El perceptrón simple (I)
IA. Modelos y paradigmas. Machine Learning
El perceptrón: la primera respuesta a una pregunta fundamental, ¿qué significa que un modelo aprenda?
Cuando hablamos de Machine Learning es habitual afirmar que "el modelo aprende". La expresión resulta intuitiva, pero también puede inducir a error. Un modelo no aprende como lo hace una persona: no comprende conceptos, no formula explicaciones ni almacena reglas en lenguaje natural. Entonces, ¿qué significa realmente "aprender" desde el punto de vista computacional?
El perceptrón, propuesto por Frank Rosenblatt a finales de la década de 1950, constituye una de las respuestas más sencillas y, al mismo tiempo, más profundas a esta pregunta. Aunque hoy existen modelos mucho más potentes, el perceptrón conserva un extraordinario valor didáctico y práctico. Su comportamiento resulta lo suficientemente transparente como para comprender cómo aprende un modelo de Machine Learning y, al mismo tiempo, convertir el propio proceso de construcción y entrenamiento en una oportunidad para revisar críticamente la forma en que hemos definido el problema que intentamos resolver.
Una neurona artificial extremadamente simple
El perceptrón nació inspirado en el funcionamiento general de una neurona biológica, aunque realmente constituye una simplificación matemática muy alejada de la complejidad del sistema nervioso.
Se trata de un modelo de clasificación binaria que se entrena utilizando ejemplos (registros de datos) previamente etiquetados. Su objetivo es asignar cada uno de esos ejemplos a una de dos categorías a partir de los datos que lo describen. En su forma clásica, esa clasificación es binaria: sí o no, verdadero o falso, clase A o clase B.
Para ello aplica una primera operación matemática sobre los datos de entrada, obteniendo un valor numérico. Ese valor se transforma mediante una segunda operación en una clasificación binaria que puede compararse con la etiqueta asociada al ejemplo utilizado durante el entrenamiento.
¿Dónde está el aprendizaje?
Hasta este punto todavía no ha ocurrido nada que justifique hablar de aprendizaje. El perceptrón únicamente aplica una serie de operaciones matemáticas para obtener una clasificación a partir de los datos de entrada.
La clave aparece durante el entrenamiento. Cuando se presenta un ejemplo cuya clasificación correcta es conocida, el modelo genera una respuesta y la compara con la etiqueta asociada a ese ejemplo. Si ambas coinciden, mantiene su configuración. Si no coinciden, la modifica ligeramente para reducir la probabilidad de cometer errores similares en el futuro. Este proceso se repite una y otra vez.
Lo importante no es memorizar cada caso individual; es ir ajustando progresivamente la configuración del modelo hasta que sea capaz de realizar clasificaciones cada vez más fiables.
Desde esta perspectiva, aprender no significa incorporar conocimientos en el sentido humano del término. Aprender significa modificar progresivamente la configuración interna del modelo a partir de la experiencia obtenida durante el entrenamiento.
Al finalizar ese proceso no obtenemos una colección de reglas ni una explicación del problema resuelto. Lo que obtenemos es una determinada configuración interna del modelo que le permitirá clasificar nuevos ejemplos con una mayor probabilidad de acierto.
Una limitación importante
El perceptrón constituye una excelente herramienta para comprender qué significa que un modelo aprenda. Sin embargo, también presenta limitaciones importantes.
Existen problemas de clasificación que un perceptrón simple nunca conseguirá resolver, por muchos ejemplos que se utilicen durante el entrenamiento. En esos casos, el hecho de que el modelo no alcance el resultado esperado no debe interpretarse necesariamente como un fallo del proceso de aprendizaje, sino como una consecuencia de las propias limitaciones del modelo.
Estas limitaciones tuvieron una notable repercusión en la evolución de la inteligencia artificial. A finales de la década de 1960 pusieron de manifiesto que era necesario desarrollar modelos más potentes, lo que contribuyó a orientar la investigación hacia arquitecturas capaces de resolver problemas que el perceptrón simple no podía abordar.
Comprender qué significa que un modelo aprenda constituye el primer paso para entender el Machine Learning. A partir de aquí podremos analizar con mayor detalle cómo funciona realmente un perceptrón, qué elementos intervienen en su entrenamiento, cuáles son sus limitaciones y por qué, a pesar de su sencillez, continúa teniendo un notable interés didáctico para comprender los fundamentos del aprendizaje automático y una utilidad práctica para desarrollar y experimentar con problemas sencillos de clasificación.
