159 / 210
CIENCIA
POLICIAL
158
denadores razonar completa o casi completamente de forma automáti-
ca. En caso de enfrentarse a problemas cuya información fuera incierta
o incompleta, el programa recurriría a métodos probabilísticos para
encontrar la mejor solución estadísticamente (Davis y Marcus, 2015)
o incluso a la búsqueda heurística (Mingueza, 2020).
1.2.3
Machine learning (ML) o aprendizaje automático
El machine learning comprende el aprendizaje a lo largo del tiempo
a través de iteraciones. Consigue que la máquina aprenda a partir de
sus acciones. Machine learning es el estudio de algoritmos informáticos
que mejoran automáticamente con la experiencia. Los algoritmos de
machine learning construyen un modelo basado en training data (datos
de muestra, datos de entrenamiento) para hacer predicciones o tomar
decisiones, es decir, son entrenados para que sean capaces de inferir
modelos a partir de un conjunto de datos, a fin de que determinen qué
acciones se requieren para lograr un objetivo determinado. El algorit-
mo puede continuar aprendiendo mientras se utiliza. El aprendizaje
automático permite explorar datos, encontrar patrones escondidos (or-
denando, discriminando, priorizando), encontrar relaciones, predecir
estadísticamente hechos futuros y resolver problemas.
No obstante lo anterior, conviene aclarar que, aunque estos siste-
mas pueden funcionar de forma autónoma partiendo de su percepción
del entorno y sin obedecer un conjunto de instrucciones predefinidas,
su comportamiento es definido y restringido en gran medida por sus
desarrolladores, que son quienes definen y programan los objetivos.
Lo que hacen los sistemas de inteligencia artificial es autooptimizarse
para alcanzar dichos objetivos.
La forma de aprender de la máquina dependerá del tipo de apren-
dizaje automático. Se distinguen tres métodos o tipos de aprendizaje
dentro del machine learning, mediante el cual se enseña a los algorit-
mos a tomar decisiones por sí mismos: el aprendizaje supervisado, el
aprendizaje no supervisado y el aprendizaje por refuerzo.
1) Aprendizaje supervisado. Recibe este nombre porque durante
su entrenamiento el modelo necesita que, para cada dato de en-
trenamiento que se le ofrece, se le diga cuál es la respuesta co-
rrecta (Martínez Heras, 2021). Es decir, para entrenar el modelo