¿Qué es machine learning?

La inteligencia artificial se basa en diferentes pilares, uno de estos es el machine learning (ML), subconjunto de procesos responsable del aprendizaje automático de los ordenadores, tanto en los componentes de hardware como software. Intentemos aclarar mejor qué es el machine learning.

¿Qué es el aprendizaje automático o machine learning?

El término fue acuñado por primera vez por Arthur Lee Samuel, científico estadounidense pionero en el campo de la inteligencia artificial, en 1959. Sin embargo, hoy en día, la definición más acreditada para explicar qué es el machine learning es de Tom Michael Mitchell, director del departamento de aprendizaje automático de la Universidad Carnegie Mellon: “Se dice que un programa aprende de la experiencia E, con referencia a alguna clase de tareas T y con medición del desempeño P, si su desempeño en la tarea T, como medido por P, mejora con la experiencia E”.

En palabras más simples: el machine learning permite a los ordenadores aprender de la experiencia. Hay aprendizaje cuando el desempeño mejora después de realizar una tarea o completar una acción, partiendo del principio según el cual se aprende cometiendo errores. 

Desde una perspectiva informática, en lugar de escribir el código de programación mediante el cual, paso a paso, se dice a la máquina qué hacer, con el machine learning es posible proporcionar únicamente conjuntos de datos que se procesan mediante algoritmos con el objetivo de desarrollar un lógica propia para realizar la función, actividad o tarea requerida.

¿Cómo funciona el machine learning?

Para entender técnicamente cómo funciona el machine learning, primero debemos considerar que existen diferentes enfoques, entre estos destacan el supervisado y el no supervisado. El aprendizaje supervisado es actualmente el más utilizado e involucra una figura humana, típicamente un científico de datos, que enseña a los algoritmos qué resultados generar, proporciona al sistema datos ya etiquetados e impone un tipo de salida. 

El aprendizaje no supervisado tiene dos apéndices propios, diseñados para reducir los problemas que puede causar. El primero es el clustering (agrupación), una técnica que permite agregar grupos de datos con características similares; es óptima para encontrar relaciones entre datos. La otra es la reducción de la dimensionalidad de los datos, es decir, eliminar el ruido y combinar los redundantes. 

Luego está el aprendizaje semi supervisado, un modelo basado en la administración de datos sólo parcialmente completos para que el sistema identifique modelos útiles para alcanzar los objetivos fijados. Es una técnica que se utiliza cuando los datos disponibles están solo parcialmente etiquetados.

Finalmente, entre los modelos de machine learning más extendidos también está el entrenamiento por refuerzo en el que un sistema debe interactuar con el entorno. Es un método que se basa en una filosofía de 'recompensas y penalizaciones' en función de si el sistema consigue o no los objetivos marcados.

Este modelo encuentra aplicación en varios campos, como los juegos (por ejemplo, AlphaGo), la robótica, la optimización de los sistemas de control, la gestión de carteras financieras y la conducción autónoma. Los ordenadores aprenden concentrando sus esfuerzos en realizar una tarea específica con el objetivo de alcanzar el máximo valor de la recompensa. El programa aprende de su propia experiencia, mejorando el desempeño en función de los resultados obtenidos anteriormente.

Ejemplos de machine learning

Una vez entendido qué es el machine learning y cómo funciona, veamos algunos ejemplos prácticos. Las aplicaciones son muchas, algunas de las cuales han entrado en nuestra vida diaria sin que nos diéramos cuenta. Pensemos, por ejemplo, en los motores de búsqueda: a través de una o más palabras clave, devuelven listas de resultados que son efecto de algoritmos con aprendizaje no supervisado.

Otro ejemplo común está relacionado con los filtros de correo electrónico antispam basados ​​en sistemas de machine learning que aprenden a interceptar mensajes sospechosos o fraudulentos y a actuar en consecuencia (por ejemplo, eliminándolos antes de ser entregados). Sistemas de este tipo también se utilizan en el sector financiero para la prevención del fraude. 

Interesantes ejemplos de machine learning con aprendizaje supervisado provienen del sector de la investigación científica en el campo médico. Los algoritmos aprenden a hacer predicciones cada vez más precisas para prevenir el brote de epidemias o realizar diagnósticos.

Los sistemas basados ​​en el aprendizaje por refuerzo son, en cambio, la base del desarrollo de los vehículos autónomos que, gracias al machine learning, aprenden a reconocer el entorno que los rodea y adaptar su 'comportamiento' en función de las situaciones específicas que tienen que afrontar. 

Los llamados sistemas de recomendación también explotan el machine learning aprendiendo del comportamiento y las preferencias de los usuarios que navegan por sitios web, plataformas o aplicaciones móviles: desde Amazon hasta Netflix o Spotify. Finalmente, el machine learning juega un papel central en la Industria 4.0 gracias a su capacidad para reconocer patrones en los datos y tomar decisiones autónomas o proporcionar información útil para decisiones impulsadas por humanos.

¿Para qué sirve el machine learning?

Como hemos visto, el machine learning se utiliza en muchos campos, desde la investigación científica y la medicina hasta la ciberseguridad y la industria. Dondequiera que una máquina pueda aprender de los datos y la experiencia, hay espacio para las aplicaciones de aprendizaje automático, independientemente del sector de destino.

Considerando el mundo empresarial en su conjunto, el machine learning es una ayuda válida para transformar datos en valor pero, por sí solo, no tiene cualidades taumatúrgicas. El ML debe insertarse en una plataforma que centralice las actividades de ciencia de datos y la convierta en una disciplina colaborativa. Si esto ocurre, la recopilación de datos de procesos permite obtener información en tiempo real y profundizar la comprensión y mejora de los procesos. 
Normalmente, el desarrollo de sistemas de machine learning es tarea de un perfil profesional denominado machine learning engineer o, alternativamente, científico de datos. Lo que tienen en común estas dos figuras es el análisis de datos y, más allá de las funciones corporativas, no es raro que trabajen juntas. La mejor opción formativa para quienes quieran trabajar en este campo en constante crecimiento es la de completar la formación universitaria con un Máster en Inteligencia Artificial & Machine Learning for Business o un Máster en Big Data & Analytics.