van a presentar cierta similitud con las tendencias de los diferentes atributos que caracterizan a cada grupo de reparaciones, tal y como lo hicimos con las frutas. Aquí, la categoría de cada fruta es el análogo de un grupo de reparaciones muy parecidas entre sí. Y por si todo esto no fuera suficiente, considere, a modo de ejemplo, las siguientes tres analogías:
1) Plátanos vs. grupo de reparaciones No. 1, en donde la mayoría de los casos dentro de este grupo (tendencias) correspondieron a hornos de la marca General Electric que no calentaban y emitían un extraño ruido (atributo sonido normal=N en el historial de reparaciones). El consenso de opiniones en este grupo en lo que toca al componente que hay que reemplazar es el magnetrón (que equivale a la forma=curva del plátano).
2) Manzanas vs grupo de reparaciones caracterizado por las siguientes tendencias: al abrir la puerta se enciende la lámpara y se ponen en marcha el ventilador y el plato giratorio. La mayoría era marca Samsung (otra tendencia) y en casi todos los casos el problema se resolvió reemplazando un interruptor de puerta (switch door): un consenso que la máquina detectó al calcular la moda del atributo componente 2. Identifiquemos a este grupo con el no. 2.
3) Naranjas vs. grupo de reparaciones caracterizado por una marcada tendencia a no encender. Siendo este el caso, el problema se resolvería reemplazando el fusible de línea, por ser éste el consenso de opiniones de los expertos implicados en este grupo de reparaciones. Sea éste el grupo No. 3.
En la imagen de la izquierda muestro los atributos de un equipo que se pretende reparar y que corresponde al último renglón de la tabla, en donde ha quedado registrado un horno de la marca Daewoo que no calienta y que emite un ruido muy extraño durante su operación. El resto de sus síntomas son normales y se espera que una máquina ubique el lugar de la falla, las acciones correctivas que se deben efectuar, así como los componentes que hay que reemplazar para que el horno vuelva a calentar (pulse sobre la imagen de la derecha para que vea cómo al ingresar este último registro en la hoja de Excel, los valores de estos últimos campos son precisamente los que deseamos conocer, y es por eso que en cada atributo aparece una interrogación). Y como seguramente ya lo habrá adivinado, la maquina clasificó a este caso por resolver en el grupo No. 1, para el que es menester reemplazar el magnetrón a fin de que este horno en particular funcione nuevamente. Note cómo el horno a reparar no era precisamente un General Electric y sin embargo, al ser clasificado, heredó los atributos del grupo en el que a «juicio» de la máquina encajaba mejor. Como veremos en mi próxima publicación, en donde antes aparecía el signo ?, el registro asociado a esta reparación heredó los siguientes valores, por contener atributos muy parecidos a las tendencias de su grupo:
Localización de la falla=circuito de alto voltaje; acción correctiva1 = reemplazo de componente(s); acción correctiva2 = ninguna; componente1 = magnetrón; componente2 = componente3 = componente4 = componente5 = ninguno
¿Magia?, no, simplemente inteligencia artificial. De la misma manera en que la máquina concluyó que una toronja podía ser clasificada como una naranja sin conocer su sabor, y que igual supondría que un membrillo es una manzana, un nuevo caso de estudio se puede resolver encontrando el grupo de reparaciones en donde mejor encaja aquél.
Agradecimiento
Deseo hacer patente mi agradecimiento a mi amigo el Ing. Leonel Monroy del Río, por su interés en que este sitio y el de la Fundación Micromédix mejoraran, así como por las opiniones que tuvo a bien externar, para que unos temas tan intrincados como el aprendizaje de máquina (no supervisado) y la inteligencia artificial, pudieran quedar al alcance de cualquier ciudadano de a pie.
© Sergio López González. 30 de agosto de 2020