Autores: Erik Cuevas y Alma Rodríguez
El aprendizaje supervisado [1] es una forma de enseñar a las computadoras a reconocer patrones utilizando ejemplos. Funciona de manera parecida a cuando un estudiante aprende con la ayuda de un maestro: primero se le muestran muchos ejemplos de entrada junto con la respuesta correcta, y poco a poco va aprendiendo a asociar una con la otra. Por ejemplo, si queremos que un programa distinga entre fotos de gatos y perros, le damos miles de imágenes ya etiquetadas con “gato” o “perro”. Con esa información, el sistema aprende a reconocer las características que diferencian a cada uno y, después de entrenarse, puede analizar una nueva foto y predecir si muestra un gato o un perro. En resumen, el aprendizaje supervisado consiste en aprender a partir de ejemplos para poder hacer predicciones sobre casos nuevos. La figura 1 muestra una ilustración de este tipo de aprendizaje.
Fig. 1. ilustración del aprendizaje supervisado.
El aprendizaje supervisado, no supervisado y reforzado son tres formas distintas de enseñar a una computadora [2]. En el aprendizaje supervisado, el sistema aprende a partir de ejemplos con respuesta correcta, como cuando un maestro corrige las tareas de un alumno. En el no supervisado, no se dan respuestas, solo datos sin etiquetas, y la computadora debe descubrir por sí misma patrones ocultos, como agrupar clientes con gustos parecidos sin que nadie le diga quiénes son. Por último, en el aprendizaje reforzado, el sistema aprende mediante ensayo y error, recibiendo recompensas o castigos según sus acciones, muy parecido a entrenar a una mascota: se le premia cuando hace algo bien y se le corrige cuando se equivoca.
El aprendizaje supervisado se utiliza en muchas aplicaciones que encontramos en la vida diaria. Por ejemplo, permite que los filtros de correo electrónico identifiquen automáticamente los mensajes de “spam”, que los sistemas de reconocimiento de voz entiendan lo que decimos, o que los programas de reconocimiento facial distingan a una persona en una foto. También se aplica en medicina, ayudando a los doctores a detectar enfermedades a partir de imágenes médicas, y en finanzas, para predecir si una persona es buen candidato a un crédito. En pocas palabras, siempre que se necesita predecir o clasificar algo a partir de ejemplos previos, el aprendizaje supervisado es una herramienta muy útil. La Figura 2 muestra una ilustración de las aplicaciones del aprendizaje supervisado.
Fig. 2. Ilustración de las aplicaciones del aprendizaje supervisado.
Aunque el aprendizaje supervisado es muy poderoso, también tiene algunas desventajas frente a otros tipos de aprendizaje. La principal es que necesita una gran cantidad de ejemplos ya resueltos o “etiquetados”, lo cual puede ser costoso y tardado de obtener, sobre todo en áreas como la medicina donde cada dato debe ser revisado por expertos [3]. Además, si los ejemplos contienen errores o están desequilibrados, el sistema puede aprender de manera incorrecta. Otra limitación es que este tipo de aprendizaje suele ser menos flexible para descubrir patrones nuevos por sí mismo, a diferencia del aprendizaje no supervisado, o para adaptarse mediante prueba y error como lo hace el aprendizaje reforzado.
Se espera que el futuro del aprendizaje supervisado esté marcado por su integración con otros enfoques de inteligencia artificial para hacerlo más eficiente y versátil. Cada vez más, se buscan formas de reducir la necesidad de enormes cantidades de datos etiquetados, ya sea combinando este método con aprendizaje no supervisado o con técnicas que permitan a las computadoras aprender de menos ejemplos [4]. También se predice que el aprendizaje supervisado tendrá un papel clave en aplicaciones más avanzadas, como la medicina personalizada, los vehículos autónomos o los asistentes inteligentes, donde la precisión y la capacidad de adaptación son fundamentales. En general, su evolución apunta a sistemas más rápidos, accesibles y capaces de resolver problemas cada vez más complejos.
Referencias
[1] Nguyen Cong, B., Rivero Pérez, J. L., & Morell, C. (2015). Aprendizaje supervisado de funciones de distancia: estado del arte. Revista Cubana de Ciencias Informáticas, 9(2), 14-28.
[2] Barrionuevo, C., Ierache, J. S., & Sattolo, I. I. (2020). Reconocimiento de emociones a través de expresiones faciales con el empleo de aprendizaje supervisado aplicando regresión logística. In XXVI Congreso Argentino de Ciencias de la Computación (CACIC)(Modalidad virtual, 5 al 9 de octubre de 2020).
[3] Cordero-Torres, B. P. (2022). Algoritmos de Aprendizaje Supervisado para Proyección de Ventas de Camarón Ecuatoriano con Lenguaje de Programación Python. Economía y Negocios, 13(2), 30-51.
[4] Dueñas Quesada, J. M. (2020). Aplicación de técnicas de machine learning a la ciberseguridad: Aprendizaje supervisado para la detección de amenazas web mediante clasificación basada en árboles de decisión.
