Derribando mitos sobre el machine learning
La creciente importancia de la Inteligencia Artificial y del Machine Learning en la actualidad han comportado que muchas veces se sobreestime las capacidades de estas tecnologías.
Machine Learning vs Inteligencia Artificial
Para empezar, los términos en sí son frecuentemente confundidos por el público general. Por un lado, la Inteligencia Artificial (en adelante, “IA”) es el conjunto de tecnologías que pretende imitar las capacidades del razonamiento humano. Mediante este sistema, se han llegado a soluciones muy eficientes de muchos ámbitos distintos, desde el tratamiento de enfermedades crónicas, la lucha contra el cambio climático o bien la anticipación de amenazas de ciberseguridad, por citar algunos ejemplos. Por otro lado, el Machine Learning (o “aprendizaje automático”, en adelante “ML”) es en realidad una rama específica de la IA, aplicada a la resolución de unos problemas específicos (por ejemplo, de clasificación, predicción, etc.).
Y es que no es solo el concepto en sí mismo el que genera confusión. Son varios los mitos que se han ido generando acerca el funcionamiento del ML.
Los mitos del Machine Learning
A continuación, exponemos algunos de ellos.
En primer lugar, el ML es un sistema que no tiene predefinidas unas instrucciones, sino que va entrenando de forma autónoma creando unas correlaciones de entre un conjunto de datos. Con estas correlaciones genera unos patrones para conseguir un resultado. El ML es eficiente en la búsqueda de estas correlaciones, pero esto es diferente de tener capacidad analítica para ir más allá y de establecer una relación causal. El típico error es pensar que estas correlaciones implican causalidad, cuando en realidad se trata de dos hechos distintos.
Otra creencia frecuente es pensar que los sistemas de ML están sujetos a menos sesgos que los propios humanos. Y es que de hecho los sistemas de ML funcionan con datos que fueron seleccionados por humanos, por lo que están sujetos a diferentes tipos de sesgos. Algunos de estos sesgos incluyen su capacidad limitada para adaptarse a los cambios o su inflexibilidad ante circunstancias imprevistas.
El Machine Learning es una rama específica de la IA, aplicada a la resolución de unos problemas específicos.
Asimismo, se cree que para el desarrollo del sistema Machine learning se requieren grandes repositorios de datos o conjuntos de datos de diferentes fuentes (“cuantos más datos y más variados mejor”). En realidad, hay algunos sistemas de ML como el aprendizaje federado que no requieren compartir datos de entrenamiento. En muchas ocasiones, es más eficiente utilizar menos datos pero que cumplan umbrales de precisión y representatividad.
Otro típico error es pensar que la transparencia en ML viola la propiedad intelectual y no es entendida por el usuario. Y es que la realidad es que es posible proporcionar una transparencia significativa a los usuarios de IA sin dañar la propiedad intelectual, por ejemplo, describiendo las limitaciones del sistema, o los riesgos que supone para los derechos y libertades.
Delvy
En definitiva, estas falsas creencias son solo algunos ejemplos que ponen de manifiesto la falta de conocimiento acerca los datos tratados por la IA y el Machine Learning. En este sentido, es de vital importancia implementar estas tecnologías de acuerdo con los valores de la UE, los principios de protección de datos y el total respeto a las personas. En Delvy somos conscientes de ello, por lo que ya ofrecemos medidas de seguridad que permiten combatir estos problemas. Si estás interesado en obtener protección legal sobre los datos que trata tu entidad, así como los derechos de propiedad intelectual e industrial, no dudes en ponerte en contacto mediante nuestro formulario de contacto.
Fuente: Los 10 malentendidos sobre el machine learning. Agencia Española de Protección de Datos (AEPD) (20.09.2022)
