En la Máquina de Turing de la imagen, el funcionamiento está definido explícitamente: se lee un símbolo, se considera el estado actual y una regla de transición determina qué símbolo escribir, hacia dónde mover el cabezal y cuál será el siguiente estado.
En una automatización clásica podemos encontrar una lógica conceptualmente similar.Una persona define condiciones, estados y acciones de forma directa mediante código, reglas de negocio o flujos de trabajo.
Con machine learning ocurre algo diferente.
Durante el entrenamiento, los parámetros de un modelo se ajustan utilizando datos y un procedimiento de optimización para mejorar un objetivo definido. El comportamiento resultante queda codificado en esos parámetros, aunque normalmente no pueda expresarse como una lista sencilla de reglas escritas por una persona.
La diferencia parece técnica, pero tiene consecuencias muy concretas. Supongamos que una empresa utiliza un modelo para anticipar riesgo de quiebre de inventario. El modelo puede identificar patrones y asociaciones estadísticas entre demanda histórica, estacionalidad, inventario disponible y otras variables relevantes.
No hay comentarios:
Publicar un comentario