Aprendizaje predictivo

El aprendizaje predictivo es una técnica de aprendizaje automático en la que se introducen nuevos datos en un modelo de inteligencia artificial para desarrollar una comprensión de su entorno, capacidades y limitaciones. Los campos de la neurociencia , los negocios , la robótica , la visión artificial y otros campos emplean esta técnica ampliamente. Este concepto fue desarrollado y ampliado por el científico informático francés Yann LeCun en 1988 durante su carrera en Bell Labs , donde entrenó modelos para detectar la escritura a mano para que las empresas financieras pudieran automatizar el procesamiento de cheques. ^[1]

El fundamento matemático del aprendizaje predictivo se remonta al siglo XVII, cuando la compañía de seguros británica Lloyd's utilizó modelos de análisis predictivo para obtener ganancias. ^[2] Este concepto, que comenzó como un concepto matemático, amplió las posibilidades de la inteligencia artificial. El aprendizaje predictivo es un intento de aprender con un mínimo de estructura mental preexistente. Se inspiró en el relato de Piaget sobre los niños que construyen conocimiento del mundo a través de la interacción. El libro de Gary Drescher 'Made-up Minds' fue crucial para el desarrollo de este concepto. ^[3]

La idea de que el cerebro utiliza las predicciones y la inferencia inconsciente para construir un modelo del mundo en el que puede identificar las causas de las percepciones se remonta a la iteración de este estudio por parte de Hermann von Helmholtz . Esas ideas se retomaron posteriormente en el campo de la codificación predictiva . Otra teoría relacionada con el aprendizaje predictivo es el marco de predicción de la memoria de Jeff Hawkins , que se expone en su libro On Intelligence .

De manera similar al aprendizaje automático, el aprendizaje predictivo tiene como objetivo extrapolar el valor de una variable dependiente desconocida y , dados los datos de entrada independientes x = (x ₁ , x ₂ , … , x _n ) . Un conjunto de atributos se puede clasificar en datos categóricos (factores inmensurables como raza, sexo o afiliación) y datos numéricos (valores mensurables como temperatura, ingresos anuales y velocidad promedio). Cada conjunto de valores de entrada se introduce en una red neuronal para predecir un valor y . Para predecir el resultado con precisión, los pesos de la red neuronal (que representan cuánto afecta cada variable predictora al resultado) deben ajustarse de forma incremental utilizando el descenso de gradiente estocástico para hacer estimaciones más cercanas a los datos reales.

Una vez que un modelo de aprendizaje automático recibe suficientes ajustes y entrenamiento para predecir valores más cercanos a los valores reales, debería ser capaz de predecir correctamente los resultados de los nuevos datos con poco error ε (generalmente ε < 0,001 ) en comparación con los datos reales.

Para garantizar la máxima precisión de un modelo de aprendizaje predictivo, los valores previstos ŷ = F(x) , comparados con los valores reales y, no deben superar un cierto umbral de error según la fórmula de riesgo.

${\displaystyle R(F)=E_{xy}}$${\displaystyle L(y,F(x))}$,

donde L representa la función de pérdida , y son los datos reales y F(x) son los datos predichos. Esta función de error se utiliza luego para realizar ajustes incrementales a los pesos del modelo para finalmente alcanzar una predicción bien entrenada de

$Estilo de visualización F^{*}(x)=argminE_{xy}}$${\displaystyle L(y,F(x))}$. ^[4]

Incluso si se entrena continuamente un modelo de aprendizaje automático, es imposible lograr un error cero. Pero si el error es lo suficientemente insignificante, se dice que el modelo ha convergido y las predicciones futuras serán precisas la gran mayoría de las veces.

En algunos casos, utilizar un único enfoque de aprendizaje automático no es suficiente para crear una estimación precisa de determinados datos. El aprendizaje conjunto es una combinación de varios algoritmos de aprendizaje automático para crear una estimación más precisa. Cada modelo de aprendizaje automático está representado por la función

F(x) = a ₀ + a _m f _m (x)${\displaystyle \suma _{m=1}^{M}}$ ,

donde M es el número de métodos utilizados, a ₀ es el sesgo, a _m es el peso correspondiente a cada variable m y f _m (x) es la función de activación correspondiente a cada variable. Un modelo de aprendizaje conjunto se representa como una combinación lineal de las predicciones de cada enfoque constituyente.

{â _m } = arg min L(y _i ,a ₀ + a _m f _m (x _i )) + λ |a _m |${\displaystyle \suma _{i=1}^{N}}$${\displaystyle \suma _{m=1}^{M}}$${\displaystyle \suma _{i=1}^{N}}$ ,

donde y _i es el valor real, el segundo parámetro es el valor predicho por cada método constituyente y λ es un coeficiente que representa la variación de cada modelo para una determinada variable predictora. ^[4]

Las señales sensoriomotoras son impulsos neuronales que se envían al cerebro cuando se toca físicamente. El uso del aprendizaje predictivo para detectar señales sensoriomotoras desempeña un papel fundamental en el desarrollo cognitivo temprano , ya que el cerebro humano representa las señales sensoriomotoras de manera predictiva (intenta minimizar el error de predicción entre las señales sensoriales entrantes y la predicción descendente). Para actualizar un predictor no ajustado, debe entrenarse mediante experiencias sensoriomotoras porque no tiene capacidad de predicción inherente. ^[5] En un artículo de investigación reciente, el Dr. Yukie Nagai sugirió una nueva arquitectura en el aprendizaje predictivo para predecir señales sensoriomotoras basada en un enfoque de dos módulos: un sistema sensoriomotor que interactúa con el entorno y un predictor que simula el sistema sensoriomotor en el cerebro. ^[5]

Las computadoras utilizan el aprendizaje predictivo en la memoria espaciotemporal para crear por completo una imagen dada una serie de fotogramas constituyentes . Esta implementación utiliza redes neuronales recurrentes predictivas , que son redes neuronales diseñadas para trabajar con datos secuenciales, como una serie temporal . ^{[ cita requerida ]} El uso del aprendizaje predictivo junto con la visión artificial permite a las computadoras crear sus propias imágenes, lo que puede ser útil al replicar fenómenos secuenciales como la replicación de cadenas de ADN, el reconocimiento facial o incluso la creación de imágenes de rayos X.

En un estudio reciente, se recopilaron datos sobre el comportamiento de los consumidores de varias plataformas de redes sociales, como Facebook, Twitter, LinkedIn, YouTube, Instagram y Pinterest. El uso de análisis de aprendizaje predictivo llevó a los investigadores a descubrir varias tendencias en el comportamiento de los consumidores, como determinar el éxito que podría tener una campaña, estimar un precio justo para un producto para atraer a los consumidores, evaluar la seguridad de los datos y analizar la audiencia específica de consumidores a la que podrían dirigirse para productos específicos. ^[6]

• Aprendizaje por refuerzo
• Codificación predictiva