¿Qué es machine learning? [Guía completa para principiantes]

¿Estás cansado de escuchar el término machine learning sin saber a qué se refiere?
Lo lees repetidamente en artículos e incluso tus compañeros de trabajo lo han mencionado más de una vez, pero a ti te resulta un tema de otro mundo. ¿Te suena familiar? Pues eso está por cambiar…

Cuando se habla de conceptos relacionados a la inteligencia artificial (IA) es normal que muchos de ellos resulten extraños o desconocidos, ya que la propia IA es algo “relativamente nuevo”; no obstante, no es tan intimidante como parece. Basta con que conozcas algunas nociones básicas para que puedas familiarizarte con el tema.

Si tienes curiosidad por saber qué es el famoso machine learning, pero no sabes ni por dónde empezar, entonces este artículo es para ti. Sabemos que aprender un tema tan técnico por tu cuenta puede resultar frustrante, por esa razón es que decidimos escribir este artículo para introducirte en la materia.

Esperamos que esta publicación logré despertar tu interés y decidas investigar más acerca de este fascinante tema, que cambiará por completo la forma en la que vivimos:

El nacimiento del machine learning
El machine learning, conocido en español como aprendizaje automático o aprendizaje de máquina, nació como una idea ambiciosa de la IA en la década de los 60. Para ser más exactos, fue una subdisciplina de la IA, producto de las ciencias de la computación y las neurociencias.

Lo que esta rama pretendía estudiar era el reconocimiento de patrones (en los procesos de ingeniería, matemáticas, computación, etc.) y el aprendizaje por parte de las computadoras. En los albores de la IA, los investigadores estaban ávidos por encontrar una forma en la cual las computadoras pudieran aprender únicamente basándose en datos.

Sucedió con el paso de los años que el machine learning comenzó a enfocarse en diferentes asuntos, tales como el razonamiento probabilístico, investigación basada en la estadística, recuperación de información, y continuó profundizando cada vez más en el reconocimiento de patrones (todos estos asuntos aplicados a procesos de ingeniería, matemáticas, computación y otros campos relacionados con objetos físicos o abstractos).

Esto ocasionó que en los 90 se separara de la IA para convertirse en una disciplina por sí sola, aunque muchos puristas aún la consideran como parte de la IA. Ahora, el principal objetivo del machine learning es abordar y resolver problemas prácticos en donde se aplique cualquiera de las disciplinas numéricas antes mencionadas.

¿Qué es exactamente?
Como establecimos previamente, es un campo de las ciencias de la computación que, de acuerdo a Arthur Samuel en 1959, le da a las computadoras la habilidad de aprender sin ser explícitamente programadas.

Si esta definición resultó muy trivial, pongámoslo de esta forma: es la idea de que existen algoritmos que pueden darte hallazgos o conclusiones relevantes obtenidas de un conjunto de datos, sin que el ser humano tenga que escribir instrucciones o códigos para esto.

De acuerdo, pero ¿qué es un algoritmo? Pues no es otra cosa que una secuencia o serie de instrucciones, que representan la solución a un determinado problema

El propósito del machine learning es que las personas y las máquinas trabajen de la mano, al éstas ser capaces de aprender como un humano lo haría. Precisamente esto es lo que hacen los algoritmos, permiten que las máquinas ejecuten tareas, tanto generales como específicas.

Si bien al principio sus funciones eran básicas y se limitaban a filtrar emails, hoy en día puede hacer cosas tan complejas como predicciones de tráfico en intersecciones muy transitadas, detectar cáncer, mapear sitios para generar proyectos de construcción en tiempo real, e incluso, definir la compatibilidad entre dos personas.

¿Cómo funciona?

El principal objetivo de todo aprendiz (learner) es desarrollar la capacidad de generalizar y asociar. Cuando traducimos esto a una máquina o computadora, significa que éstas deberían poder desempeñarse con precisión y exactitud, tanto en tareas familiares, como en actividades nuevas o imprevistas.

¿Y cómo es posible esto?

Haciendo que repliquen las facultades cognitivas del ser humano, formando modelos que “generalicen” la información que se les presenta para realizar sus predicciones. Y el ingrediente clave en toda esta cuestión son los datos.

En realidad, el origen y el formato de los datos no es tan relevante, dado que el machine learning es capaz de asimilar una amplia gama de éstos, lo que se conoce como big data, pero éste no los percibe como datos, sino como una enorme lista de ejemplos prácticos.

Podríamos decir que sus algoritmos se dividen principalmente en tres grandes categorías: supervised learning (aprendizaje supervisado), unsupervised learning (aprendizaje no supervisado) y reinforcement learning (aprendizaje por refuerzo). A continuación, detallaremos las diferencias entre éstas.

Tipos de machine learning

Supervised learning
Depende de datos previamente etiquetados, como podría ser el que una computadora logré distinguir imágenes de coches, de las de aviones. Para esto, lo normal es que estas etiquetas o rótulos sean colocadas por seres humanos para asegurar la efectividad y calidad de los datos.

En otras palabras, son problemas que ya hemos resuelto, pero que seguirán surgiendo en un futuro. La idea es que las computadoras aprendan de una multitud de ejemplos, y a partir de ahí puedan hacer el resto de cálculos necesarios para que nosotros no tengamos que volver a ingresar ninguna información.

Ejemplos: reconocimiento de voz, detección de spam, reconocimiento de escritura, entre otros.

Unsupervised learning
En esta categoría lo que sucede es que al algoritmo se le despoja de cualquier etiqueta, de modo que no cuenta con ninguna indicación previa. En cambio, se le provee de una enorme cantidad de datos con las características propias de un objeto (aspectos o partes que conforman a un avión o a un coche, por ej.), para que pueda determinar qué es, a partir de la información recopilada.

Ejemplos: detectar morfología en oraciones, clasificar información, etc.

Reinforcement learning
En este caso particular, la base del aprendizaje es el refuerzo. La máquina es capaz de aprender con base a pruebas y errores en un número de diversas situaciones.

Aunque conoce los resultados desde el principio, no sabe cuáles son las mejores decisiones para llegar a obtenerlos. Lo que sucede es que el algoritmo progresivamente va asociando los patrones de éxito, para repetirlos una y otra vez hasta perfeccionarlos y volverse infalible.

Ejemplos: navegación de un vehículo en automático, toma de decisiones, etc.

Existen otros enfoques más complejos para tareas más específicas, pero no vale la pena ahondar en éstos. De momento no queremos complicar las cosas. De cualquier forma, si estuvieras interesado en conocer más acerca de éstos, puedes ver algunos ejemplos más concretos aquí.

¿Cuáles son sus perspectivas y aplicaciones actuales?

Una vez que compruebas lo fácil y práctico que resulta aplicar las técnicas de machine learning a problemas que creías serían imposibles, es cuando empiezas a creer que podría resolver prácticamente cualquier problema* -siempre y cuando existan suficientes datos-.

*¡Ojo! Cabe recordar que esto solamente funciona si el problema en cuestión es solucionable.

Para el consumidor moderno, el machine learning es un facilitador clave de muchas de sus tareas cotidianas. Desde servicios de traducción, a predicciones climáticas, hasta adivinar lo que los usuarios quieren con base a sus actividades recientes; las prestaciones que ofrece son incomparables.

En lo que respecta a los negocios, muchas compañías han empezado a incorporar esta tecnología a sus sistemas operativos, con grandes expectativas de mejorar y automatizar sus procesos.

De acuerdo a la encuesta Global Digital IQ de este año, 54% de las organizaciones que entrevistaron están haciendo inversiones significativas en IA y se prevé que ese porcentaje incremente a 63% en menos de tres años. Por su parte, HubSpot reportó de acuerdo a una encuesta sobre inteligencia artificial que realizó, que el 63% de las personas utilizan IA diariamente, sin siquiera saberlo.

Pero, ¿exactamente a qué áreas puede aplicarse este tipo de tecnologías?

Dado que el machine learning es un sistema basado en el procesamiento y análisis de datos que son traducidos a hallazgos, se puede aplicar a cualquier campo que cuente con bases de datos lo suficientemente grandes. De momento, algunos de sus usos más populares y desarrollados son:

-Clasificación de secuencias de DNA
-Predicciones económicas y fluctuaciones en el mercado bursátil
-Mapeos y modelados 3D
-Detección de fraudes
-Diagnósticos médicos
-Buscadores en Internet
-Sistemas de reconocimiento de voz
-Optimización e implementación de campañas digitales publicitarias
-Un ejemplo del último punto es ADEXT, una plataforma de IA que, con tecnología machine learning, es capaz de crear, implementar, analizar, y aprender, para así optimizar tus campañas digitales en los principales medios de Internet.

Gracias a sus algoritmos inteligentes es capaz de detectar patrones de éxito de campañas digitales alrededor del mundo, que han sido o están siendo implementadas por negocios similares al tuyo, para tomar las decisiones de inversión más redituables, optimizando tu presupuesto y dirigiéndolo únicamente a los medios que más ventas te generen.

Esta plataforma inteligente aprende lo que mejor funciona para tu negocio y progresivamente perfecciona tus anuncios con base en estos hallazgos, mostrándote los resultados de tus campañas en tiempo real, para que puedas implementar las modificaciones que consideres pertinentes. Si te interesa conocer más acerca de esta plataforma, da clic aquí.

El futuro del machine learning para los negocios
Aunque ya hemos visto lo que la IA es capaz de aportar a nuestras actividades del día a día, ¿cómo podría esto beneficiar el mundo de los negocios?

Bueno, puesto que las conversaciones y comentarios de un sinfín de consumidores digitales -cuyo número día con día sigue incrementando- le ofrecen a este tipo de tecnologías una cantidad de información abrumadora, éstas continuamente obtienen conocimientos nuevos y detectan tendencias más rápido de lo que cualquier humano podría hacerlo.

Si bien es cierto que esta enorme cantidad de datos la volverá mucho más eficiente, requerirá necesariamente de mucho talento humano para perfeccionarse, ya que finalmente las computadoras no tienen un dominio tan elevado del lenguaje aplicado al razonamiento. O lo que es, no son precisamente hábiles para determinar contextos.

Lo que significa que para que el machine learning se desarrolle en estas áreas, los expertos en cada campo de trabajo tendrán que tomarse el tiempo para entrenar a las máquinas e irlas incorporando paulatinamente a cada uno de los procesos que deseen afinar.

Finalmente, como sucede con todas las tecnologías, los negocios tendrán que empezar por entender los principios básicos de esta tecnología, para poder usarla a su favor. Por lo pronto, se estima que ésta -como muchos otros derivados de la IA- va a transformar por completo el mundo como lo conocemos…

Como verás, esto fue sólo una introducción al intrincado mundo del machine learning. En una época donde emergen tecnologías innovadoras cada vez que parpadeamos, es fácil perderse en la avalancha de información y nuevos conceptos.

Esperamos que este artículo haya aclarado algunas de tus dudas, para que ya no te sorprendan la próxima vez que hablen del tema.

Si te interesa conocer más acerca de lo que la inteligencia artificial podría hacer por tu negocio, puedes leer este artículo donde explicamos algunas de las áreas que ya se están beneficiando de estas tecnologías.

Fuentes:
https://blog.adext.com/es/machine-learning-guia-completa#gs._0HrXUk