Seguritecnia 493

/ Enero-Febrero 2022 176 Artículo Técnico miento y datasets de validación. Esto requiere que los posibles resultados de aplicar el algoritmo sean conoci- dos y estén contemplados dentro del dataset y que este tenga los posibles resultados etiquetados correctamente. 2. Unsupervised Learning , donde un al- goritmo busca patrones en conjuntos de datos. En este tipo de aprendizaje los datos no están anotados o etique- tados, por lo que estos algoritmos se suelen utilizar cuando no hay res- puestas correctas claras. El clustering es uno de los métodos más usados del aprendizaje no supervisado. Por ejemplo, en la analogía del bebé que está aprendiendo, el bebé no tiene da- tos previamente obtenidos de lo que está bien o está mal. El bebé puede darse cuenta de que los melocotones y los higos son dulces porque perci- be un sabor parecido en su paladar, y agrupar mentalmente los alimentos dulces, igual que podría hacer con los salados. Aplicado a los negocios, esto puede traducirse, por ejemplo, en buscar patrones de compra en los consumidores, donde no hay resulta- do correcto o incorrecto. 3. Semi-supervised Learning , que es una mezcla de los dos anteriores. En este caso, los datos pueden estar in- completos o no ser precisos, por lo que no siempre podrá hacer un apren- dizaje como el del Supervised Lear- ning en base a un conjunto de datos correctamente anotado. Lo hará en la medida de lo posible y a la vez tendrá que usar un enfoque como el de Unsu- pervised Learning , buscando patrones para poder tomar la mejor decisión con los datos disponibles. 4. Reinforcement Learning , que utiliza sistemas de recompensa y castigo para entrenar a una máquina. Esto lo hace en base a los resultados co- rrectos o incorrectos de las acciones Nos queda entonces por saber qué hay dentro de la IA que queda fuera del Machine Learning . Aquí tendríamos una IA más básica, que utilicemos para re- solver u optimizar problemas de manera generalmente matemática. Por ejemplo: un algoritmo que resuelve sudokus es una forma de IA básica. No aprende, sino que sabe exactamente qué condiciones ha de cumplir cada número que ponga en el sudoku para que sea correcto, y lo que tiene que hacer es probar las diferen- tes combinaciones que le den el sudoku completo. Aplicado a un problema de una empresa real, podemos pensar en operadores logísticos que utilicen el algo- ritmo de Dijkstra para optimizar sus rutas de distribución 4 , pues no deja de ser un problema matemático de optimización. Machine Learning El Machine Learning (en adelante ML) es el tipo más común de IA. Permite a una máquina aprender y mejorar sus accio- nes en base a datos, sin ser específica- mente programada para ello. Hay cuatro tipos de ML: 1. Supervised Learning , donde las má- quinas aprenden de datos anotados. Para ello, hay datasets de entrena- neral. La específica es aquella en la que un sistema se dedica a ejecutar accio- nes para resolver un problema concreto, pero no sabe nada más allá de ese pro- blema concreto. El reconocimiento fa- cial, tan presente en las conversaciones del sector de las seguridad, es un tipo de IA específica, pues se dedica únicamen- te a encontrar caras que coincidan con otras caras. Lo mismo podemos decir de casi cualquier analítica de vídeo del sector de la seguridad, pues están orien- tadas a detectar algún tipo de objeto, persona o evento. La IA general es aquella que busca dotar a la máquina de una capacidad de razonamiento similar a la de un huma- no. Para saber si una IA es general, po- demos hacer diferentes tests, siendo el más conocido el Test de Turing, creado por Alan Turing en 1950. Dicho esto, hay otros términos que nos pueden llevar a confusión, como son Machine Learning y Deep Learning . Estas son subáreas de la IA. El Machine Learning es una subárea de la IA, mien- tras que el Deep Learning es una subá- rea del Machine Learning . La figura de abajo nos lo muestra gráficamente en un diagrama de Venn 3 . Diagrama de Venn, que muestra las subáreas de la Inteligencia Artificial.