El campo de la inteligencia artificial surge de la interacción entre varias disciplinas científicas: las neurociencias, la psicología cognitiva, la matemática, la biología evolutiva, las ciencias de la computación y la lógica.
El Machine Learning (en castellano aprendizaje automático o aprendizaje de máquina), en el ámbito de la Inteligencia artificial (AI), permite que las máquinas o sistemas aprendan, sin ser programados, para abordar y resolver cuestiones muy diversas.
La tecnología permite hacer automáticas una serie de operaciones con el fin de reducir la necesidad de que intervengan los seres humanos.
En realidad, la máquina no aprende por sí misma. Es un algoritmo de su programación, que se modifica con la constante entrada de datos en la interfaz, el que puede, de ese modo, predecir escenarios futuros o tomar acciones de manera automática según ciertas condiciones. Como estas acciones se realizan de manera autónoma por el sistema, se dice que el aprendizaje es automático, sin intervención humana. De este modo, a través del machine learning, se tienen en cuenta las evidencias y experiencias en forma de datos y se identifican patrones que permiten iniciar operaciones para diferentes tareas.
Los algoritmos del Machine Learning son de naturaleza iterativa, exploran y aprenden constantemente para optimizar los resultados. Cada vez que se encuentran con un error, se encargan de corregirlo y comienzan nuevamente el análisis en busca de nuevos errores, todo esto se realiza en tiempo real, en cuestiones de milisegundos y permitiendo optimizar las decisiones y la predicción de los resultados.
El Machine Learning automatiza por medio de algoritmos los patrones que se esconden en los datos. Estos algoritmos nos permiten predecir el comportamiento de datos.
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.
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.
Son muchos los tipos de algoritmos que se esconden detrás del machine learning. Podemos hablar de:
- Aprendizaje supervisado: Los algoritmos expresan un aprendizaje previo que se basa en etiquetas asociadas a datos. Ejemplo: un detector de spam que etiqueta un correo como spam o no, dependiendo de patrones que ha aprendido del histórico de email (remitente, texto, imagen palabras clave en asunto, etc.). Una vez que se le ha proporcionado la suficiente cantidad de dichos datos, podrán introducirse nuevos datos sin necesidad de etiquetas, en base a patrones distintos que ha venido registrando durante el entrenamiento. Este sistema se conoce como clasificación.
- Aprendizaje no supervisado: Los algoritmos no tienen un conocimiento previo. Tratan de encontrar patrones que organicen datos. Su finalidad es la comprensión y abstracción de patrones de información de manera directa. Este es un modelo de problema que se conoce como clustering. Es un método de entrenamiento más parecido al modo en que los humanos procesan la información. Por ejemplo, en el campo del marketing se usan para extraer patrones masivos de las redes sociales y, así, crear campañas de publicidad.
- Aprendizaje por esfuerzo: El algoritmo aprende a partir de su propia experiencia mediante un proceso de prueba y error. Como ejemplo se puede observar el comportamiento de un coche autónomo. Cuando el vehículo toma una decisión errónea, es penalizado, dentro de un sistema de registro de valores. Mediante dicho sistema de premios y castigos, el vehículo desarrolla una forma más efectiva de realizar sus tareas. Se utiliza para reconocimiento facial, diagnósticos médicos o clasificar secuencias de ADN.
El machine learning en las organizaciones
En un mercado cada vez más competitivo, donde términos como la automatización de procesos y la eficiencia, son cada vez más necesarios y determinantes y donde la inteligencia competitiva avanza a pasos agigantados, donde las grandes organizaciones manejan enormes volúmenes de datos y de información e, incluso, a las pequeñas organizaciones pretenden flexibilizar su empresa ante el nuevo entorno digital, el machine learning cobra cada día más importancia.
Este tipo de tecnologías la encontramos en muchas aplicaciones, tales como las recomendaciones de Google ,Spotify, Amazon o Netflix; las respuestas inteligentes de Gmail o el habla de Siri y Alexa, que utilizan el procesamiento de lenguaje natural o PNL simulando la comunicación.
Un estudio realizado por el MIT Technology Review Custom y Google, a más de 370 empresas de todo el mundo, de todo tipo de tamaños, titulado Machine Learning, el nuevo campo de pruebas para una ventaja competitiva, afirma que el machine learning no solo proporciona ventajas competitivas, sino que ya es una realidad. De hecho, un 60% de los participantes en el estudio ya habían implementado estrategias de machine learning y, casi un tercio de éstos, consideraban que se encontraban en un etapa madura. Todos ellos estaban de acuerdo en que proporcionaba claras ventajas competitivas.
De hecho, ya podemos encontrar este tipo de algoritmos en entornos muy diversos, tales como:
- El mundo del marketing y la comercialización. De hecho, las recomendaciones están, en muchos casos, apoyadas por machine learning. Son aquellas situaciones donde encontramos sugerencias personalizadas de compra en plataformas online o canciones al analizar el historial del usuario y compararlo con otros.
- La gestión de los contenidos.– Es el caso de la utilización por parte de redes sociales como Twitter o Facebook. En el primer caso, se utiliza el Machine Learning para reducir el spam. En el segundo, para detectar noticias falsas y contenidos no autorizados y realizar bloqueos en retransmisiones en directo.
- El procesamiento de Lenguaje Natural (PLN) en los asistentes virtuales.- De este modo Alexa o Siri traducen de un idioma a otro, reconociendo la voz y los sentimientos. También se hace transformando escritos con jerga legal a un lenguaje más sencillo.
- La búsqueda de información.- Cuando los buscadores, a través de los clics del usuario, optimizan los resultados en función de su eficacia.
- En el ámbito de la medicina: Son muchos los ejemplos pero, por citar algunos, el Instituto de Tecnología de Massachusetts usa el Machine Learning para detectar con antelación el cáncer de mama. También, se usa para detectar enfermedades de la retina y neumonías.
- Para la mejora de la 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.
- En el desarrollo de vehículos inteligentes.- Según el informe Automotive 2025: industry without bordersde IBM, en el 2025 veremos coches inteligentes gracias al aprendizaje automático, lo que les permitirá ajustar su configuración interna de acuerdo a las preferencias del conductor e, incluso, mover el volante solos para reaccionar al entorno.
