Tant Machine Learning supervisat com Machine Learning no supervisat compten amb resposta a problemes que puguin sorgir en tota classe d'organitzacions.
Machine Learning és un dels termes de moda en el sector de les tecnologies relacionades amb la intel·ligència artificial. Es tracta de la utilització d'algoritmes que permeten a les màquines aprendre imitant la forma en què aprenem els humans. Dins de Machine Learning trobem dos tipus destacats, el Machine Learning supervisat i el Machine Learning no supervisat. A continuació, t'expliquem les diferències entre aquests dos grans grups, les seves característiques i per a què s'utilitzen.
Machine Learning supervisat
Aquesta modalitat es podria entendre com algoritmes que "aprenen" de les dades introduïdes per una persona. En aquest cas:
- Es necessita la intervenció humana per etiquetar, classificar i introduir les dades en l'algoritme.
- L'algoritme genera dades de sortida esperades, ja que a l'entrada han estat etiquetades i classificades per algú.
- Hi ha dos tipus de dades que poden ser introduïdes a l'algoritme:
- Classificació: classifiquen un objecte dins de diverses classes. Per exemple, per determinar si un pacient està malalt o si un correu electrònic és spam.
- Regressió: prediuen un valor numèric. Seria el cas dels preus d'una casa en escollir diferents opcions o la demanda d'ocupació d'un hotel.
- Algunes aplicacions pràctiques d'aquest tipus de Machine Learning:
- La predicció de cost d'un sinistre en el cas de les companyies d'assegurances.
- La detecció de frau bancari per part d'entitats financeres.
- La previsió d'avaria en la maquinària d'una companyia.
Machine Learning no supervisat
A diferència del cas anterior, no hi ha intervenció humana. En aquest tipus de Machine Learning els algoritmes aprenen de dades amb elements no etiquetats buscant patrons o relacions entre ells. En aquest cas:
- S'introdueixen dades d'entrada sense etiquetar.
- No necessita la intervenció humana.
- Hi ha dos tipus d'algoritmes per a Machine Learning no supervisat:
- Clustering: classifica en grups les dades de sortida. És el cas de les segmentacions de clients segons què hagin comprat.
- Associació: descobreix regles dins del conjunt de dades. Per exemple, aquells clients que compren un cotxe també contracten una assegurança, de manera que l'algoritme detecta aquesta regla.
- Hi ha altres casos pràctics en els quals s'utilitza aquest tipus de Machine Learning:
- La segmentació del tipus de clients en un banc.
- La classificació dels pacients en un hospital.
- El sistema de recomanacions de contingut segons el consum de l'usuari en plataformes de streaming de vídeo.
Un ampli ventall d'opcions
Tant Machine Learning supervisat com Machine Learning no supervisat compten amb resposta a diversos problemes que puguin sorgir en tota classe d'organitzacions. Les possibilitats de Machine Learning són molt àmplies, i cada usuari pot estar interessat en un tipus, un altre o tots dos alhora. Aquest tipus d'intel·ligència artificial és una tendència a l'alça i que sens dubte seguirà aportant solucions per a necessitats en negocis de tota mena.
