(imagen generada con DALL-E y ZMO.AI)

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) o Aprendizaje Automático.

¿Qué es el ML?

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 «machine learning» se utilizó por primera vez en la década de 1950. Arthur Samuel fue un investigador de IBM que desarrolló programas de ajedrez y damas que utilizaban algoritmos de aprendizaje para mejorar el rendimiento. En 1959 escribió un famoso artículo titulado «Some Studies in Machine Learning Using the Game of Checkers» en el que introdujo por primera vez el término «machine learning». Con él definía el sistema que estaba utilizando para enseñar a los ordenadores a jugar a las damas de manera autónoma.

El término 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.

¿Cuáles son los tipos de algoritmos de ML?

Podemos destacar tres categorías principales, en función de la salida esperada y del tipo de entrada.

• ML 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.).
• ML 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.
• ML por refuerzo: su objetivo es que un algoritmo aprenda a partir de la propia experiencia. Es decir, 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.

¿Cuáles son las aplicaciones prácticas del ML?

El Machine Learning es uno de los pilares sobre los que descansa la transformación digital. En la actualidad se está utilizando para encontrar nuevas soluciones en diversos campos, entre los que destacamos:

• Contenido multimedia y entretenimiento: Los algoritmos de machine learning se implementan para ofrecer a los consumidores recomendaciones de contenido personalizadas e incluso agilizar la producción. Por ejemplo, Spotify cuenta con motores de procesamiento inteligentes que predicen los gustos musicales de sus usuarios y generan playlists automáticamente para que en todo momento encuentres la música que estás buscando.
• Redes sociales: Twitter, por ejemplo, se sirve de algoritmos de ML para reducir en gran medida el spam publicado en esta red social. Y Facebook lo utiliza para detectar tanto noticias falsas como contenidos no permitidos en retransmisiones en directo que bloquea automáticamente.
• Medicina y ciencias biológicas: Los investigadores dedicados al ML desarrollan soluciones que detectan, por ejemplo, tumores cancerosos o enfermedades oculares. Esta detección es de vital importancia ya que aumenta las posibilidades de curación.
• 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.
• Procesos de fabricación: El ML puede respaldar el mantenimiento predictivo, el control de calidad y la investigación innovadora en el sector de la fabricación. Por ejemplo, NotCo es una empresa dedicada a la fabricación y venta de productos veganos 10%. Trabaja con un algoritmo de aprendizaje automático, conocido como Giuseppe, que busca la mejor combinación de ingredientes para satisfacer incluso a los más exigentes, replicando el sabor, textura y olor de los productos de origen animal.

El Machine Learning ha demostrado ser una poderosa herramienta en la era digital, con un alcance muy amplio y posibilidades de infinitas futuras innovaciones.

Puedes encontrar más artículos divulgativos sobre tecnología en nuestro blog. Visítanos: Blog de Unimedia