El Aprendizaje automático permite producir modelos que analizan datos más grandes con resultados rápidos y precisos: Milagrosa Aldana

En palabras de la doctora Aldana, el ser humano es la “máquina” más perfecta; es decir tiene un pensamiento que incluye parte biológica, lógica, razonal y sentimental, pero su problema es que se puede cansar y no maneja la cantidad de datos del Big Data

“La naturaleza del ser humano es que cuando se genera un problema primero trata de comprenderlo y para hacerlo considera los datos disponibles, los analiza, establece una hipótesis, selecciona un modelo, lo prueba y evalúa, todo eso lo hace sin darse cuenta. Lo que se busca ahora es que las máquinas realicen este proceso”, aseguró Milagrosa Aldana, profesora titular en la Universidad Simón Bolívar, en Caracas, Venezuela, al impartir la conferencia Aprendizaje automático, estadística y métodos no lineales en geofísica.

La sesión, transmitida en vivo el 23 de marzo por las plataformas digitales de El Colegio Nacional, forma parte del ciclo Universidades por la ciencia, que coordina el colegiado Jaime Urrutia Fucugauchi, junto a un distinguido grupo de acdémicos. La doctora en física agregó que la idea de que las máquinas comprendan un problema, consideren todos los datos, planteen una hipótesis, seleccionen un modelo, lo evalúen, desplieguen y den seguimiento de mejora de forma automática y casi sin intervención humana, es posible y se conoce como aprendizaje automático o Machine Learning (ML), disciplina dentro del campo de la inteligencia artificial que automatiza la construcción de modelos analíticos.

“El aprendizaje automático se basa en la idea de que los sistemas, a través de algoritmos, pueden aprender de datos, identificar patrones y tomar decisiones con mínima intervención humana y de forma autónoma, sin necesidad de ser expresamente programados para ello.” Este término se utilizó por primera vez en 1959, pero en 1940 se sentaron las bases de la programación automática con la primera computadora. Adicionalmente, entre 1950 y 1960 se investigó cómo aplicar la biología de las redes neuronales del cerebro humano para crear las primeras máquinas inteligentes.

En palabras de la física, Machine Learning ha ganado relevancia en los últimos años debido al aumento de la capacidad de computación y al boom de los datos. “El ser humano es la ‘máquina’ más perfecta, es decir tiene un pensamiento que incluye parte biológica, lógica, razonal y sentimental, pero el problema es que se puede cansar y no maneja tal cantidad de datos. Las técnicas de aprendizaje automático son una parte fundamental del Big Data”.

El ML está asociado a las respuestas inteligentes de aplicaciones como Gmail o el habla de Siri y Alexa. Incluso Google, YouTube, Amazon, Netflix, Spotify o Facebook usan Machine Learning para personalizar las recomendaciones, se aplica para hacer un análisis estadístico y predictivo e identificar patrones de los datos del usuario, ajustándolos en términos de los cambios que realiza en sus visitas.

Lo anterior significa que es posible producir modelos de manera rápida y automática que puedan analizar datos más grandes y complejos y producir resultados más rápidos y precisos. “Con la construcción de modelos precisos es posible caracterizar con más detalle un sistema, por ejemplo, en Geofísica Petrolera se pueden identificar de manera certera oportunidades exploratorias y evitar perforaciones no exitosas”.

El aprendizaje automático maneja algoritmos que se dividen en: aprendizaje supervisado y no supervisado. El primero es cuando la máquina realiza una acción de forma controlada, las personas le dan las entradas y las salidas deseadas; el segundo se refiere al reconocimiento de patrones por parte de la máquina sin que los humanos le digan qué hacer. “El ser humano es el que mejor reconoce patrones. Muchos de los algoritmos están ‘bioinspirados’, es decir, se crearon a partir de elementos como las redes neuronales; otros se basan en la lógica humana y en procesos evolutivos como la ley de supervivencia del más fuerte.”

Las aplicaciones de Machine Learning con técnicas de estadística y no lineales en geofísica utilizan algoritmos netamente estadísticos, por ejemplo, el agrupamiento bietápico, que se utiliza en el análisis de datos espectrales y magnéticos para caracterizar, en superficie, la migración de hidrocarburos; se encuentran también los algoritmos inspirados en las redes neuronales no supervisadas, aplicados en la identificación de patrones de datos sísmicos; y en redes neuronales supervisadas y lógica difusa, que ayudan en la caracterización de un vertedero combinando datos geoeléctricos y concentraciones de metano, ayudan a identificar un problema ambiental.

“Si combinamos el funcionamiento del cerebro con una computadora, podemos tener técnicas de inteligencia artificial capaces de manejar grandes cantidades de datos. Puedo generar modelos que puedan describir con mayor detalle lo que está ocurriendo. Pero hay algo muy importante: tratar de imitar al cerebro humano y tratar de integrarlo a una computadora no es lo que va a llevar a la respuesta de un sistema, la respuesta a la interpretación”.

De acuerdo con la científica venezolana, si el ser humano no introduce la física pegada a la lógica, es decir la geofísica y la geología, se puede obtener una solución que es estadísticamente fantástica, pero que realmente no tiene ningún sentido desde el punto de vista físico, y ahí la intervención humana es absolutamente necesaria. “Creo que es por eso que las computadoras no van a sustituirnos, porque en cualquier tipo de problema se necesita un analista de datos científicos, se necesita un experto de campo de trabajo. Se requiere en este caso un geofísico o geólogo que diga qué características son las que se están obteniendo, si tienen sentido o no.”

Milagrosa Aldana realiza una estadía de investigación en la Universidad de Vigo, España, donde aplica técnicas de aprendizaje automático, estadística y métodos no lineales a una caracterización de muestras tomadas en suelos de España y Venezuela; durante su participación hizo énfasis en que “lo ideal sería que muchos de los que se están preparando en la universidad estén familiarizados con estas técnicas y les sirvan para que puedan obtener algún tipo de resultado interesante”.

Fuente: El Colegio Nacional