Inteligencia artificial(II)

Los sistemas de ML pueden clasificarse según el tipo de supervisión que tengan.

El aprendizaje supervisado incluye las soluciones deseadas, denominadas etiquetas(labels) en el conjunto de entrenamiento.

Un ejemplo típico de aprendizaje supervisado consiste en la «clasificación», por ejemplo , si el algoritmo trata de clasificar una serie de mediciones de un equipo en dos estados posibles, averia o normalidad.

Otra tarea frecuente es la de predecir un valor numérico, por ejemplo, la potencia absorbida en kilowatios de un equipo. Este tipo de tareas se llama «regresión». El conjunto de valores o características de entrada del algoritmo, o predictores, suelen ser múltiples pero también pueden existir múltiples valores de salida, por ejemplo cuando un mismo algoritmo con los mismos inputs de entrada nos proporciona dos salidas, la potencia absorbida y la presión de impulsión del sistema. En este caso se trataría de un algoritmo de regresión supervisada multisalida.

Algunos algoritmos de aprendizaje supervisado son:

  • -K vecinos más cercanos
  • -Regresión lineal
  • -Regresión logística
  • -Máquinas de vectores soporte
  • -Arboles de decisión
  • -Redes neuronales

En el aprendizaje no supervisado la diferencia reside en que no existen etiquetas y por tanto los datos de entrenamiento solo contienen los inputs, no los outputs a predecir.

Dentro de este tipo de algoritmos existen diferentes enfoques como son los métodos de agrupamiento( ej: K-Medias,…), visualización y reducción de dimesionalidad(ej: PCA,…) o reglas de asociación( ej:Apriori,…)

La reducción de dimensionalidad también se puede usar en los sistemas supervisados cuando fusionamos o transformamos varias entradas en una, donde el objetivo es simplificar los datos sin perder información valiosa. Por ejemplo, dependiendo del caso pueden existir contextos donde podemos simplificar un modelo sustituyendo las presiones de inpulsión y aspiración por otra que sea presión diferencial , consiguiendo pasar de dos variables a una sin perder información por el camino.Siempre que se pueda hay que evitar características de entrada redundantes que solo pueden generar «ruido» y costo computacional en el entrenamiento.

Existen también sistemas semisupervisados , se usan cuando no podemos etiquetar todas las instancias , usando ambos tipos de algoritmos, supervisados y no supervisados . Un ejemplo típico es el de etiquetar fotos: algoritmos de agrupamiento, no supervisados, pueden ser capaces de detectar patrones , por ejemplo detectar tu imagen en fotos.Pero no saben realmente quien eres , solamente que una imagen parecida a la tuya tiene mucha probabilidades de que seas tú en diversas fotografías. Si les añades como etiqueta tu nombre( parte supervisada) la siguiente vez será capaz de saber usando tu nombre, y por tanto sabiendo quien eres, en que fotos estás, por ejemplo mediante un buscador.

El aprendizaje por refuerzo es bastante diferente. Se utiliza sobretodo en robótica, cuando un sistema de aprendizaje llamado «agente» puede interaccionar con el entorno y realizar acciones, que tienen una recompensa en forma de premios y castigos( puntuaciones positivas o negativas). El algoritmo está programado para obtener la mayor puntuación y debe aprender la estrategia que lo lleva a cabo mediante los refuerzos o penalizaciones.

Enerlogix ha trabajado y estudiado múltiples algoritmos de ML, cada uno con sus características, (hiper)parámetros internos .

Nuestra orientación es la eficiencia energética, desde la acción a través del control , y esto delimita y acota también el tipo de algoritmo y enfoque a usar para resolver los problemas que nos podemos encontrar desde el punto de vista predictivo y optimitativo.