El aprendizaje automático aún es una herramienta emergente en el área Química: Paul W. Ayers
Investigador de la Universidad McMaster de Canadá
El aprendizaje automático en Química es importante; sin embargo, aún no se sabe realmente su alcance, pues todavía es una herramienta emergente en este campo, consideró el profesor Paul W. Ayers, investigador de la Universidad McMaster, de Canadá, al dictar en la Facultad de Química la conferencia Think Before you Fit: Success and Failure in Machine.
El reconocido experto en Química Teórica también comentó en su presentación –realizada el pasado 25 de octubre en el Auditorio de la antigua Unidad de Servicios de Apoyo a la Investigación y a la Industria– que “en unos 20 años, probablemente la mitad de los experimentos y cálculos en esta área serán influenciados por el aprendizaje automático, convirtiéndose éste, entonces sí, en una herramienta común”.
En su conferencia, organizada por el Departamento de Física y Química Teórica de la FQ, Paul W. Ayers señaló además: “existe mucho entusiasmo sobre el Aprendizaje Automático”, el cual, dijo, “básicamente, es una forma de tomar datos y hacer predicciones”. Advirtió que se debe tener cuidado cuando se usa esta herramienta: “tienes que pensar en la estructura de tus datos, y a veces debes ajustarlos antes de intentar hacer una predicción; si no lo haces, puedes obtener predicciones erróneas”.
De acuerdo con Flor Lizeth Torres Ortiz, investigadora del Instituto de Ingeniería de la UNAM, el aprendizaje automático (conocido en inglés como Machine Learning) es una disciplina de la inteligencia artificial que se centra en el desarrollo de algoritmos y modelos capaces de extraer conocimiento a partir de datos, y permite que las máquinas aprendan patrones significativos, realicen predicciones o tomen decisiones con la mínima intervención humana.
En la parte final de su exposición, Paul W. Ayers apuntó que es difícil usar el aprendizaje automático para funciones no diferenciables y discontinuas, así como para obtener información de los métodos de agrupación de Machine Learning y que, al utilizar esta técnica, se debe considerar la distribución de errores, incluido el error promedio y el máximo.
En entrevista posterior a su conferencia, el experto dijo que disfrutó mucho visitar la UNAM y la Facultad de Química, pues “hay muchas personas que reflexionan profundamente sobre los problemas en Química Teórica, y se generan conversaciones interesantes que te hacen pensar; espero haberles ayudado a pensar también. Hay un rico intercambio de ideas y, al final, sientes que estás avanzando”.
La visita de Paul W. Ayers a México ocurrió gracias a la invitación de integrantes del Laboratorio Nacional de Cómputo de Alto Desempeño, en el cual colaboran tres instituciones: la UNAM, la Universidad Autónoma Metropolitana (UAM) y el Centro de Investigación y de Estudios Avanzados del Instituto Politécnico Nacional.
El objetivo de la conferencia en la FQ fue intercambiar ideas con el reconocido especialista internacional y buscar posibles colaboraciones; asimismo, se le invitó para impartir un curso sobre herramientas en Química Cuántica, tanto en la UNAM como en la UAM-Iztapalapa.
La conferencia Think Before you Fit: Success and Failure in Machine estuvo dirigida en especial a estudiantes de posgrado y a profesores del Departamento de Física y Química Teórica de la Facultad de Química.
Esta visita del profesor Paul W. Ayers se realizó gracias a la beca Faculty Mobility for Partnership Building Program, que otorga EduCanada –instancia gubernamental que ayuda a buscar programas de estudio y solicitar becas–, para ofrecer oportunidades a los docentes canadienses de realizar investigaciones a corto plazo y enseñar en América Latina y el Caribe, la cual por primera vez fue concedida a un investigador de las Ciencias Exactas.
José Martín Juárez Sánchez
Yazmín Ramírez Venancio