El machine learning es una de las bases de la inteligencia artificial. Sin la capacidad de aprender, las máquinas no llegarían nunca a ser inteligentes. Sin embargo, y a pesar de que este proceso está en el centro del desarrollo de sistemas informáticos más autónomos y eficaces, poco se sabe a nivel popular sobre sus entresijos. Por eso a continuación te explicaremos en qué consiste el aprendizaje automático y te daremos algunos ejemplos de sus principales aplicaciones en la actualidad.
¿Qué es el machine learning?
El machine learning —o aprendizaje automático— estudia los algoritmos informáticos que serían capaces de enseñar a una máquina a llevar a cabo actos complejos por sí sola. Podríamos, por ejemplo, estar interesados en que un ordenador aprendiera a hacer predicciones precisas o comportarse imitando a un ser humano. El aprendizaje siempre se basa en algún tipo de observación o instrucción, y en ese sentido podríamos decir que el aprendizaje automático trata de que la máquina sea capaz de decidirse por un comportamiento apropiado en función de experiencias anteriores.
El objetivo es idear algoritmos de aprendizaje que funcionen sin intervención humana o asistencia. El paradigma del aprendizaje automático puede verse, así, como «programación mediante el ejemplo».
Si pensamos en una situación concreta, como el filtrado de spam, este puede hacerse indicando reglas fijas mediante programación directa. Sin embargo, en lugar de programar el sistema para resolver la tarea directamente, con el machine learning buscamos métodos a través de los cuales el ordenador cree su propio patrón basado en los ejemplos que le proporcionamos.
El aprendizaje automático es una subárea central de la inteligencia artificial. Es muy poco probable que seamos capaces de construir cualquier tipo de sistema inteligente real sin utilizar la capacidad que proporciona el autoaprendizaje para llegar hasta ahí. No consideraríamos un sistema como verdaderamente inteligente si no fuera capaz de aprender de sus errores.
Pero, aunque sea una especialidad de la IA, el aprendizaje automático también se cruza ampliamente con otros campos. Especialmente con la estadística, pero también con la física o la informática teórica, entre muchas otras.
Ejemplos de problemas de aprendizaje automático
Hay muchos ejemplos de problemas de aprendizaje automático. A continuación, te mostramos varios de los más interesantes.
• Reconocimiento óptico de caracteres. Categorizar imágenes de caracteres escritos a mano por letras representadas.
• Detección de rostros. Encontrar rostros en imágenes —o indicar si hay un rostro presente—. Es el caso de Facebook cuando detecta una cara para etiquetar.
• Filtrado de spam. Identificar los mensajes de correo electrónico como spam o no spam, como hace Gmail.
• Detección de temas. Categorizar artículos de noticias, por ejemplo, y establecer si son sobre política, deportes, entretenimiento, etcétera. Lo hace la máquina de debate de IBM.
• Comprensión del lenguaje hablado. Dentro del contexto de un dominio limitado, determinar el significado de algo pronunciado por un hablante. Es lo que hacen los asistentes de voz, como Alexa.
• Diagnóstico médico. Diagnosticar a un paciente que puede padecer algún tipo de enfermedad.
• Segmentación de clientes. Predecir, por ejemplo, qué clientes responderán a una promoción en particular. Un ejemplo claro es Google Ads.
• Detección de fraude. Identificar las transacciones con tarjeta de crédito, por ejemplo, que puedan ser de naturaleza fraudulenta. Ya lo hace CaixaBank.
• Predicción del tiempo. Predecir si lloverá o no mañana. En este último caso, lo más probable es que nos interese más estimar la probabilidad de lluvia a lo largo del día. Actualmente lo hace Google Weather.
Otras aplicaciones
Aunque la clasificación es una tarea central en el machine learning, hay otros problemas de aprendizaje importantes, como la regresión. En la clasificación queremos categorizar los objetos en categorías fijas. En la regresión, por otro lado, estamos tratando de predecir un valor real. Por ejemplo, es posible que deseemos predecir cuánto lloverá mañana. O podríamos querer saber por cuánto se venderá una casa.
Un escenario de aprendizaje más rico es aquel en el que el objetivo es, en realidad, comportarse de manera inteligente o tomar decisiones inteligentes. Por ejemplo, si queremos utilizar el aprendizaje automático para ganar dinero en el mercado de valores, podríamos tratar la inversión como un problema de clasificación —qué está subiendo y qué está bajando— o un problema de regresión —cuánto subirá la acción—. O, prescindiendo de estos objetivos intermedios, es posible que deseemos que la computadora aprenda directamente cómo tomar decisiones y realizar inversiones para maximizar la riqueza.
Otro ejemplo: a medida que la capacidad de computación aumenta, es más asequible para nosotros tratar el big data. Pues bien, el machine learning impulsa la extracción de conclusiones o relaciones cada vez más acertadas por parte de sistemas de IA.
Objetivos de la investigación del aprendizaje automático
El objetivo principal de la investigación en aprendizaje automático es desarrollar algoritmos de propósito general de valor práctico y que sean eficientes. Como es habitual en entornos informáticos, hay que preocuparse por la eficiencia del tiempo y el espacio… Pero en el contexto del aprendizaje también resulta vital otro recurso precioso, a saber: la cantidad de datos que requiere el algoritmo de aprendizaje.
Los algoritmos de aprendizaje también deben tener un propósito tan general como sea posible. Piensa que estamos buscando algoritmos que se puedan aplicar fácilmente a una amplia clase de problemas. Queremos que el resultado de ese aprendizaje sea una regla de predicción lo más precisa posible, pero también que pueda aplicarse de manera flexible. Así, ocasionalmente también nos puede interesar que las reglas de predicción sean interpretables. En otras palabras, en algunos contextos —como un diagnóstico médico—, queremos la ayuda de la computadora para encontrar reglas de predicción fácilmente comprensibles para los expertos humanos.
En suma, los resultados obtenidos mediante el aprendizaje automático, frente a los que brinda la programación directa, suelen ser más precisos. La razón es que los algoritmos de aprendizaje automático pueden examinar grandes cantidades de datos y extraer conclusiones por sí mismos.
Para terminar, te recordamos que el machine learning es un campo profesional en auge. Y, con este curso, podrás formarte con garantías y pertenecer a la industria del futuro. ¡Cada vez se precisan más técnicos capaces de enseñar a las computadoras a aprender para ser más efectivas en las tareas que se les asignan!
