En los \u00faltimos 20 a\u00f1os aproximadamente, muchos de los avances clave de la investigaci\u00f3n en inteligencia artificial se han materializado gracias al aprendizaje autom\u00e1tico, con el cual los ordenadores aprenden a realizar predicciones mediante la estrategia de buscar patrones dentro de grandes conjuntos de datos con los que entrenarse.<\/p>\n
Un nuevo enfoque llamado programaci\u00f3n probabil\u00edstica hace que sea mucho m\u00e1s f\u00e1cil construir un sistema de aprendizaje autom\u00e1tico, pero s\u00f3lo es \u00fatil para un conjunto de problemas relativamente peque\u00f1o. Ahora, unos investigadores del MIT han descubierto c\u00f3mo extender el enfoque a una clase de problemas mucho m\u00e1s grande, con implicaciones para temas tan diversos como la ciencia cognitiva, el an\u00e1lisis financiero y la epidemiolog\u00eda.<\/span><\/p>\n Hist\u00f3ricamente, construir un sistema de aprendizaje autom\u00e1tico capaz de aprender una nueva tarea le suele llevar a un estudiante de postgrado desde algunas semanas hasta varios meses. Un conjunto de nuevos lenguajes de programaci\u00f3n probabil\u00edsticos y experimentales, uno de los cuales, Church, fue desarrollado en el MIT, promete acortar ese tiempo hasta un mero lapso de algunas horas<\/span>.<\/p>\n En el coraz\u00f3n de cada uno de estos nuevos lenguajes est\u00e1 un algoritmo de inferencia<\/span>, que indica al sistema de aprendizaje autom\u00e1tico c\u00f3mo llegar a conclusiones a partir de los datos presentados. El car\u00e1cter generalista de estos algoritmos de inferencia es lo que confiere potencia a los lenguajes: El mismo algoritmo tiene que ser capaz de guiar un sistema que est\u00e9 aprendiendo a reconocer objetos en im\u00e1genes digitales, o a filtrar correo spam, o a recomendar pel\u00edculas en DVD bas\u00e1ndose en las alquiladas en ocasiones anteriores, o a realizar cualquier otra cosa que se le pueda pedir a un programa de inteligencia artificial.<\/p>\n Los algoritmos de inferencia utilizados actualmente en la programaci\u00f3n probabil\u00edstica dan buenos resultados manejando datos del tipo que en matem\u00e1ticas reciben el nombre de Datos Discretos, pero les resulta dif\u00edcil trabajar con informaci\u00f3n m\u00e1s compleja, del tipo que en matem\u00e1ticas se conoce como Datos Continuos.<\/p>\n Por lo tanto, los dise\u00f1adores de lenguajes de programaci\u00f3n probabil\u00edsticos tienen mucho inter\u00e9s en saber si es posible dise\u00f1ar un algoritmo de inferencia de utilidad general que pueda manipular datos continuos. Desafortunadamente, la respuesta parece ser No.<\/p>\n Sin embargo, tambi\u00e9n hay buenas noticias: Daniel Roy y Cameron Freer, del MIT, han demostrado que existen grandes clases de problemas en los que intervienen datos continuos que son susceptibles de ser debidamente procesados mediante una soluci\u00f3n general. Adem\u00e1s, estos investigadores han descrito un algoritmo de inferencia que puede tratarlos. Un lenguaje de programaci\u00f3n probabil\u00edstico con el nuevo algoritmo incorporado facilitar\u00eda el r\u00e1pido desarrollo de una variedad mucho mayor de sistemas de aprendizaje autom\u00e1tico.<\/p>\n","protected":false},"excerpt":{"rendered":" En los \u00faltimos 20 a\u00f1os aproximadamente, muchos de los avances clave de la investigaci\u00f3n en inteligencia artificial se han materializado gracias al aprendizaje autom\u00e1tico, con el cual los ordenadores aprenden a realizar predicciones mediante la estrategia de buscar patrones dentro de grandes conjuntos de datos con los que entrenarse. Un nuevo enfoque llamado programaci\u00f3n probabil\u00edstica […]<\/p>\n","protected":false},"author":1339,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[7252],"tags":[],"class_list":["post-52","post","type-post","status-publish","format-standard","hentry","category-computacioninformatica"],"_links":{"self":[{"href":"https:\/\/blogs.ua.es\/msalldelalgica\/wp-json\/wp\/v2\/posts\/52","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blogs.ua.es\/msalldelalgica\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blogs.ua.es\/msalldelalgica\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blogs.ua.es\/msalldelalgica\/wp-json\/wp\/v2\/users\/1339"}],"replies":[{"embeddable":true,"href":"https:\/\/blogs.ua.es\/msalldelalgica\/wp-json\/wp\/v2\/comments?post=52"}],"version-history":[{"count":4,"href":"https:\/\/blogs.ua.es\/msalldelalgica\/wp-json\/wp\/v2\/posts\/52\/revisions"}],"predecessor-version":[{"id":56,"href":"https:\/\/blogs.ua.es\/msalldelalgica\/wp-json\/wp\/v2\/posts\/52\/revisions\/56"}],"wp:attachment":[{"href":"https:\/\/blogs.ua.es\/msalldelalgica\/wp-json\/wp\/v2\/media?parent=52"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blogs.ua.es\/msalldelalgica\/wp-json\/wp\/v2\/categories?post=52"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blogs.ua.es\/msalldelalgica\/wp-json\/wp\/v2\/tags?post=52"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}