Aprendizaje supervisado frente a no supervisado

Aprendizaje supervisado vs. no supervisado; ¿cuál es mejor?

Los modelos de aprendizaje supervisados y no supervisados funcionan de maneras únicas para ayudar a las empresas a interactuar de mejor manera con sus consumidores.

La tecnología inteligente está en todas partes y se extiende a casi todos los aspectos de la vida diaria. Los consumidores esperan obtener más información y automatización con mayor rapidez, todo con solo hacer clic en un botón. Para mantenerse al día, las empresas deben seguir adaptando e implementando las tecnologías más recientes o asumir el riesgo de quedarse atrás.

El avance de la inteligencia artificial (IA) en las empresas ha exacerbado esta necesidad. Los sistemas de seguridad pueden convertir los escaneos de huellas digitales y rostros en datos biométricos para desbloquear puertas y teléfonos inteligentes. Los sistemas bancarios pueden detectar patrones de compra inusuales y enviar automáticamente un mensaje para que se realice una verificación humana de las transacciones. Los asistentes de voz de los teléfonos inteligentes utilizan el procesamiento de lenguaje natural para procesar audio y proporcionar respuestas a una amplia gama de solicitudes. Todas estas notables tecnologías se están volviendo cada vez más avanzadas mediante el uso de algoritmos de aprendizaje automático (ML).

El aprendizaje automático es un subconjunto de la IA. Más específicamente, es una aplicación de inteligencia artificial que les proporciona a los sistemas la capacidad de aprender y mejorar a partir de los datos. De la misma manera en la que los seres humanos aprendemos de las experiencias cotidianas, el ML mejora gradualmente las predicciones y la precisión en varias iteraciones. Para los modelos de ML, los datos de entrenamiento se proporcionan a partir de dispositivos de IoT, se recopilan de transacciones o se registran desde las redes sociales. Los algoritmos de ciencia de datos ayudan a filtrar, clasificar y agrupar la información en función de varios parámetros para estas máquinas. Con los datos procesados y combinados, el ML puede crear modelos que predigan determinados patrones de comportamiento humano con precisión e inicien las respuestas correspondientes.

Por ejemplo, cuando un cliente navega en línea para comprar su próximo teléfono celular y ha reducido sus opciones, el sitio le ofrece comparaciones con otros teléfonos o accesorios, de modo que el comprador puede comparar productos al mismo tiempo. Este modelo de respuesta se crea a partir de los datos que se procesaron a partir de compras similares anteriores, lo que permite que la máquina elabore un modelo que ayude a los clientes nuevos a tomar decisiones similares y fundamentadas.

El ML funciona en tres tipos de algoritmos: supervisado, no supervisado y reforzado. En el aprendizaje de refuerzo, las máquinas están entrenadas para crear una secuencia de decisiones. Hay una diferencia clave entre el aprendizaje supervisado y no supervisado. El aprendizaje supervisado utiliza conjuntos de datos etiquetados, mientras que el aprendizaje no supervisado usa conjuntos de datos no etiquetados. El término “etiquetado” significa que los datos ya están etiquetados con la respuesta correcta.

Aprendizaje supervisado

El enfoque de aprendizaje supervisado en el ML utiliza conjuntos de datos etiquetados que entrenan algoritmos para clasificar datos o predecir resultados con precisión. El modelo utiliza los datos etiquetados para medir la relevancia de las diferentes características a fin de mejorar gradualmente el ajuste del modelo al resultado conocido. El aprendizaje supervisado se puede agrupar en dos tipos fundamentales:

• Clasificación: un problema de clasificación utiliza algoritmos para clasificar datos en segmentos particulares. Un ejemplo cotidiano de esto es un algoritmo que ayuda a rechazar correo no deseado en una bandeja de entrada de correo electrónico principal o un algoritmo que le permite a un usuario bloquear o restringir a alguien en las redes sociales. Algunos algoritmos de clasificación comunes incluyen regresión logística, k vecinos más cercanos, bosque aleatorio, clasificador bayesiano simple, descenso de gradiente estocástico y árboles de decisión.
• Regresión: este es un método estadístico y de ML que utiliza algoritmos para medir la relación entre una variable dependiente y una o más variables independientes. Con los modelos de regresión, el usuario puede hacer predicciones de causa y efecto basadas en diversos puntos de datos. Por ejemplo, en una empresa, esto podría implicar predecir la trayectoria de crecimiento de los ingresos de publicidad. Algunos algoritmos de regresión comunes incluyen regresión de Ridge, Lasso, regresión de redes neuronales y regresión logística.

Aprendizaje no supervisado

Con el aprendizaje no supervisado, se utilizan algoritmos de ML para examinar y agrupar los conjuntos de datos no etiquetados. Dichos algoritmos pueden descubrir patrones desconocidos en los datos sin supervisión humana. Existen tres categorías principales de algoritmos:

• Agrupación de clústeres: según las similitudes o diferencias, los datos no etiquetados se clasifican mediante técnicas de agrupación de clústeres. Por ejemplo, si una empresa está trabajando en la segmentación de mercado, el algoritmo de agrupación de clústeres de K-medias asignará puntos de datos similares a los grupos que representan un conjunto de parámetros. Esto podría crear agrupaciones en función de la ubicación, los niveles de ingresos, la edad de los compradores o alguna otra variable.
• Asociación: si un usuario desea identificar las relaciones de las variables dentro de un conjunto de datos, usar el método de asociación de aprendizaje no supervisado es útil. Este es el método que se utiliza para crear el mensaje: “Otros clientes también vieron…” Es un método que se adapta perfectamente a los motores de recomendaciones. 15 clientes compraron un teléfono nuevo y también compraron los audífonos que lo complementan. Por lo tanto, los algoritmos recomiendan audífonos a todos los clientes que colocan un teléfono en su carro de compras.
• Reducción de dimensionalidad: a veces, un conjunto de datos tiene un conjunto de características inusualmente alto. La reducción de la dimensionalidad ayuda a acotar este número sin comprometer la integridad de los datos. Esta es una técnica que se utiliza comúnmente antes de procesar los datos. Un ejemplo de ello es la eliminación del ruido de una imagen para mejorar su claridad visual.

Diferencias entre el aprendizaje supervisado y no supervisado

Una vez que se comprenden los principios del aprendizaje supervisado y no supervisado, es fácil entender lo que los diferencia.

La distinción entre los conjuntos de datos etiquetados y no etiquetados es la diferencia clave entre ambos enfoques. El aprendizaje supervisado utiliza conjuntos de datos etiquetados para entrenar los algoritmos de clasificación o predicción. Cuando los datos de “entrenamiento” etiquetados están ingresados, el modelo ajusta iterativamente la forma en que pondera las diferentes características de los datos hasta que este se haya adaptado de manera adecuada al resultado deseado. Los modelos de aprendizaje supervisado son mucho más precisos que los de su contraparte. Sin embargo, requieren que los seres humanos participen en el procedimiento de procesamiento de datos para garantizar que las etiquetas asignadas a la información sean las adecuadas.

Un ejemplo de esto es que un modelo de aprendizaje supervisado puede predecir los tiempos de vuelo según las horas de mayor actividad en un aeropuerto, la congestión del tráfico aéreo y las condiciones climáticas (además de otros parámetros posibles). No obstante, los seres humanos tienen que intervenir para etiquetar los conjuntos de datos a fin de entrenar al modelo sobre cómo estos factores pueden afectar los horarios de vuelo. Un modelo supervisado depende de la capacidad de conocer el resultado para concluir que la nieve es un factor en los retrasos de los vuelos.

Por el contrario, los modelos de aprendizaje no supervisado funcionan sin interferencias humanas constantemente. Encuentran una estructura de clasificaciones y llegan a ella mediante datos no etiquetados. En este caso, la única ayuda humana que se necesita es para validar las variables de los resultados. Por ejemplo, cuando alguien compra una nueva computadora portátil en línea, un modelo de aprendizaje no supervisado determinará que la persona pertenece a un grupo de compradores que adquieren un conjunto de productos relacionados a la vez. Sin embargo, es la tarea de un analista de datos validar que un motor de recomendación ofrezca opciones para adquirir un bolso para computadora portátil, un protector de pantalla y un cargador para automóvil.

Resultados frente a insights

Los objetivos del aprendizaje supervisado y no supervisado son diferentes. Si bien el primero se trata de la predicción de resultados para los nuevos datos que se introducen, este último se trata de obtener nuevos insights a partir de grandes cantidades de datos nuevos. En el aprendizaje supervisado, un usuario sabrá qué resultados puede esperar, mientras que en el aprendizaje no supervisado espera descubrir algo nuevo y desconocido.

Diversas aplicaciones

Los modelos creados a partir del aprendizaje supervisado están perfectamente adaptados para ayudar con la detección de correo no deseado o el procesamiento de análisis de sentimiento. Estos modelos también se utilizan para acceder a información como la previsión del clima o la predicción de cambios en los precios. El aprendizaje no supervisado es perfectamente adecuado para buscar anomalías y valores atípicos de cualquier tipo. El aprendizaje supervisado funciona bien para aplicarlo a los motores de recomendaciones y comprender los perfiles de los clientes.

Complejidad variada

Cuando se trabaja con aprendizaje supervisado para la creación de modelos en el ML, las herramientas necesarias son bastante simples, a menudo programas como R o Python son suficientes. No obstante, el aprendizaje no supervisado requiere potencia computacional para trabajar con grandes cantidades de datos no etiquetados.

Desventajas del aprendizaje supervisado y no supervisado

Al igual que con cualquier tecnología, tanto los modelos de aprendizaje supervisado como los de aprendizaje no supervisado tienen sus desventajas.

El entrenamiento del aprendizaje supervisado puede tardar mucho tiempo y requiere experiencia humana para la validación de etiquetas, tanto para entradas como para salidas de datos. Trabajar en la clasificación de Big Data plantea enormes desafíos en el aprendizaje supervisado, pero una vez etiquetados, los resultados son confiables.

El aprendizaje no supervisado a veces produce resultados completamente erróneos, a menos que exista algún tipo de intervención humana para validar los resultados. Muy por el contrario al aprendizaje supervisado, el aprendizaje no supervisado puede trabajar con cualquier cantidad de datos en tiempo real; sin embargo, dado que la máquina se enseña a sí misma, la transparencia en la clasificación es menor. Esto aumenta las posibilidades de obtener resultados deficientes.

Elegir entre aprendizaje supervisado y no supervisado

¿Cómo determina una organización cuál es la mejor opción para ella? La respuesta subyace en el contexto exacto de sus requisitos y la manera en que los científicos de datos con los que trabaja evalúan y organizan la mayor parte de sus datos. Si una organización necesita implementar estructuras de procesamiento de datos, primero debe considerar los siguientes aspectos:

• Debe examinar los datos y evaluar si están etiquetados o no etiquetados.¿La organización tiene el tiempo y la experiencia interna para validar y etiquetar datos? ¿El resultado es siquiera conocido?
• ¿Cuáles son los objetivos que desea alcanzar la organización?¿Desea resolver un problema recurrente existente o le gustaría que el algoritmo descubriera y resolviera un problema desconocido?
• ¿Cuáles son las opciones de algoritmos?¿La organización tiene algoritmos de dimensionalidad idéntica que le permitan conocer los atributos de cada característica y cuántas características existen? ¿Puede determinar si estas características proporcionarán el soporte necesario a su volumen de datos y estructura?

La decisión de optar por enfoques de ML supervisados o no supervisados está sujeta al contexto, las suposiciones básicas a las que se puede llegar con los datos disponibles y su aplicación final. El uso de cualquiera de estos tipos puede cambiar con el tiempo a medida que cambian las necesidades de la organización.

Si bien una organización puede comenzar el entrenamiento con datos no etiquetados y, por lo tanto, utilizar el enfoque no supervisado, con el transcurso del tiempo, se identificarán las etiquetas correctas y la máquina podrá cambiar al aprendizaje supervisado. Esto puede ocurrir en varias etapas del proceso de etiquetado. Por otro lado, es posible que el enfoque de datos de aprendizaje supervisado no proporcione los insights necesarios, mientras que el aprendizaje no supervisado puede descubrir patrones desconocidos y ofrecer insights más profundos de los mecanismos empresariales.

Primeros pasos del aprendizaje automático

Muchas organizaciones simplemente no están utilizando el ML para obtener el máximo provecho. Alteryx Machine Learning Platform^™ es una potente herramienta sin código y de código simple que automatiza el procesamiento de datos para ayudarte a implementar modelos supervisados y no supervisados. Crea modelos de ML complejos de forma fácil y rápida para resolver problemas empresariales de gran dificultad. Comienza hoy mismo y convierte tu Big Data en insights y predicciones accionables.