UNL Noticias

El aprendizaje automático (machine learning en inglés) es una rama de la inteligencia artificial que se encarga de programar máquinas para que aprendan. Se dice que un agente "aprende" cuando su desempeño mejora con la experiencia. A su vez, el aprendizaje profundo (o deep learning) es parte de un conjunto más amplio de métodos de aprendizaje automático basados en asimilar representaciones de datos. La ciencia de datos es la profesión que se encarga de generar conocimiento a partir de datos, incluyendo big data, a través de varias herramientas como la estadística, el procesamiento de imágenes, la programación, y por supuesto, el aprendizaje automático, entre otras.

“Mi idea es contar un poco la matemática que hay detrás del aprendizaje automático, big data, ciencia de datos, inteligencia artificial, deep learning, y todas esas palabras que suenan a lo mismo pero que son distintas. El aprendizaje automático tiene que ver con todos los algoritmos que están detrás de muchas de las tecnologías que usamos cotidianamente. En vez de dar siempre la misma respuesta, aprenden a medida que son usados. Es, por ejemplo, lo que pasa cuando Instagram nos recomienda a quién seguir o elige a quien mostrarnos en nuestro timeline. En vez de dar siempre la misma respuesta, va aprendiendo a medida que es usado. Cuanto más usado es, mejor realiza su tarea. Otro ejemplo es el del auto que se maneja solo, que está siendo desarrollado por la compañía Tesla y será lanzado a fines de este año” comentó Groisman. 

Un algoritmo de agrupamiento (o clustering) es un procedimiento de agrupación de una serie de vectores de acuerdo con un criterio. Esos criterios son por lo general distancia o similitud. “Para ejemplificarlo, es lo que sucede en el caso de querer separar la imagen de un gato de la de un perro o en el reconocimiento de caras. Matemáticamente, es posible plantear todos esos problemas de la misma manera, buscando identificar qué cosas están cerca y qué cosas están lejos. Nosotros hicimos una propuesta matemática de cómo hacer para medirlo con la distancia de Fermat. Todo lo que sea machine learning está en un momento de mucho auge. Hay una gran demanda de personas que quieran trabajar en estas temáticas, tanto en investigación académica como en empresas. Es un campo que se cruza tanto con la matemática pura como con la computación, la física, la química o la biología. Tiene un futuro impresionante”, expresó Groisman.

Matemática para la mochila

El ciclo tiene como objetivo poner en debate temas y problemáticas de Matemática que habitualmente son escasamente abordados en las asignaturas de las carreras universitarias o terciarias o darles un enfoque innovador. En ese sentido, Groisman aportó “yo creo que es casi una obligación compartir el conocimiento que producimos. Una universidad pública es el lugar por excelencia para hacer eso. Después también tenemos otra tarea, que es salirnos de la universidad. No esperar que la gente se acerque a la universidad a buscar el conocimiento, sino llevarlo nosotros”.