Máquinas de aprendizaje bayesiano

30 Sep Máquinas de aprendizaje bayesiano

En febrero de 2004, la Technology Review del MIT mostraba diez tecnologías que cambiarán nuestro mundo. No era este un ejercicio estéril, porque los lectores de esta publicación saben muy bien que su línea editorial consiste justamente en hablar de aquello que estará en el mercado en un año o, como mucho, en una década. Y han acertado en muchas ocasiones.

Una de las tecnologías que nos parecieron más prometedoras de las allí subrayadas, desde el punto de vista informacional, o sea, desde la perspectiva de lo que podemos esperar para mejorar el manejo de las cantidades ingentes de información que precisamos para poder funcionar en esta sociedad, eran las máquinas de aprendizaje bayesiano (bayesian machine learning). Se trata de máquinas construidas sobre software basado en las ideas de la estadística bayesiana (iniciada en el siglo XVIII por Thomas Bayes), que busca encontrar conexiones entre grandes cantidades de datos que, en principio, no evidencian una clara relación causal.

Su lógica no va en la dirección de sentencias del tipo “llueve luego el suelo está mojado” (relación causal), sino en la dirección de “llueve” y “el suelo está mojado”, para derivar una dependencia entre acontecimientos que permita aprender o prever probabilísticamente sucesos futuros (“la lluvia está asociada a suelo mojado”).

Dicen que aplicar este tipo de lógica estaba hasta ahora limitado por la capacidad de cálculo de las personas y de los ordenadores existentes. Por un lado, es obvio que seguimos con la limitación de las personas en cuanto a su habilidad para integrar muchos elementos distintos de evidencia. Pero por su parte, los modernos procesadores pueden superar esta limitación y tratar (calcular) millones (o billones) de inputs para intentar encontrar una red de dependencias.

Una de las aplicaciones actuales de la estadística bayesiana la vemos en Google, donde un pequeño ejército de matemáticos bayesianos intentan encontrar patrones derivados de las conexiones y dependencias que emergen de billones de enlaces que el motor maneja, y de la forma en qué buscan y seleccionan resultados sus millones de usuarios. Otra aplicación la encontramos en el diseño de software avanzado para la lucha contra el spam, o en el data-mining, o en los agentes inteligentes que ayudan a un usuario a encontrar la información o los servicios que más le pueden interesar o ser útiles en la Red.

Y estos métodos también tendrán su aplicación en gestión, dada la importancia creciente, en un entorno de relaciones complejas como una organización, de la “teoría de la coordinación”, o sea, de la gestión de los flujos y dependencias entre procesos y acciones. Así, “lo bayesiano” puede ayudar a entender finalmente cómo funciona esa “caja negra” que es una organización.