Aprendizaje supervisado versus no supervisado: diferencias, beneficios y casos de uso

El aprendizaje automático (ML) impulsa muchas tecnologías en las que confiamos a diario, como el reconocimiento de imágenes y los vehículos autónomos. Dos enfoques fundamentales (aprendizaje supervisado y no supervisado) forman la columna vertebral de estos sistemas. Si bien ambos son clave para entrenar modelos de ML, difieren en su metodología, objetivos y aplicaciones.

En esta guía, compararemos estos dos enfoques, resaltaremos sus diferencias y exploraremos sus beneficios y desafíos. También exploraremos aplicaciones prácticas para ayudarle a comprender cuál es la más adecuada para diversas tareas.

Tabla de contenido

• ¿Qué es el aprendizaje supervisado?
• ¿Qué es el aprendizaje no supervisado?
• Supervisado versus no supervisado: diferencias clave
• Beneficios del aprendizaje supervisado y no supervisado
• Desafíos del aprendizaje supervisado y no supervisado
• Aplicaciones del aprendizaje supervisado y no supervisado
• Conclusión

¿Qué es el aprendizaje supervisado?

El aprendizaje supervisado entrena sistemas de aprendizaje automático utilizando datos etiquetados. En este contexto, "etiquetado" significa que cada ejemplo de entrenamiento se combina con un resultado conocido. Estas etiquetas, a menudo creadas por expertos, ayudan al sistema a conocer las relaciones entre entradas y salidas. Una vez entrenados, los sistemas supervisados ​​pueden aplicar estas relaciones aprendidas a datos nuevos e invisibles para hacer predicciones o clasificaciones.

Por ejemplo, en el contexto de los vehículos autónomos, un sistema de aprendizaje supervisado podría analizar datos de vídeo etiquetados. Estas anotaciones identifican señales de tráfico, peatones y obstáculos, lo que permite que el sistema reconozca y responda a características similares en escenarios de conducción del mundo real.

Los algoritmos de aprendizaje supervisado se dividen en dos categorías principales:

• Clasificación: estos algoritmos asignan etiquetas a datos nuevos, como identificar correos electrónicos como spam o no spam.
• Regresión: estos algoritmos predicen valores continuos, como pronosticar ventas futuras en función del desempeño pasado.

A medida que los conjuntos de datos crecen y los recursos computacionales mejoran, los sistemas supervisados ​​se vuelven más precisos y efectivos y respaldan aplicaciones como la detección de fraude y el diagnóstico médico.

¿Qué es el aprendizaje no supervisado?

El aprendizaje no supervisado, por el contrario, analiza datos sin ejemplos etiquetados, basándose en algoritmos estadísticos para descubrir patrones o relaciones ocultos. A diferencia de los sistemas supervisados, estos modelos infieren la estructura y actualizan sus hallazgos dinámicamente a medida que hay nueva información disponible. Si bien el aprendizaje no supervisado destaca en el descubrimiento de patrones, suele ser menos eficaz para las tareas predictivas.

Un ejemplo práctico son los servicios de agregación de noticias. Estos sistemas agrupan artículos relacionados y publicaciones en redes sociales sobre una noticia de última hora sin etiquetas externas. Al identificar puntos en común en tiempo real, realizan un aprendizaje no supervisado para resaltar historias clave.

A continuación se muestran algunos algoritmos de aprendizaje no supervisados ​​especializados:

• Agrupación:se utilizan para segmentar a los consumidores y ajustar los segmentos a medida que cambian los comportamientos.
• Asociación:detectan patrones en los datos, como identificar anomalías que podrían indicar violaciones de seguridad.
• Reducción de dimensionalidad: simplifican las estructuras de datos al tiempo que preservan la información crítica y, a menudo, se utilizan para comprimir y visualizar conjuntos de datos complejos.

El aprendizaje no supervisado es fundamental para el análisis exploratorio de datos y el descubrimiento de conocimientos en escenarios donde los datos etiquetados no están disponibles.

Supervisado versus no supervisado: diferencias clave

El aprendizaje supervisado y no supervisado cumple funciones distintas en el aprendizaje automático. Estos enfoques difieren en los requisitos de datos, la participación humana, las tareas y las aplicaciones. La siguiente tabla destaca estas diferencias, que exploraremos más a fondo.

Diferencias durante la fase de entrenamiento

La principal diferencia entre los dos tipos de algoritmos es el tipo de conjuntos de datos de los que dependen. El aprendizaje supervisado se beneficia de grandes conjuntos de datos etiquetados. En consecuencia, los sistemas supervisados ​​más avanzados dependen de mano de obra humana no especializada a gran escala para examinar los datos y generar etiquetas. Los datos etiquetados también suelen requerir más recursos para procesar, por lo que los sistemas supervisados ​​no pueden procesar tantos datos en el extremo superior de la escala.

Los sistemas de aprendizaje no supervisados ​​pueden empezar a ser eficaces con conjuntos de datos más pequeños y pueden procesar cantidades de datos mucho mayores con los mismos recursos. Sus datos son más fáciles de obtener y procesar ya que no dependen de mano de obra humana no especializada a gran escala. Como compensación, los sistemas no suelen alcanzar un grado tan alto de precisión en las tareas de predicción y, a menudo, dependen de un trabajo especializado para ser eficaces. En lugar de usarse cuando la precisión es crucial, se usan con mayor frecuencia para inferir y actualizar patrones en los datos, a escala y a medida que los datos cambian.

Diferencias cuando se implementa

Las aplicaciones de aprendizaje supervisado suelen tener un mecanismo integrado para obtener más datos etiquetados a escala. Por ejemplo, es fácil para los usuarios de correo electrónico marcar si los mensajes entrantes son spam o no. Un proveedor de correo electrónico puede acumular los mensajes marcados en un conjunto de entrenamiento y luego entrenar sistemas de regresión logística para la detección de spam. Intercambian una capacitación más larga y que requiere más recursos por una toma de decisiones más rápida cuando están desplegados. Además de los sistemas de regresión logística, otros algoritmos de entrenamiento supervisados ​​comunes incluyen árboles de decisión y redes neuronales, que se utilizan de manera ubicua para predecir y tomar decisiones y para el reconocimiento de patrones complejos.

Los sistemas no supervisados ​​se distinguen cuando se aplican a problemas que involucran grandes cantidades de datos no estructurados. Pueden detectar patrones en los datos, incluso cuando son transitorios, y deben detectarse antes de que se complete la capacitación para el aprendizaje supervisado. Por ejemplo, los algoritmos de agrupamiento, un tipo de sistema de aprendizaje no supervisado, pueden detectar y actualizar segmentos de consumidores a medida que cambian las tendencias. Si las tendencias cambian hacia patrones nuevos e invisibles, siguen siendo relevantes sin requerir tiempo de inactividad para volver a capacitarse.

Un ejemplo de aprendizaje no supervisado es el uso del análisis de componentes principales (PCA) en finanzas. PCA es un algoritmo que se puede aplicar a grupos de inversiones a escala y ayuda a inferir y actualizar propiedades emergentes del grupo. Estos incluyen importantes indicadores financieros, como las fuentes más importantes de riesgo de inversión y los factores que probablemente afecten los rendimientos. Otros tipos comunes de sistemas de aprendizaje no supervisados ​​son los codificadores automáticos, que comprimen y simplifican datos, a menudo como paso preparatorio antes de aplicar otros algoritmos de aprendizaje automático.

Beneficios del aprendizaje supervisado y no supervisado

Tanto los sistemas supervisados ​​como los no supervisados ​​son útiles para procesar datos a una escala y velocidad que superan a las de los humanos sin ayuda. Sin embargo, son más adecuados para diferentes aplicaciones. A continuación, contrastamos algunos de sus principales beneficios.

Sistemas supervisados

• Excel cuando hay datos históricos importantes disponibles
• Son mucho mejores que los sistemas no supervisados ​​para entrenar datos con estructura, características y patrones conocidos.
• Son ideales para detectar y aplicar características conocidas de datos a escala.
• Puede producir resultados que sean comprendidos y tengan sentido intuitivo para los humanos.
• Puede tener mayor precisión en datos nuevos e invisibles.
• Puede hacer predicciones más rápidamente y a mayor escala que los sistemas no supervisados.

Sistemas no supervisados

• Son particularmente buenos para identificar estructuras y relaciones nunca antes vistas o desconocidas en los datos.
• Obtener buenos resultados cuando los datos están menos estructurados y sus propiedades son menos conocidas.
• Trabajar en algunas condiciones donde los sistemas supervisados ​​no funcionan bien (por ejemplo, en situaciones donde los datos no están disponibles o donde están disponibles pero no han sido procesados ​​por humanos)
• Requiere menos recursos y menos tiempo durante la capacitación que los sistemas supervisados ​​para cantidades equivalentes de datos.
• Se puede entrenar y utilizar cuando hay demasiados datos para procesar bien con sistemas supervisados.

Desafíos del aprendizaje supervisado y no supervisado

Los sistemas supervisados ​​y no supervisados ​​hacen concesiones diferentes y los desafíos que enfrentan a veces son bastante diferentes. Destacamos algunas de las principales diferencias a continuación.

Sistemas supervisados

• Requieren acceso a grandes cantidades de datos procesados ​​por humanos, que solo a veces están disponibles o son fáciles de obtener.
• A menudo tienen fases de formación más largas y que requieren más recursos.
• Puede tener dificultades para adaptarse rápidamente si las características centrales de los datos cambian
• Enfrente desafíos al procesar datos inherentemente no estructurados, como video o audio.

Sistemas no supervisados

• Detectará con mayor frecuencia patrones que no se generalizan bien a nuevos ejemplos de datos.
• Puede ser difícil lograr sistemas tan precisos como los supervisados.
• Producen resultados que son difíciles de interpretar para los humanos y las interpretaciones de estos resultados pueden ser más subjetivas.
• Puede requerir más tiempo y recursos por predicción realizada en el mundo real.

Aplicaciones del aprendizaje supervisado y no supervisado

Algunas aplicaciones y problemas se abordan mejor con sistemas de aprendizaje supervisados, otras funcionan mejor con sistemas no supervisados ​​y otras funcionan mejor utilizando una combinación. Aquí hay tres ejemplos bien conocidos.

Sistemas de aprendizaje mixto y aprendizaje semi-supervisado

Es importante tener en cuenta que la mayoría de las aplicaciones de la vida real utilizan una combinación de modelos supervisados ​​y no supervisados. Los sistemas de aprendizaje a menudo se combinan en función de aspectos como el presupuesto, la disponibilidad de datos, los requisitos de rendimiento y la complejidad de la ingeniería. Ocasionalmente, también podría utilizarse un subconjunto especializado de algoritmos de aprendizaje que intente combinar los beneficios de ambos enfoques (aprendizaje semisupervisado). En los ejemplos siguientes, mencionamos el sistema primario o más probable que probablemente se utilizará.

Predicción de tráfico (supervisada)

La predicción del tráfico es una tarea desafiante. Afortunadamente, hay muchos datos etiquetados disponibles, ya que las ciudades auditan y registran periódicamente los volúmenes de tráfico rodado. Los algoritmos de regresión, un tipo de aprendizaje supervisado, son fáciles de aplicar a estos datos y pueden producir predicciones bastante precisas de los flujos de tráfico. Sus predicciones pueden ayudar a informar la toma de decisiones sobre la construcción de carreteras, la señalización del tráfico y la ubicación de los semáforos. Los algoritmos no supervisados ​​son menos efectivos en esta fase. Sin embargo, pueden ejecutarse con datos de tráfico a medida que se acumulan después de que se implementa un cambio en la estructura de la carretera. En ese punto, ayudan a identificar e inferir automáticamente si podría ocurrir algún problema nuevo y no visto anteriormente.

Agrupación genética (sin supervisión)

El análisis de datos genéticos puede ser lento y engorroso ya que los volúmenes de datos son grandes y la mayoría de ellos no están bien analizados. A menudo no sabemos mucho sobre lo que contienen los datos genéticos: dónde se pueden almacenar los genes y otros componentes genéticos en el genoma, cómo se decodifican e interpretan, etc. Los algoritmos no supervisados ​​son particularmente relevantes para este problema ya que pueden procesar grandes cantidades. de datos e inferir automáticamente qué patrones contienen. También pueden ayudar a recopilar información genética de apariencia similar en grupos separados. Una vez que los datos genéticos se agrupan en función de la similitud, los grupos se pueden procesar y probar fácilmente para identificar qué función biológica (si corresponde) cumplen.

LLM y aprendizaje por refuerzo (mixto)

Los modelos de lenguajes grandes (LLM) son un ejemplo de una aplicación que combina sistemas de aprendizaje supervisados ​​y no supervisados. El sistema inicial, el LLM, suele ser un ejemplo de sistema no supervisado. Para producir un LLM, un sistema no supervisado analiza datos a gran escala (por ejemplo, todo el texto en inglés disponible en Internet). El sistema infiere muchos patrones a partir de los datos y desarrolla reglas básicas para conversar en inglés.

Sin embargo, las inferencias que hace un LLM no ayudan a que suene como un humano típico en una conversación. Tampoco ayudan a tener en cuenta las preferencias individuales de comunicación. Un sistema supervisado (específicamente, un sistema de refuerzo que utiliza retroalimentación anotada de los usuarios (llamado aprendizaje por refuerzo a partir de retroalimentación humana, o RLHF para abreviar)) es una forma de resolver este problema. RLHF se puede aplicar a un LLM ya capacitado para ayudarlo a hablar bien con los humanos en general. También puede aprender las preferencias individuales y hablar de la manera que prefiera una persona específica.

Conclusión

En resumen, el aprendizaje supervisado y no supervisado son dos subconjuntos fundamentales del aprendizaje automático y cada uno ofrece fortalezas únicas. El aprendizaje supervisado sobresale en escenarios con abundantes datos etiquetados, recursos suficientes para la capacitación inicial y la necesidad de una toma de decisiones rápida y escalable. Por otro lado, el aprendizaje no supervisado brilla cuando se descubren estructuras y relaciones ocultas en los datos, especialmente cuando los datos etiquetados o los recursos de capacitación son limitados y la toma de decisiones puede acomodar más tiempo y complejidad. Al comprender las ventajas, los desafíos y los casos de uso de ambos enfoques, podrá tomar decisiones informadas sobre cuándo y cómo aplicarlos de manera efectiva.