Adaptive Machine learning, o cómo analizar la volatilidad del entorno

El entorno está en constante cambio. Aunque  pensemos que es inmutable, que los datos que recabamos sobre personas y ambiente apenas cambia, lo cierto es que nada más lejos de la realidad. Hay datos que varían de tal manera que las predicciones hechas con técnicas de Machine learning se quedan obsoletas. ¿Por qué?

En la última curva de tendencias de Gartner, una de las tecnologías que tendrán mayor auge en los próximos años será el Adaptive Machine learning, o lo que es lo mismo, aprendizaje automático adaptativo. Esta tecnología proporciona la capacidad de volver a entrenar con frecuencia los modelos de machine learning cuando los datos están online y en tiempo real. Esta capacidad permite a los modelos de machine learning adaptarse a las circunstancias de un mundo en constante cambio.

Gracias a esta capacidad de adaptación al entorno, esta tecnología es particularmente útil si queremos entrenar coches autónomos. Estos coches han de ser capaces de incorporar nuevos datos en tiempo real, analizarlos y tomar decisiones basados en esos datos.

Sin embargo, su uso puede ir más allá de los coches autónomos (a los que Gartner le da más de 10 años antes de que podamos ver uno). El aprendizaje automático adaptativo en tiempo real requiere un aprendizaje de refuerzo eficiente (reinforcement learning), es decir, cómo un algoritmo debe interactuar continuamente con su entorno para maximizar su recompensa. Estos algoritmos funcionarían para la agricultura, el marketing online, las smart cities o incluso las entidades financieras o cualquier industria que utilice IoT.

En estos entornos cambiantes, no es posible coger la gran cantidad de datos que se generan, ordenarlos, cualificarlos y entrenar un modelo de machine learning “tradicional” ya que éste debe de reentrenarse y tomar decisiones en tiempo real.

Una idea de los años 50

Aunque pueda sonar muy novedoso lo cierto es que fue en los años 50 del pasado siglo cuando B.F. Skinner desarrolló una máquina de enseñanza centrada en el desarrollo de habilidades que se vieran incrementadas. La idea era controlar el progreso estudiantil en la enseñanza programada. La máquina adaptó las preguntas presentadas en base a las respuestas acertadas anteriormente y proporcionó a los estudiantes la capacidad de ir aprendiendo a su propio ritmo.

No fue hasta la década de 1970 cuando esta idea se empezó a desarrollar en el campo de la inteligencia artificial. Pero como todo en aquella época, más que no poder llevar a cabo el desarrollo del aprendizaje automático adaptativo lo que realmente frenó su avance fue la falta de capacidad de computación, captura y almacenamiento  de los datos. Simplemente, no estábamos preparados.

A pesar de ello, el aprendizaje automático adaptativo no murió allí. En las siguientes décadas estas tecnologías se volvieron más ágiles, escalables y fáciles de usar aunque no fueron muy utilizadas.

Hoy en día existen multitud de campos en los que el uso de adaptive machine learning puede ser utilizado, más allá del coche autónomo y algún que otro robot. En el campo de las finanzas, esta tecnología está permitiendo incorporar datos online para, por ejemplo, ver cómo evolucionan las bolsas.  También está siendo utilizado para la predicción de la localización (muy útil para los coches autónomos), publicidad programática mejorando las apuestas o en el campo de los seguros.

Según Gartner, adaptive machine learning sigue siendo un reto ya que habrá que tener en cuenta aspectos como la privacidad, cuestiones éticas, y seguridad en todos aquellos sistemas basados en autoaprendizaje  y autonomía. Las compañías, por su parte, emplearán este aprendizaje para impulsar de manera continua la toma de decisiones autónomas e inteligentes.

Esto último no quiere decir que se tenga que cambiar las metodologías actuales basadas en machine learning, ya que, una vez entrenados los algoritmos offline, el aprendizaje adaptativo permite mejorar, contextualizar y personalizar aún más los modelos de machine learning existentes.