Entrenar a las máquinas para realizar múltiples tareas
El aprendizaje de máquinas es el estudio de programas informáticos que permiten a los ordenadores (o máquinas) aprender a realizar tareas y a mejorar su propio rendimiento. Se trata de una técnica de inteligencia artificial ampliamente utilizada para clasificar registros de datos en categorías o epígrafes diferenciados. Sin embargo, en muchas tareas, algunas decisiones en relación con los epígrafes están interrelacionadas y tienen que adoptarse de forma simultánea. Estas tareas complejas reciben el nombre de predicciones estructuradas. El método actual para abordar estas tareas complejas plantea problemas tales como la propagación de los errores. La finalidad del proyecto Jointstructuredpred, financiado con fondos comunitarios, era salvar estas limitaciones. En el marco de este proyecto, se propuso un método para gestionar las tareas complejas que incluía el entrenamiento en las subtareas y el uso de técnicas de aprendizaje multitarea. Para comparar esta nueva técnica con la metodología actual, se desarrolló un programa de software de predicción estructurada para ambos métodos. Una evaluación de los dos métodos en la que se incluyeron los problemas habituales de la biología computacional reveló que el método propuesto era más eficaz que el método actual, puesto que mejoraba de forma significativa la exactitud de la predicción. Los resultados fueron similares, aunque no tan pronunciados, cuando se compararon utilizando aplicaciones comunes del procesamiento del lenguaje natural. El procesamiento del lenguaje natural es el método computerizado para procesar el lenguaje humano en términos de significado, mientras que la biología computacional combina la informática y la biología molecular. Los resultados del proyecto indican que el método propuesto puede utilizarse para mejorar el rendimiento de numerosos problemas de predicción en una gran variedad de disciplinas, como la biología, la medicina, la lingüística y el procesamiento de señales.