Bots que parecen hablar tu mismo idioma, vehículos que funcionan sin nadie al volante, sistemas de recomendación que son capaces de predecir lo que estás buscando o asistentes de voz que entienden todo lo que les dices. Todas estas cosas que años atrás parecían cosa del futuro, ya son posibles gracias al machine learning, una rama de la inteligencia artificial que logra que las máquinas aprendan solas. Exploramos los diferentes tipos de machine learning que existen y sus aplicaciones más habituales.
Jeff Hawkins, ingeniero informático, presidente del Instituto de Neurociencia de Redwood y fundador de las empresas Handspring y Palm; exponía lo siguiente en el primer capítulo de su famoso libro On Intelligence, publicado en 2004: "Mucha gente cree que la IA está viva y en buen estado, y que solo está esperando la suficiente potencia de cálculo para cumplir sus muchas promesas. Cuando los ordenadores tengan suficiente memoria y capacidad de procesamiento, los programadores de inteligencia artificial podrán hacer máquinas inteligentes. No estoy de acuerdo. La IA adolece de un defecto fundamental, ya que no aborda adecuadamente lo que es la inteligencia o lo que significa entender algo. Una breve mirada a la historia de la IA y a los principios sobre los que se construyó, explicará cómo se ha desviado el campo."
En ese mismo libro, Hawkins describía la inteligencia humana como la facultad de prever el futuro en base a conocimientos previos, que es exactamente lo que hace el machine learning (ML).
El machine learning —también llamado aprendizaje automático— es un tipo de inteligencia artificial que consigue que las máquinas aprendan solas a partir de algoritmos que reconocen patrones en la información almacenada para generar nueva información.
Los algoritmos de machine learning consiguen que las máquinas u ordenadores sean capaces de analizar y solucionar problemáticas de una forma similar a la que lo hacemos los humanos descrita por Hawkins.
En 2010, surgió una rama del machine learning, el deep learning (DL) o aprendizaje profundo, que opera de una forma muy parecida al machine learning, pero mediante algoritmos que operan de una forma aún más similar a la de las redes neuronales humanas.
Actualmente, existen tres tipos distintos de machine learning, que se distinguen entre sí por el tipo de algoritmo empleado en cada caso. El machine learning supervisado y el machine learning no supervisado son los dos tipos de machine learning más comunes, pero existe un tercer algoritmo de machine learning: el machine learning por refuerzo.
Este tipo de machine learning funciona a partir de algoritmos que tienen la capacidad de “aprender” a partir de los datos gestionados por un humano. Es decir, los algoritmos de machine learning supervisado requieren de la intervención de una persona humana que clasifique, etiquete e introduzca los datos en el sistema para poder generar más información de forma autónoma. A partir de las etiquetas aplicadas a los datos, los algoritmos de ML supervisado son capaces de hacer predicciones e incluso tomar decisiones complejas. Los datos introducidos en este tipo de algoritmos pueden ser de clasificación o de regresión.
Los algoritmos de machine learning no supervisado funcionan sin ningún tipo de intervención humana y no requieren de información previa para “aprender” o resolver problemas. Existen dos tipos de algoritmos de machine learning no supervisado: los algoritmos de clustering y los algoritmos de asociación. La finalidad del machine learning no supervisado es, precisamente, que la máquina encuentre por si sola, patrones entre conjuntos de datos totalmente desorganizados y sin etiquetar. El algoritmo es el encargado de hallar patrones y relaciones entre los datos para sacar sus propias “conclusiones”.
Los algoritmos de machine learning por refuerzo son aquellos programados para generar conocimiento a partir de la experiencia previa. Es decir, este tipo de algoritmos son capaces de resolver problemas partiendo de los resultados o desencadenantes de situaciones similares a las que se han enfrentado con anterioridad.
El machine learning por refuerzo funciona sometiendo a la máquina a una serie de pruebas en las que debe tomar una decisión. Si toma la decisión correcta, el sistema es "recompensado". Tras unas cuantas pruebas, el algoritmo es capaz de tomar las decisiones correctas por él mismo.
Como ya hemos visto, en el ámbito empresarial, la inteligencia artificial y el machine learning son empleados para la optimización del proceso de toma de data-driven decisions, así como para generar inteligencia a partir del análisis de datos avanzado. Otras de sus aplicaciones habituales son el test automation, el análisis predictivo y la automatización y optimización de procesos.
Sin embargo, el aprendizaje automático tiene aplicaciones prácticas en todos los campos de conocimiento y es una de las principales tecnologías impulsoras de la transformación digital y los avances científicos. Veamos algunos.
Coches inteligentes: Si bien aún no hemos llegado al nivel del 'Coche fantástico', los vehículos son cada vez más inteligentes. La conducción asistida, por ejemplo, es resultado de los algoritmos de machine learning. Además, el estudio Automotive 2025 de IBM apunta que, en 2025, los coches se adaptarán automáticamente —emisora de radio, temperatura, posición de los asientos, etc.— a las preferencias del conductor.
Investigación médica: El aprendizaje automático es uno de los pilares de la investigación científica, especialmente en la rama de la medicina. Por ejemplo, el machine learning se está empleando para la detección pronta de enfermedades que tienen un mejor diagnóstico cuando se detectan rápido, como el cáncer o algunos tipos de enfermedades respiratorias.
Procesamiento de lenguaje natural (PLN): El procesamiento de lenguaje natural por parte de máquinas y ordenadores es uno de los usos más frecuentes y útiles del machine learning. Los algoritmos de PLN, como la folksonomía, son capaces de entender información escrita en lenguaje natural —es decir, en el lenguaje en el que nos expresamos los humanos—, para clasificar la información e identificar patrones de entre los datos y producir conclusiones. El PLN se usa en múltiples sectores para la gestión documental y la investigación a partir de grandes cantidades de datos producidos en lenguaje natural. Los bots asistentes de voz también son ejemplos del procesamiento del lenguaje natural.
¿Aún no conoces nuestra solución de PLN? Descubre Folksonomy Text Analytics:
Personalización: En el ámbito del marketing, del e-commerce y de cualquier tipo de actividad empresarial desarrollada en la esfera digital, la personalización es, sin duda, una de las aplicaciones más habituales del machine learning y la inteligencia artificial. Las empresas utilizan algoritmos de machine learning para la detección automática de patrones de conducta entre los consumidores y los usan para ofrecer a los clientes contenidos personalizados y, especialmente en e-commerce, recomendaciones personalizadas.
Motores de búsqueda: Los motores de búsqueda también aplican el machine learning para la personalización de contenidos. Los motores de búsqueda muestran distintos resultados a cada usuario en función de sus búsquedas anteriores, su actividad online o los datos demográficos. ¡Haz la prueba! Dile a un compañero que busque una palabra en Google desde su móvil, busca la misma palabra y comprueba si Google os ofrece los mismos resultados.
Ciberseguridad: Los algoritmos también se aplican en el sector de la ciberseguridad, especialmente para la optimización del funcionamiento de los antivirus que, mediante algoritmos de ML aumentan su capacidad de detección de posibles irregularidades.
La inteligencia artificial ha evolucionado mucho desde el año en que Hawkins escribió On Intelligence. El machine learning, el deep learning y sus aplicaciones prácticas, son la prueba de que el escritor se equivocaba. Si bien las máquinas siguen sin tener la capacidad de pensar como un humano, los algoritmos de machine learning tienen un funcionamiento cada vez más parecido al del cerebro humano.