Camila Larrosa
Si llegaste hasta aquí, probablemente ya hayas oído hablar de Machine Learning, también conocido como aprendizaje automático.
El aprendizaje automático es un subcampo de la ingeniería y de la ciencia de la computación que, a través de algoritmos, otorga a las computadoras la capacidad de identificar patrones en datos masivos y hacer predicciones basadas en ellos de forma autónoma.
Se trata de un concepto asociado a la inteligencia artificial, razón por la cual, cada vez lo escuchamos más en los medios de comunicación. A pesar de esto, aún existen muchas dudas entorno a sus implicaciones.
Si este es tu caso, no te preocupes porque en este post te explicaremos algunos conceptos técnicos de forma simple.
Pero antes… ¿Has notado cómo el Machine Learning forma parte de tu día a día?
Es posible que no sepas exactamente qué es el Machine Learning, pero ciertamente entras en contacto con él todos los días.
El Machine Learning es una forma de inteligencia artificial que ya no depende de un programador ni de reglas previas, porque de forma autónoma ya es capaz de definir sus propias reglas y aprender por sí mismo.
Muchas tecnologías utilizan el aprendizaje automático para mejorar sus servicios, por ejemplo, si buscabas «¿qué es el aprendizaje automático?» en Google y encontraste nuestra página, seguramente ya has utilizado una plataforma que hace uso del aprendizaje automático.
Veamos ejemplos cotidianos donde se emplea:
- Netflix, Spotify y Amazon: ¿qué consumir ahora? Estos 3 servicios utilizan algoritmos de Machine Learning para hacer sistemas de recomendación;
- Reconocimiento facial para desbloquear tu teléfono: Un algoritmo de Machine Learning es quien identifica o confirma la identidad de una persona por su rostro;
- Uber y google maps: Basado en modelos predictivos, la aplicación de tu teléfono señala la mejor ruta y el tiempo estimado en que llegará al destino seleccionado;
- Asistentes virtuales: Si compras online, seguro que te has topado con un asistente virtual, que interactúa de forma cada vez más natural con los usuarios a través del aprendizaje automático.
¿Y por qué debes saber qué es la Inteligencia Artificial y el Machine Learning?
Solo hace falta abrir cualquier portal de noticias para encontrarte con contenido relacionado con los algoritmos. Entender cómo funciona, te ayudará a comprender mejor cómo afectan estos algoritmos en nuestro día a día.
Algunas noticias actuales e interesantes sobre el tema: “Inteligencia artificial para aumentar ventas en Black Friday”, “¿Puede la inteligencia artificial detectar la demencia y el Alzhéimer?”, “La Inteligencia Artificial predice quién ganará el Mundial de Fútbol de Qatar”, “¿Quien traicionó a Ana Frank? La Inteligencia Artificial ya dio la respuesta”, “El MoMA presenta su primera obra artística generada por inteligencia artificial”, “Cómo la inteligencia artificial detecta los robos en las tiendas” y “La Inteligencia Artificial que escribe el sexto libro de Game of Thrones”.
Entonces, empecemos a conceptualizar: ¿Qué es el Machine Learning y la inteligencia artificial?
Primero aclaramos un detalle que suele causar confusión: mucha gente piensa que el aprendizaje automático y la inteligencia artificial son lo mismo, pero no es así.
Si bien la inteligencia artificial (IA) puede definirse en términos generales como el área de la ciencia de la computación encargada del desarrollo de sistemas que simulan la capacidad humana para resolver problemas, el Machine Learning (ML) es una rama específica de la IA que, utilizando métodos matemáticos, entrena a las máquinas para que aprendan de los datos.
¿Y qué es específicamente el Machine Learning?
Machine Learning es una disciplina en el campo de la Inteligencia Artificial que, a través de algoritmos, otorga a los ordenadores la capacidad de identificar y clasificar patrones en datos masivos, realizar predicciones (análisis predictivos) y aprender continuamente, evolucionando sus propias funciones. Este aprendizaje permite que los ordenadores realicen tareas específicas de forma autónoma, es decir, sin necesidad de estar programados por un profesional continuamente.
Tomemos un ejemplo muy común para entender un poco más este concepto: Piense en una persona que escribe la palabra “inteligencia” en Google. El sistema necesita analizar una serie de parámetros a través de algoritmos de Machine Learning para decidir qué resultados mostrar primero a ella, ¿estaría buscando inteligencia en qué sentido? ¿Estaría buscando «inteligencia emocional» o «inteligencia artificial»? Dos posibles respuestas, entre otros contextos para esta palabra.
Entre los numerosos parámetros disponibles para el sistema de búsqueda de Google hacer la decisión, está el historial de búsqueda del usuario: si este usuario es un científico de datos en Datarmony, por ejemplo, el segundo significado es más probable. Este es un ejemplo muy simple, pero ilustra algunos aspectos importantes del aprendizaje automático.
En primer lugar, es importante que los sistemas que utilizan aprendizaje automático realicen sus análisis en base a una cantidad significativa de datos. Algo que los sistemas de búsquedas tienen en exceso debido a los millones de accesos que reciben y, en consecuencia, sirven para su entrenamiento.
Otro aspecto que se puede destacar de este ejemplo es que el ingreso de datos actualizado y constante favorece la identificación de nuevos patrones. Supongamos que la palabra “inteligente” se convierte en un término técnico en el campo de la Electromecánica. Con el aprendizaje automático, el mecanismo de búsqueda podrá identificar patrones, sin intervención humana, que apunten al nuevo significado del término y, después de un tiempo, podrá considerarlo en los resultados de búsqueda.
¿Cuáles son los tipos de aprendizaje automático?
Los algoritmos de aprendizaje automático se pueden clasificar en términos generales en tres categorías:
Aprendizaje supervisado
El aprendizaje supervisado son algoritmos que cuentan con un aprendizaje previo basado en un sistema de etiquetas asociadas a los datos (parámetros de entrada), que permite tomar decisiones o realizar predicciones.
Un ejemplo de este tipo de aprendizaje automático es un detector de spam, donde su algoritmo etiqueta los correos electrónicos como spam o no, dependiendo de los patrones que ha aprendido del historial de correos electrónicos ya etiquetados, como el remitente, el asunto del correo, la relación texto/imagen, etc.
Aprendizaje no supervisado
El aprendizaje no supervisado son algoritmos en los que no se proporcionan las etiquetas y, por tanto, estos algoritmos se enfrentan al caos de los datos, con el objetivo de encontrar patrones que permitan, de algún modo, organizarlos.
Por ejemplo, podemos pensar en la detección de anomalías en compras con tarjeta de crédito, donde los bancos utilizan un algoritmo que entiende y agrupa una serie de comportamientos esperados por sus clientes e intenta detectar acciones que se desvían del estándar, bloqueando una compra con un valor o en un momento inusual.
Aprendizaje de refuerzo
El aprendizaje de refuerzo son algoritmos que interactúan repetidamente con un entorno dinámico con un objetivo específico, como ganar un juego o conducir un automóvil. El algoritmo llega a la solución más optimizada del problema a través de repetidos ensayos con aciertos y errores, en los que se premian las decisiones correctas.
Este algoritmo se está utilizando actualmente para permitir el reconocimiento facial, en automóviles autónomos, para realizar diagnósticos médicos, clasificar secuencias de ADN, etc.
En este artículo profundizamos en un área que es gigante. Para saber más sobre el aprendizaje automático y aumentar el conocimiento de los principales algoritmos utilizados en el área, publicaremos próximamente una serie de artículos para aprender más sobre el tema.