Perceptrón III.
IA. Modelos y paradigmas. Machine Learning
En las entradas anteriores hemos utilizado el problema del AND lógico para introducir el perceptrón y analizar su proceso de aprendizaje. El empleo de Calc como soporte nos ha permitido visualizar los datos, los cálculos y la evolución de los parámetros durante el aprendizaje.
Este planteamiento resulta apropiado desde el punto de vista didáctico, pero presenta dos limitaciones evidentes. Por una parte, el AND es un problema muy sencillo y completamente conocido, por lo que permite comprobar fácilmente el comportamiento del perceptrón, pero dice poco sobre su utilidad práctica. Por otra, aunque Calc resulta un excelente soporte para visualizar y seguir el funcionam iento de la arquitectura matemática del preceptrón, no constituye la forma más funcional de implementarlo.
Por tanto, el siguiente paso consiste en afrontar ambas limitaciones: utilizar un conjunto de datos que permita evaluar realmente el comportamiento del perceptrón y dotarlo de un soporte de ejecución que permita utilizarlo como un sistema de aprendizaje propiamente dicho. Antes de hacerlo, sin embargo, resulta necesario preguntarnos para qué podría ser útil un modelo de estas características en un contexto profesional concreto.
En nuestro caso, centraremos inicialmente la atención en algunos posibles ámbitos de aplicación del perceptrón en la intervención profesional de los orientadores educativos. Este planteamiento nos permitirá valorar sus posibilidades, pero también poner de manifiesto una cuestión fundamental: el perceptrón trabaja con una representación deliberadamente simplificada de la realidad, basada en una combinación lineal de variables.
El uso del problema AND como ejemplo puede llevar a pensar que esta representación está limitada a dos variables nominales y, por tanto, a una representación bidimensional. Sin embargo, esta limitación pertenece al ejemplo que hemos utilizado, no a la arquitectura del perceptrón. El modelo puede incorporar tantas variables de entrada como sea necesario, siempre que estas puedan representarse numéricamente.
Lo que sí es constitutivo del perceptrón clásico es la naturaleza de su salida: se trata de una clasificación binaria, es decir, la respuesta del modelo solo puede situarse en una de dos categorías, habitualmente representadas mediante los valores 0 y 1. Esta característica afecta también a las etiquetas del conjunto de datos, que deben expresar esas dos posibles clases.
Esta característica no constituye necesariamente una limitación para la intervención educativa, ya que existen numerosas situaciones en las que la decisión profesional puede formularse en términos dicotómicos: pertenencia o no pertenencia a una determinada categoría, presencia o ausencia de una situación de riesgo, necesidad o no de un determinado tipo de apoyo, etc. El problema radica en la dificultad de determinar qué variables son relevantes para establecer esa pertenencia y si la relación entre dichas variables y la categoría de destino puede representarse adecuadamente mediante una combinación lineal.
En otras palabras, el reto no consiste tanto en que la realidad educativa sea necesariamente incompatible con una clasificación binaria, sino en conseguir una representación de esa realidad en la que las variables seleccionadas permitan discriminar coherentemente entre las dos categorías. Cuanto más compleja sea la realidad que pretendemos categorizar, mayor será también la posibilidad de encontrar casos excepcionales que no encajen en la distribución general y que, por tanto, dificulten o impidan que una única frontera lineal separe correctamente ambas categorías.
Esta limitación puede contemplarse, sin embargo, desde otra perspectiva. Los casos en los que el perceptrón no consigue reproducir correctamente la etiqueta establecida constituyen precisamente aquellos en los que la regla aprendida por el modelo no resulta suficiente para explicar la categorización realizada. El perceptrón, por sí mismo, no puede determinar la causa de esa discrepancia: puede deberse a una variable no considerada, a una interacción entre variables que la combinación lineal no recoge o a las particularidades de un determinado caso. Pero sí puede señalar de forma objetiva dónde se produce esa discrepancia.
Desde esta perspectiva, el «fallo» del perceptrón puede adquirir un valor práctico. En lugar de considerar necesariamente los errores de clasificación como un resultado que debe ser eliminado, podemos utilizarlos como una señal para dirigir la atención del profesional hacia aquellos casos que merecen un análisis específico. El modelo establecería así una regla de clasificación a partir de los datos disponibles y, simultáneamente, pondría de manifiesto aquellos casos que se apartan de ella, sin pretender explicar por sí mismo las razones de esa discrepancia. Considero que esta posibilidad permite contemplar la utilidad del perceptrón desde una perspectiva diferente: no solo puede resultar útil cuando acierta en su clasificación, sino también —y potencialmente de forma especialmente interesante para la intervención profesional— cuando «falla», al señalar los casos en los que la regla aprendida no resulta suficiente y que, por ello, pueden requerir una valoración más detenida por parte del profesional.
Desde esta perspectiva, plantearemos el diseño y uso del perceptrón para abordar una situación potencialmente real en el ámbito de la intervención profesional de los Servicios de Orientación.
En proceso..............................................................
