Descobreix els diferents tipus de machine learning i les seves aplicacions pràctiques més habituals. Per a què s'està utilitzant l'aprenentatge automàtic?

Bots que semblen parlar el teu idioma, vehicles que funcionen sense ningú al volant, sistemes de recomanació que són capaços de predir el que estàs buscant o assistents de veu que entenen el que dius. Tot el que anys enrere semblava cosa del futur, ara és possible gràcies al machine learning, una branca de la intel·ligència artificial que aconsegueix que les màquines aprenguin soles. Explorem els diferents tipus de machine learning que existeixen i les seves aplicacions més habituals.

tipos de machine learning que existen y aplicaciones del machine learning

Jeff Hawkins, enginyer informàtic, president de l'Institut de Neurociència de Redwood i fundador de les empreses Handspring i Palm; exposava el següent en el primer capítol del seu famós llibre On Intelligence, publicat l'any 2004: "Molta gent creu que la IA està viva i en bon estat, i que només està esperant la suficient potència de càlcul per a complir les seves moltes promeses. Quan els ordinadors tinguin suficient memòria i capacitat de processament, els programadors d'intel·ligència artificial podran fer màquines intel·ligents. No hi estic d'acord. La IA pateix d'un defecte fonamental, ja que no aborda adequadament el que és la intel·ligència o el que significa entendre alguna cosa. Una breu mirada a la història de la IA i als principis sobre els quals es va construir, explicarà com s'ha desviat el camp."

En aquest mateix llibre, Hawkins descrivia la intel·ligència humana com la facultat de preveure el futur sobre la base de coneixements previs, que és exactament el que fa el machine learning (ML).

Què és el machine learning o aprenentatge automàtic?

El machine learning —també anomenat aprenentatge automàtic— és un tipus d'intel·ligència artificial que aconsegueix que les màquines aprenguin soles a partir d'algoritmes que reconeixen patrons en la informació emmagatzemada per a generar nova informació.

Els algoritmes de machine learning aconsegueixen que les màquines o ordinadors siguin capaços d'analitzar i solucionar problemàtiques d'una forma similar a la que ho fem els humans, descrita per Hawkins.

L'any 2010, va sorgir una branca del machine learning, el deep learning (DL) o aprenentatge profund, que opera d'una forma molt semblant al machine learning, però mitjançant algoritmes  encara més similars a la forma en què funcionen les xarxes neuronals humanes.

01-MachineLearning_Mesa de trabajo 1 copia 2_Mesa de trabajo 1 copia 2

Tipus de machine learning

Actualment, existeixen tres tipus diferents de machine learning que es distingeixen entre si per la l'algoritme que fan servir. El machine learning supervisat i el machine learning no supervisat són els dos tipus de machine learning més comuns, però existeix un tercer algoritme de machine learning: el machine learning per reforç.

Machine learning supervisat

Aquest tipus de machine learning funciona a partir d'algoritmes que tenen la capacitat "d'aprendre” a partir de dades gestionades per un humà. És a dir, els algoritmes de machine learning supervisat requereixen de la intervenció d'una persona humana que classifiqui, etiqueti i introdueixi les dades en el sistema per a poder generar més informació de manera autònoma. A partir de les etiquetes aplicades a les dades, els algoritmes de ML supervisat són capaços de fer prediccions i fins i tot prendre decisions complexes. Les dades introduïdes en aquesta mena d'algoritmes poden ser de classificació o de regressió.

Machine learning no supervisat

Els algoritmes de machine learning no supervisat funcionen sense cap mena d'intervenció humana i no requereixen d'informació prèvia per a “aprendre” o resoldre problemes. Existeixen dos tipus d'algoritmes de machine learning no supervisat: els algoritmes de clustering i els algoritmes d'associació. La finalitat del machine learning no supervisat és, precisament, que la màquina trobi per si sola patrons entre conjunts de dades totalment desorganitzades i sense etiquetar. L'algoritme és l'encarregat de trobar relacions entre les dades per a treure les seves pròpies “conclusions”.

Machine learning per reforç

Els algoritmes de machine learning per reforç són aquells programats per a generar coneixement a partir de l'experiència prèvia. És a dir, aquest tipus d'algoritmes són capaços de resoldre problemes partint dels resultats o desencadenants de situacions similars a les que s'han enfrontat anteriorment.

El machine learning per reforç funciona sotmetent a la màquina a una sèrie de proves en les quals ha de prendre una decisió. Si pren la decisió correcta, el sistema és "recompensat". Després d'unes quantes proves, l'algoritme és capaç de prendre les decisions correctes per ell mateix.

Aplicacions del machine learning: Per a què s'està fent servir l'aprenentatge automàtic?

Com ja hem vist, en l'àmbit empresarial, la intel·ligència artificial i el machine learning són emprats per a l'optimització del procés de presa de data-driven decisions, així com per a generar intel·ligència a partir de l'anàlisi de dades avançat. També es fan servir per a l'anàlisi predictiva i per a l'automatització i l'optimització de processos.

No obstant això, l'aprenentatge automàtic té aplicacions pràctiques en tots els camps de coneixement i és una de les principals tecnologies impulsores de la transformació digital i els avanços científics. 

Cotxes intel·ligents: Si bé encara no hem arribat al nivell del 'Cotxe fantàstic', els vehicles són cada vegada més intel·ligents. La conducció assistida, per exemple, és resultat dels algoritmes de machine learning. A més, l'estudi Automotive 2025, d'IBM, apunta que, l'any 2025, els cotxes s'adaptaran automàticament —emissora de ràdio, temperatura, posició dels seients, etc.— a les preferències del conductor.

Investigació mèdica: L'aprenentatge automàtic és un dels pilars de la recerca científica, especialment en la branca de la medicina. Per exemple, el machine learning s'està emprant per a la detecció ràpida de malalties que tenen un millor diagnòstic quan es detecten aviat, com el càncer o alguns tipus de malalties respiratòries.

Processament de llenguatge natural (PLN): El processament de llenguatge natural per part de màquines i ordinadors és un dels usos més freqüents i útils del machine learning. Els algoritmes de PLN, com la folksonomia, són capaços d'entendre informació escrita en llenguatge natural —és a dir, en el llenguatge en el qual ens expressem els humans—, per a classificar la informació i identificar patrons d'entre les dades i generar conclusions. El PLN s'usa en múltiples sectors per a la gestió documental i la recerca a partir de grans quantitats de dades produïdes en llenguatge natural. Els bots assistents de veu també són exemples del processament del llenguatge natural.

Encara no coneixes la nostra solució de PLN? Descobreix Folksonomy Text Analytics:

Desobreix Folksonomy

Personalització: En l'àmbit del màrqueting, de l'e-commerce i de qualsevol mena d'activitat empresarial desenvolupada en l'esfera digital, la personalització és, sens dubte, una de les aplicacions més habituals del machine learning i la intel·ligència artificial. Les empreses utilitzen algoritmes de machine learning per a la detecció automàtica de patrons de conducta entre els consumidors i els empleen per a oferir als clients continguts personalitzats i, especialment en e-commerce, recomanacions personalitzades.

Motors de cerca: Els motors de cerca també apliquen el machine learning per a la personalització de continguts. Els motors de cerca mostren diferents resultats a cada usuari en funció de les seves cerques anteriors, la seva activitat en línia en altres pàgines o dades demogràfiques com el lloc de residència. Fes la prova! Digues-li a un company que busqui una paraula a Google des del seu mòbil, cerca la mateixa paraula i comprova si Google us ofereix els mateixos resultats.

Ciberseguretat: Els algoritmes també s'apliquen en el sector de la ciberseguretat, especialment per a l'optimització del funcionament dels antivirus que, mitjançant algoritmes de ML, augmenten la seva capacitat de detecció de possibles irregularitats.

 

Conclusió

La intel·ligència artificial ha evolucionat molt des de l'any en què Hawkins va escriure On Intelligence. El machine learning, el deep learning i les seves aplicacions pràctiques són la prova que l'escriptor s'equivocava. Si bé les màquines segueixen sense tenir la capacitat de pensar com un humà, els algoritmes de machine learning cada vegada tenen un funcionament més semblant al del cervell humà.

Publicat per Núria Emilio