En el post de hoy os contamos como los modelos de aprendizaje automático se enseñan mutuamente a identificar propiedades moleculares.
Schematic of yoked machine learning concept. Credit: Artificial Intelligence in the Life Sciences (2023). DOI: 10.1016/j.ailsci.2023.100089
Ingenieros biomédicos de la Universidad de Duke han desarrollado un nuevo método para mejorar la eficacia de los modelos de aprendizaje automático. Al emparejar dos modelos de aprendizaje automático, uno para recopilar datos y otro para analizarlos, los investigadores pueden sortear las limitaciones de la tecnología sin sacrificar la precisión.
Esta nueva técnica podría facilitar a los investigadores el uso de algoritmos de aprendizaje automático para identificar y caracterizar moléculas con vistas a su uso en posibles nuevas terapias u otros materiales.
La investigación se publica en la revista Artificial Intelligence in the Life Sciences.
En los modelos tradicionales de aprendizaje automático, un investigador introduce un conjunto de datos y el modelo utiliza esa información para hacer predicciones. Aunque esto suele ser eficaz, las capacidades de estas herramientas están limitadas por los conjuntos de datos que se utilizan para entrenarlas, que a menudo pueden carecer de información clave o incluir demasiados datos de un tipo, lo que introduce sesgos en el modelo.
En su lugar, los investigadores han desarrollado una técnica conocida como aprendizaje automático activo, en la que el modelo es capaz de hacer preguntas o solicitar más información si detecta una laguna en los datos. Esta capacidad de preguntar hace que el modelo sea más preciso y eficaz que su homólogo pasivo.
Hasta aquí el post de hoy en el que os contamos uno de los avances sobre los modelos de aprendizaje automático.