Dentro de la Inteligencia Artificial (IA), uno de los campos más destacados es el del aprendizaje automático.
Coches que se conducen solos, asistentes que traducen instantáneamente de un idioma a otro o sugerencias de compra personalizadas. Complejas tareas que antes eran una quimera son hoy posibles gracias al 'Machine Learning', una disciplina que permite a los ordenadores aprender por sí mismos y realizar tareas de forma autónoma sin necesidad de ser programados.
En su libro Sobre la inteligencia, publicado en 2004, Jeff Hawkins definía la inteligencia como la capacidad de predecir el futuro, por ejemplo, el peso de un vaso que vamos a levantar o la reacción de los demás a nuestros actos, en base a los patrones almacenados en la memoria (el marco memoria-predicción). Ese mismo principio está detrás del Machine Learning (ML), también conocido como aprendizaje automático.
¿QUÉ ES EL 'MACHINE LEARNING' Y PARA QUÉ SIRVE?
El Machine Learning es una disciplina del campo de la Inteligencia Artificial que, a través de algoritmos, dota a los ordenadores de la capacidad de identificar patrones en datos masivos y elaborar predicciones (análisis predictivo). Este aprendizaje permite a los computadores realizar tareas específicas de forma autónoma, es decir, sin necesidad de ser programados.
El término se utilizó por primera vez en 1959. Sin embargo, ha ganado relevancia en los últimos años debido al aumento de la capacidad de computación y al boom de los datos. Las técnicas de aprendizaje automático son, de hecho, una parte fundamental del Big Data.
DISTINTOS ALGORITMOS DE 'MACHINE LEARNING
Los algoritmos de Machine Learning se dividen en tres categorías, siendo las dos primeras las más comunes:
Aprendizaje supervisado: estos algoritmos cuentan con un aprendizaje previo basado en un sistema de etiquetas asociadas a unos datos que les permiten tomar decisiones o hacer predicciones. Un ejemplo es un detector de spam que etiqueta un e-mail como spam o no dependiendo de los patrones que ha aprendido del histórico de correos (remitente, relación texto/imágenes, palabras clave en el asunto, etc.).
Aprendizaje no supervisado: estos algoritmos no cuentan con un conocimiento previo. Se enfrentan al caos de datos con el objetivo de encontrar patrones que permitan organizarlos de alguna manera. Por ejemplo, en el campo del marketing se utilizan para extraer patrones de datos masivos provenientes de las redes sociales y crear campañas de publicidad altamente segmentadas.
Aprendizaje por refuerzo: su objetivo es que un algoritmo aprenda a partir de la propia experiencia. Esto es, que sea capaz de tomar la mejor decisión ante diferentes situaciones de acuerdo a un proceso de prueba y error en el que se recompensan las decisiones correctas. En la actualidad se está utilizando para posibilitar el reconocimiento facial, hacer diagnósticos médicos o clasificar secuencias de ADN.
Ver InfografíaAPLICACIONES PRÁCTICAS DEL 'MACHINE LEARNING'
El Machine Learning es uno de los pilares sobre los que descansa la transformación digital. En la actualidad, ya se está utilizando para encontrar nuevas soluciones en diferentes campos, entre los que cabe destacar:
El Machine Learning es uno de los pilares sobre los que descansa la transformación digital. En la actualidad, ya se está utilizando para encontrar nuevas soluciones en diferentes campos, entre los que cabe destacar:
Recomendaciones: permite hacer sugerencias personalizadas de compra en plataformas online o recomendar canciones. En su forma más básica analiza el historial de compras y reproducciones del usuario y lo compara con lo que han hecho otros usuarios con tendencias o gastos parecidos.
Vehículos inteligentes: según el informe Automotive 2025: industry without borders de IBM, en 2025 ya veremos coches inteligentes en las carreteras. Gracias al aprendizaje automático, estos vehículos podrán ajustar la configuración interna (temperatura, música, inclinación del respaldo, etc.) de acuerdo a las preferencias del conductor e, incluso, mover el volante solos para reaccionar al entorno.
Redes sociales: Twitter, por ejemplo, se sirve de algoritmos de Machine Learning para reducir en gran medida el spam publicado en esta red social mientras que Facebook, a su vez, lo utiliza para detectar tanto noticias falsas como contenidos no permitidos en retransmisiones en directo que bloquea automáticamente.
Procesamiento de Lenguaje Natural (PLN): a través de la comprensión del lenguaje humano, asistentes virtuales como Alexa o Siri pueden traducir instantáneamente de un idioma a otro, reconocer la voz del usuario e incluso analizar sus sentimientos. Por otro lado, el PLN también se utiliza para otras tareas complejas como traducir la jerga legal de los contratos a un lenguaje sencillo o ayudar a los abogados a ordenar grandes volúmenes de información relativos a un caso.
Búsquedas: los motores de búsqueda se sirven del aprendizaje automático para optimizar sus resultados en función de su eficacia, midiendo la misma a través de los clics del usuario.
Medicina: investigadores del Instituto de Tecnología de Massachusetts (MIT) ya utilizan el Machine Learning para detectar con mayor antelación el cáncer de mama, algo de vital importancia ya que su detección temprana aumenta las probabilidades de curación. Asimismo, también se utiliza con una alta eficacia para detectar neumonía y enfermedades de la retina que pueden provocar ceguera.
Ciberseguridad: los nuevos antivirus y motores de detección de malware ya se sirven del aprendizaje automático para potenciar el escaneado, acelerar la detección y mejorar la habilidad de reconocer anomalías.
Ejemplos y aplicaciones del Machine Learning
Usualmente convivimos con ejemplos de Machine Learning todos los días. Se han vuelto tan comunes en nuestra vida que en ocasiones pudiéramos pensar que siempre han estado ahí. Nos sentimos tan a gusto que en ocasiones son indetectables. A continuación abordaremos algunos ejemplos claros en el que el Machine Learning con los que tenemos contacto a diario y que son de gran utilidad para las empresas.
Reconocimiento de imágenes
Para realizar el reconocimiento de imágenes es necesaria la aplicación de diversosalgoritmosde Machine Learning en especial los que están relacionados con modelos de Deep Learning ya que estos algoritmos deben encontrar patrones particulares, clasificarlos y agruparlos por zonas. Una tarea que requiere una gran potencia, debido a que las imágenes son conjuntos de píxeles continuos y cada uno contiene información especifica sobre el color, luminosidad y demás características.
Un ejemplo claro para entender este tipo de aplicación de aprendizaje automático son los OCR o reconocimientos de caracteres ópticos. Estos software permiten encontrar letras, agruparlas y descifrar textos contenidos en imágenes. También, puede verse la aplicación de este tipo de machine learning en el reconocimiento facial de algunas redes sociales como Facebook mediante la utilización de complejas redes neuronales.
Reconocimiento de voz
Los algoritmos de Machine Learning pueden detectar a partir de las ondas de sonido que capta el micrófono de nuestro móvil o inclusive el del ordenador, y comprender las ordenes que indicamos para que los asistentes personales como Siri, Cortana y Alexa nos faciliten cualquier actividad. Estos modelos pueden aprender a limpiar el ruido de fondo que con normalidad aparece en las comunicaciones, distinguir las pausas entre palabras y comprender las palabras de nuestro idioma para organizar las tareas que necesitemos. Parte de este reconocimiento de voz es posible gracias al entendimiento o procesamiento del Lenguaje Natural.
Predicción sobre datos
La capacidad de análisis sobre conjuntos de datos de valores continuos que nos permiten desarrollar los modelos de Machine Learning nos permite intentar predecir con cierta efectividad los valores que obtendremos por parte de un conjunto de datos ingresados a un sistema y cuyo resultado, de momento, desconocemos. Este tipo de modelos predictivos puede ser utilizado en estrategias de comercialización, por ejemplo, para predecir los precios de productos o servicios e inclusive para estimar la probabilidad de que algún evento ocurra.
Segmentos de mercado especializados
Otro claro ejemplo en el que podemos destacar la importancia de los modelos de machine learning es en el desarrollo de proyectos de mercadotecnia que requieran de la determinación de segmentos específicos de mercado. Los algoritmos de Machine Learning permiten crear y descubrir patrones dentro de conjuntos de datos desconocidos. Esto mediante la separación, clasificación y categorización de los datos pertenecientes al conjunto. En este caso, los datos a clasificar podrían ser los gustos y preferencias de los clientes.
Al determinar dichos patrones o preferencias pueden construirse grupos específicos para ofrecer propuestas de productos especialmente diseñadas para estos segmentos difíciles de detectar a simple vista.
Coches autónomos
Los modelos de reconocimiento en tiempo real que pueden ser creados gracias al Machine Learning son increíbles. Estos permiten que los coches se desplacen, fijen rutas y se conduzcan de forma autónoma analizando las imágenes del entorno. Estos algoritmos permiten detectar el movimiento cercano de otros vehículos para evitar choques e inclusive, puede predecir cuales serán las reacciones de otros conductores en tiempo real. Este tipo de aplicaciones de Machine Learning pareciera salido de una película del futuro, pero el ejemplo más tangible de esto lo podemos conseguir en los coches TESLA.
Sistemas de recomendación
Quizás este sea el ejemplo de machine learning con el que más contacto tenemos en la actualidad. En cualquier plataforma donde escogemos o damos nuestra opinión sobre un tema, los algoritmos nos ofrecen opciones que siguen los patrones de comportamiento que demostramos. Estos toman algunos datos que generamos y son comparados con los que generan usuarios con características similares y pone a nuestra disposición contenidos o productos que pudieran interesarnos. Este tipo de de aplicaciones de machine learning son las que ejecutan plataformas de streaming como Spotify, YouTube o Netflix.
Fuentes: https://www.iberdrola.com/innovacion/machine-learning-aprendizaje-automatico https://www.grapheverywhere.com/ejemplos-de-machine-learning/
