El aprendizaje por similitud es una rama del machine learning que se centra en entrenar modelos para reconocer la similitud o la diferencia entre puntos de datos. Es importante porque permite a las máquinas comprender patrones, relaciones y estructuras dentro de los datos, algo crucial para tareas como los sistemas de recomendación, el reconocimiento de imágenes y la detección de anomalías.
Qué es el aprendizaje por similitud
En esencia, el aprendizaje por similitud consiste en determinar cuán parecidos o distintos son dos puntos de datos. Imagina que tienes dos fotos y quieres saber si son de la misma persona. En lugar de mirar cada píxel, los algoritmos de aprendizaje por similitud identifican rasgos clave (como la forma de los ojos o la curva de la boca) y los comparan.
¿Por qué se usa? En el vasto mar de datos, encontrar patrones o relaciones es como buscar una aguja en un pajar. El aprendizaje por similitud actúa como un imán, extrayendo las agujas relevantes según su parecido con una muestra dada.
Técnicamente, estos algoritmos suelen operar en espacios de características, que son espacios matemáticos donde los puntos de datos se representan como vectores. La "distancia" entre estos vectores indica cuán similares son los puntos de datos. Cuanto menor es la distancia, mayor es la similitud.
Mientras que el aprendizaje supervisado tradicional se centra en predecir etiquetas a partir de datos de entrada y el no supervisado busca estructuras ocultas en los datos, el aprendizaje por similitud se sitúa en un punto intermedio. No siempre requiere etiquetas, pero sí necesita una referencia o un par para determinar similitud o disimilitud. En esencia, modela relaciones más que hacer predicciones puras o agrupaciones.
Casos de uso del aprendizaje por similitud
Las aplicaciones prácticas del aprendizaje por similitud abarcan multitud de sectores y demuestran su versatilidad para detectar patrones y relaciones en conjuntos de datos muy diversos. Estos son algunos de los usos más destacados:
Sistemas de recomendación
Plataformas como Netflix o Spotify aprovechan el aprendizaje por similitud para personalizar la experiencia. Al comparar los hábitos de visualización o escucha de una persona con los de otras, pueden sugerir contenidos acordes a sus preferencias. Esta personalización incrementa el uso y la satisfacción, porque es más probable que el usuario se quede en una plataforma que le ofrece contenido que le gusta de forma constante.
Reconocimiento facial
Redes sociales como Facebook y sistemas de seguridad utilizan el aprendizaje por similitud para el reconocimiento facial. Comparando rasgos de una cara en una imagen con una base de datos de rostros conocidos, estos sistemas pueden identificar a personas con gran precisión. Más allá del etiquetado en redes sociales, esta tecnología se usa en seguridad, fuerzas del orden y procesos de autenticación.
Emparejamiento de productos en e-commerce
Gigantes del comercio electrónico como Amazon y eBay emplean el aprendizaje por similitud para agrupar productos parecidos o sugerir alternativas. Cuando un usuario ve un artículo, el sistema puede recomendar productos con atributos similares o de categorías relacionadas, facilitando el descubrimiento y, potencialmente, aumentando las ventas.
Detección de anomalías
Sectores como las finanzas y la ciberseguridad se benefician enormemente del aprendizaje por similitud para detectar anomalías o valores atípicos. Al establecer una referencia de lo que es "normal", cualquier desviación o dato inusual puede señalarse. Esta detección temprana es clave para prevenir fraudes, evitar brechas de seguridad o identificar fallos de sistema.
Imagen médica
El sector sanitario aprovecha el aprendizaje por similitud en el análisis de imagen médica. Comparando radiografías, resonancias u otras pruebas, se pueden detectar anomalías o monitorizar la evolución de una afección. Esto no solo mejora la precisión diagnóstica, sino que también favorece la detección precoz de enfermedades y, con ello, mejores resultados clínicos.
Métodos de aprendizaje por similitud
El aprendizaje por similitud depende de los métodos que se usan para medir cuán parecidos o diferentes son los puntos de datos. Estos métodos, a menudo matemáticos, sustentan múltiples aplicaciones. Veamos algunos de los más habituales:
Similitud del coseno
La similitud del coseno mide el coseno del ángulo entre dos vectores no nulos. Si los vectores son idénticos, el coseno es 1, indicando máxima similitud. Si son ortogonales (sin rasgos en común), el coseno es 0. Es especialmente adecuada para espacios de alta dimensión, como el análisis de texto. Por ejemplo, en el clustering de documentos o al comparar conjuntos de palabras para determinar su similitud. Una limitación es que solo tiene en cuenta la dirección de los vectores, no su magnitud, por lo que puede no capturar toda la idea de similitud cuando la magnitud importa.
Distancia euclídea
Mide la distancia en "línea recta" entre dos puntos en un espacio. Cuanto más cercanos estén, más similares se consideran. Se usa ampliamente en reconocimiento de imágenes y cuando los datos se representan de forma natural en espacios 2D o 3D. Aunque es intuitiva y fácil de entender, en espacios de alta dimensión el concepto de "distancia" puede dejar de ser intuitivo. Además, todas las características reciben la misma importancia, lo que no siempre es deseable.
Redes siamesas
Las redes siamesas son un enfoque de redes neuronales en el que se definen dos subredes idénticas. Estas subredes reciben dos entradas y las transforman en dos vectores de características. La capa final calcula la similitud entre esos vectores. Es un método ideal cuando es difícil obtener ejemplos etiquetados de pares disímiles, como en la verificación de firmas o rostros. Como limitación, requieren muchos datos y potencia de cómputo, y pueden ser excesivas para tareas más simples en las que métodos tradicionales bastan.
Triplet loss
Usada en deep learning, la triplet loss involucra tres puntos de datos: un ancla, un ejemplo positivo (similar al ancla) y un ejemplo negativo (distinto del ancla). El objetivo es que el ancla quede más cerca del positivo que del negativo por un cierto margen. Es eficaz cuando hay que distinguir entre datos muy parecidos, como diferenciar dos imágenes similares de personas distintas. Sin embargo, requiere seleccionar con cuidado los tríos, en especial los negativos, para entrenar de forma efectiva. Y, al igual que las redes siamesas, demanda muchos datos y recursos computacionales.
Entender los matices de estos métodos es clave. Elegir bien puede mejorar mucho la precisión y eficiencia de una tarea de aprendizaje por similitud; elegir mal puede llevar a resultados mediocres.
Retos del aprendizaje por similitud
Aunque el aprendizaje por similitud aporta multitud de beneficios y ha revolucionado muchos ámbitos, no está exento de retos.
- Escalabilidad. A medida que el volumen de datos crece de forma exponencial, comparar cada punto con todos los demás resulta costoso en cómputo y tiempo. Este desafío es especialmente acusado en aplicaciones en tiempo real donde se requieren decisiones rápidas.
- Selección de características. El éxito de un algoritmo de aprendizaje por similitud suele depender de las características elegidas para la comparación. No todas son igual de importantes y es crucial identificar las más relevantes. Rasgos incorrectos o redundantes pueden llevar a medidas de similitud engañosas.
- Ruido en los datos. Los datos rara vez son perfectos. A menudo contienen ruido o información irrelevante que puede distorsionar las medidas de similitud. Limpiar y preprocesar para eliminar ese ruido es un gran reto, sobre todo en conjuntos muy grandes.
- Sobreajuste. Es un problema común en muchas tareas de machine learning. Si un modelo de aprendizaje por similitud es demasiado complejo, puede funcionar muy bien con los datos de entrenamiento porque los memoriza, pero fallar al generalizar a datos nuevos. Hay que equilibrar la complejidad del modelo con su capacidad de generalización para evitar el sobreajuste.
- Dimensionalidad. Los datos de alta dimensión pueden volver las medidas de similitud menos intuitivas y más costosas de calcular. A menudo se requieren técnicas de reducción de dimensionalidad, con el riesgo asociado de perder información importante.
Aprendizaje por similitud en aplicaciones de IA
Los vector stores y el aprendizaje por similitud se han popularizado con el auge de los modelos de lenguaje grandes (LLM) como ChatGPT. Los desarrolladores pueden convertir texto en representaciones vectoriales numéricas densas llamadas embeddings. Estos embeddings capturan el significado semántico y pueden almacenarse de forma eficiente en bases de datos vectoriales. Los vector stores permiten búsquedas rápidas por similitud sobre embeddings, lo que habilita aplicaciones como chatbots personalizados.
He creado varios chatbots de IA basados en conocimiento usando LlamaIndex y LangChain. En lugar de entrenar el modelo con un conjunto privado, ahora podemos aportar contexto adicional al modelo de lenguaje para obtener resultados muy personalizados y precisos. Ahorra tiempo, recursos y dinero.
Puedes aprender a añadir datos personales a LLM con LlamaIndex y profundizar en los vector stores leyendo Mastering Vector Databases with Pinecone Tutorial: A Comprehensive Guide.
En los sistemas de preguntas y respuestas sobre documentos, las consultas de usuario se codifican en vectores y se comparan con los vectores de los documentos en la base de datos usando similitud del coseno, distancia euclídea y otros algoritmos para encontrar el texto más relevante. Ese texto se pasa al LLM para aportar contexto adicional y generar respuestas precisas.
Además de la búsqueda de similitud en texto, las técnicas de aprendizaje por similitud también se usan en motores de recomendación para sugerir productos parecidos encontrando similitudes en imágenes. Estos motores convierten las imágenes en embeddings, representándolas como vectores de valores numéricos. Luego aplican algoritmos para calcular distancias entre esos embeddings y determinar cuán similares son dos imágenes.
Cuando una persona hace clic o ve un producto concreto, el motor selecciona otros con embeddings de imagen similares para recomendarlos. Así se pueden sugerir productos visualmente idénticos, incluso si difieren en atributos como el precio o la marca.
En definitiva, el aprendizaje por similitud está en todas partes en las aplicaciones modernas de IA. Si quieres aprender más sobre algoritmos de similitud, este curso de Feature Engineering for NLP in Python es muy recomendable. Te ayudará con técnicas para extraer información útil del texto y procesarla en un formato adecuado para el machine learning.
¿Quieres aprender más sobre IA y machine learning? Echa un vistazo a estos recursos:
Preguntas frecuentes
¿Cuál es el objetivo principal del aprendizaje por similitud?
El objetivo principal es reconocer la similitud o la disimilitud entre puntos de datos.
¿Puede usarse el aprendizaje por similitud en el reconocimiento de voz?
Sí, puede usarse para comparar patrones de voz e identificar similitudes entre ellos.
¿Es lo mismo el aprendizaje por similitud que el clustering?
No exactamente. Aunque ambos implican agrupar datos similares, el clustering agrupa en conjuntos sin etiquetas previas, mientras que el aprendizaje por similitud a menudo requiere un punto de referencia para la comparación.
¿Cómo maneja el aprendizaje por similitud conjuntos de datos muy grandes?
Se pueden usar técnicas como reducción de dimensionalidad, muestreo y estructuras de datos eficientes como KD-trees para gestionar conjuntos muy grandes.
Soy un científico de datos certificado que disfruta creando aplicaciones de aprendizaje automático y escribiendo blogs sobre ciencia de datos. Actualmente me centro en la creación de contenidos, la edición y el trabajo con grandes modelos lingüísticos.
