Por qué la IA usa probabilidad

Ponerle un número a la posibilidad

En la lección anterior resumimos los datos ya reunidos con la media y la dispersión. Pero ¿cómo se maneja algo que todavía no pasó? Sobre mañana aún no hay datos, así que le ponemos un número a su posibilidad.
Lo que nunca puede pasar recibe 0, lo seguro recibe 1, y lo que es mitad y mitad queda en el medio, en 0.5. Toda probabilidad está en algún lugar entre 0 y 1. Cuando todos los resultados son igual de probables, como con un dado, se divide la cantidad de resultados que se buscan por la cantidad total de resultados.

Toca los eventos. Cada posibilidad se dibuja como una barra de 0 a 1 y también se muestra en porcentaje.

Vista como el largo de una barra, una posibilidad se capta de un vistazo: cuanto más cerca de 0, más corta; cuanto más cerca de 1, más larga. Un porcentaje no es más que la escala de 0 a 1 leída por 100, así que 0.5 es el 50 por ciento y 0.25 es el 25 por ciento.
Un dado muestra 5 o más de dos maneras, 5 y 6, así que la posibilidad es dos de seis, o sea, una de tres. Pero ¿una posibilidad calculada así coincide de verdad con lo que pasa al tirar?

Tirar un dado

Un dado tiene seis caras, y como todas son igual de probables, la probabilidad de cada una es una de seis. Sin embargo, tirarlo exactamente seis veces no da cada cara una vez. Puede que el 3 salga tres veces por casualidad.
Lo sorprendente viene ahora. Con pocas tiradas los resultados son desparejos, pero cuantas más tiradas, más se acerca la proporción de cada cara a una de seis. Esto se llama ley de los grandes números.

Toca tirar. La siguiente cara sale en un orden fijado de antemano, y cuanto más tiras, más se acerca la proporción de cada cara a 1 de cada 6.

Al principio las barras eran desparejas: algunas caras salían mucho y otras poco. Pero al seguir tirando, las seis barras fueron quedando a alturas parecidas.
Por eso no hay que sacar conclusiones apuradas de uno o dos resultados: el panorama real solo aparece cuando se reúnen muchos. También por eso el aprendizaje automático intenta reunir tantos ejemplos. Entonces, ¿cómo se calcula la posibilidad de que dos cosas pasen juntas?

Dos cosas que pasan juntas

¿Qué posibilidad hay de que una moneda caiga en cara y, al mismo tiempo, un dado muestre 6? La moneda y el dado no se afectan entre sí. A los sucesos sin relación como estos se los llama independientes, y la probabilidad de que dos sucesos independientes pasen juntos se obtiene multiplicando sus probabilidades.
Cara es una de dos y el 6 es una de seis, así que al multiplicarlas da una de doce. Pero si un suceso afecta al otro, no se puede multiplicar sin más. Por ejemplo, la probabilidad de que el mismo dado sea par y además 6 sigue siendo una de seis, porque el 6 ya es par.

Elige dos eventos para combinarlos. Al multiplicarse sus posibilidades, la de que pasen juntos queda menor que cualquiera de las dos.

Al multiplicar las dos posibilidades, el resultado quedó menor que cualquiera de ellas. Tiene sentido: cuantas más condiciones deben cumplirse a la vez, más raro es el resultado. Es como lo difícil que es que varias rachas de suerte lleguen juntas.
Ahora veamos para qué sirve la probabilidad. Aun cuando el mundo es incierto, podemos comparar posibilidades y elegir la opción más probable.

Elegir la opción más probable

Muchas veces hay que decidir aunque no se pueda saber con certeza. En ese caso, se le da una posibilidad a cada candidato y se elige la mayor. Si el animal de una foto borrosa es un gato con probabilidad 0.7 y un perro con probabilidad 0.2, se responde gato.
Puede ser un error, pero es la respuesta más verosímil. Recuerda también que las probabilidades de todos los candidatos suman uno, porque alguno tiene que ser la respuesta. Así es exactamente como la IA elige sus respuestas.

Toca las fotos borrosas una por una. Cada candidato recibe una probabilidad y se elige la respuesta más verosímil. Cuando las probabilidades están cerca, también se muestra que hay duda.

La IA no afirma saber la respuesta correcta con certeza. Les da probabilidades a varios candidatos y ofrece como respuesta el mayor. Por eso, cuando las probabilidades están cerca tiene menos seguridad, y cuando una se destaca responde con confianza.
Los grandes modelos de lenguaje que veremos más adelante se apoyan en esta misma idea. Al continuar una oración, le dan una probabilidad a cada candidata para la palabra siguiente y luego eligen una.

Resumen

En resumen: la probabilidad le pone a la posibilidad un número entre 0 y 1. Cuando algo se intenta muchas veces, como con un dado, la proporción se acerca a la probabilidad real. La probabilidad de que dos sucesos que no se afectan entre sí pasen juntos se obtiene multiplicando sus probabilidades.
Y cuando hay incertidumbre, se elige la opción más verosímil. La IA elige sus respuestas con probabilidad exactamente de la misma manera.

Toca los puntos clave en orden para repasar. (la posibilidad de 0 a 1 → con muchos intentos la proporción se asienta → juntos se multiplica → elegir la opción más verosímil)

Ahora puedes manejar lo incierto con números. El azar desconcertante se volvió algo que se puede agarrar: un número entre 0 y 1.
Con la estadística y la probabilidad en la mano, llega el momento de sacar de verdad una regla de los datos. La próxima lección, sobre la regresión lineal, explica cómo encontrar la recta que mejor pasa entre puntos dispersos y usarla para predecir el siguiente valor.