Hace más de cincuenta años, IBM retó al mejor jugador de ajedrez del mundo a enfrentarse contra una máquina. Lo que ocurrió después cambió para siempre nuestra relación con la tecnología y sentó las bases de lo que hoy conocemos como machine learning. Esa máquina aprendió, predijo y terminó siendo invencible. Y ese mismo principio está detrás de los filtros de tu correo, las recomendaciones de compra y la detección de fraudes en tu tarjeta.
¿Cómo nació la inteligencia artificial con una partida de ajedrez?
IBM desarrolló un algoritmo —un código o proceso automatizado— capaz de replicar y mejorar las jugadas de un ser humano [0:27]. El primer día, el jugador venció a la máquina. Sin embargo, tras veinticuatro horas de entrenamiento continuo, la máquina ya podía replicar, entender y predecir los movimientos del humano [1:08]. Después de la segunda partida, nadie más logró vencerla.
Lo fascinante es que la máquina no solo reaccionaba: predecía los cinco mejores movimientos que haría el jugador y calculaba su mejor estrategia en función de eso [1:40]. El jugador la catalogaba de "ilógica" porque no entendía sus movimientos, pero en realidad estaba cinco pasos adelante.
¿Por qué los humanos no pueden competir a ese nivel? Porque nos sesgamos, tenemos emociones y no podemos procesar tantas permutaciones —todas las combinaciones posibles de opciones— en cada jugada [2:03]. La máquina, en cambio, lo automatiza sin cansarse.
¿Qué diferencia hay entre inteligencia artificial y machine learning?
La inteligencia artificial es el concepto amplio: máquinas capaces de realizar tareas inteligentes [2:28]. El machine learning o aprendizaje automatizado es la evolución que permite a esa máquina perfeccionarse de forma continua, replicando y mejorando cada proceso [2:40].
Un ejemplo cotidiano: los filtros de correo electrónico. Hace veinte años, los buzones se llenaban de correos basura, anuncios e incluso virus. Hoy, esos filtros automatizados aprenden qué es relevante para ti y bloquean lo que no lo es [2:55].
Cuando esta capacidad de análisis se extiende más allá de datos numéricos y textuales —hacia imágenes, música y videos—, hablamos de deep learning o aprendizaje profundo, porque se transforma un punto de imagen en un dato útil [3:28].
¿Para qué sirve el machine learning en la vida real?
Existen al menos cinco aplicaciones prácticas que demuestran el poder de estos modelos:
¿Cómo detecta fraudes un algoritmo?
El modelo identifica patrones de comportamiento fraudulento en miles de usuarios: tarjetas falsas, codificaciones engañosas o pagos incompletos [3:53]. Si tu comportamiento coincide con ese patrón, el sistema bloquea la tarjeta de forma preventiva. A veces acierta, a veces no, pero el algoritmo aprende y se perfecciona con cada caso [4:15].
¿Por qué aparecen anuncios después de buscar algo en Google?
La búsqueda web es otro campo donde el machine learning actúa. Si buscas "Tour Eiffel" solo para saber de qué material está hecha, el sistema ya sabe que la mayoría de personas que hicieron esa búsqueda terminaron queriendo viajar a París [4:35]. Es información conjunta: si haces esto, probablemente también harás aquello. Además, el algoritmo calcula cuánto tiempo pasa entre tu búsqueda y tu necesidad real de compra para mostrarte el anuncio en el momento justo [5:00].
Más avanzado aún es el anuncio a tiempo real. Compras una bocina y, antes de pagar, aparece un mensaje: "¿No quieres un protector?" Te informan que la mayoría de compradores lo adquirieron, y terminas gastando un veinte o treinta por ciento más de lo planeado [5:20].
¿Qué son el análisis de textos y la next best action?
El análisis de textos permite procesar información categórica: lo que escriben tus usuarios, sus mensajes y opiniones. Ya no se mide solo con números; se explora un mundo de datos cualitativos [6:05].
Por otro lado, los algoritmos de next best action —la siguiente mejor acción— identifican en qué fase del ciclo de vida se encuentra cada cliente y predicen su próximo movimiento [6:18]. Si un joven con capacidad de ahorro hace transacciones bancarias, es probable que pronto necesite una hipoteca. ¿Por qué no ofrecérsela antes de que la busque? Lo mismo aplica para seguros en personas adultas. Las máquinas detectan la evolución del usuario y ofrecen contenido específico según su etapa [6:35].
El reto queda abierto: piensa en tres empresas de sectores diferentes que estén utilizando aprendizaje automatizado para entender quién está detrás de cada interacción. Comparte tus ejemplos en los comentarios.
