Lo que necesitas saber acerca de Machine Learning

El Machine Learning, mejor conocido como ML es uno de esos actores silenciosos en la obra de la web; esa visión de ciencia ficción sobre computadoras inteligentes y autónomas de alguna manera ya dejó de estar solo en las mentes más fantasiosas del cine y está aquí.

Podemos definir de alguna manera al Machine Learnig (Aprendizaje Automático traducido al español) es como un “Brazo o pierna” de la inteligencia artificial; y es a su vez uno de los subcampos más importantes y desarrollados de ésta.

Otra definición más fácil de digerir es que el Machine Learning se encarga de la elaboración de programas; dispositivos o aplicaciones que “Aprendan de manera automática y autónoma”. Pudiendo incluso llegar a tomar decisiones basadas en su “Aprendizaje”.

Ahora bien, esto puede ser un poco difícil de comprender; el programador que se especializa en esto no hace una lista detallada de funciones, procesos y resultados que debe llevar a cabo un programa más bien le da las bases para aprender sobre un tema específico y le da la capacidad de aprender y desarrollar “Intuición”.

“Machine Learning es la ciencia que permite que las computadoras aprendan y actúen como lo hacen los humanos, mejorando su aprendizaje a lo largo del tiempo de una forma autónoma, alimentándolas con datos e información en forma de observaciones e interacciones con el mundo real.” — Dan Fagella

Podemos destacar también que este proceso es posible gracias al procesamiento de enormes cantidades de datos; dando paso al uso de la tecnología de BIG DATA para la aplicación del Machine Learning.

Tipos de Machine Learning

Es un campo en pleno desarrollo, cada día se aplica en nuevos ámbitos y es por eso que es imposible definir un número; pero podemos englobar los más populares en estos 3 tipos:

Aprendizaje Supervisado

Se refiere a un tipo de modelos de Machine Learning que se entrenan con un conjunto de ejemplos en los que los resultados de salida son conocidos. Los modelos aprenden de esos resultados conocidos y realizan ajustes en sus parámetros interiores para adaptarse a los datos de entrada. Una vez el modelo es entrenado adecuadamente; y los parámetros internos son coherentes con los datos de entrada y los resultados de la batería de datos de entrenamiento; el modelo podrá realizar predicciones adecuadas ante nuevos datos no procesados previamente.

Aprendizaje No Supervisado

En el aprendizaje no supervisado, trataremos con datos sin etiquetar cuya estructura es desconocida. El objetivo será la extracción de información significativa; sin la referencia de variables de salida conocidas; y mediante la exploración de la estructura de dichos datos sin etiquetar.

Hay dos categorías principales: agrupamiento y reducción dimensional.

• Agrupamiento ó Clustering:

El agrupamiento es una técnica exploratoria de análisis de datos, que se usa para organizar información en grupos con significado sin tener conocimiento previo de su estructura. Cada grupo es un conjunto de objetos similares que se diferencia de los objetos de otros grupos. El objetivo es obtener un número de grupos de características similares.

Un ejemplo de aplicación de este tipo de algoritmos puede ser para establecer tipos de consumidores en función de sus hábitos de compra, para poder realizar:

• Reducción dimensional:

Es común trabajar con datos en los que cada observación se presenta con alto número de características; en otras palabras, que tienen alta dimensionalidad. Este hecho es un reto para la capacidad de procesamiento y el rendimiento computacional de los algoritmos de Machine Learning. La reducción dimensional es una de las técnicas usadas para mitigar este efecto.

La reducción dimensional funciona encontrando correlaciones entre las características, lo que implica que existe información redundante; ya que alguna característica puede explicarse parcialmente con otras (por ejemplo, puede existir dependencia lineal). Estas técnicas eliminan “ruido” de los datos (que puede también empeorar el comportamiento del modelo), y comprimen los datos en un sub-espacio más reducido; al tiempo que retienen la mayoría de la información relevante técnicas de marketing efectivas y “personalizadas”.

Deep Learning 

El aprendizaje profundo ó Deep Learning, es un subcampo de Machine Learning, que usa una estructura jerárquica de redes neuronales artificiales; que se construyen de una forma similar a la estructura neuronal del cerebro humano, con los nodos de neuronas conectadas como una tela de araña. Esta arquitectura permite abordar el análisis de datos de forma no lineal.

EL Machine Learning está por todos lados…

Depende de que tanto dominio de la tecnología tengas puede que creas que se trata de algo realmente futurístico; hablar de inteligencia artificial, computadoras que “aprenden” y toman decisiones puede ser algo abrumador si no dominas la tecnología.

Las aplicaciones del Machine Learning ya se ven por todos lados y posiblemente estés leyendo este artículo gracias al uso de esta tecnología.

Algunos ejemplos muy cotidianos son:

Antivirus

Seguramente tienes en tu computadora o cualquier dispositivo un software o aplicación que te ayuda a sentirte protegido; pues estos programas “Aprenden” constantemente sobre como atacan los virus y “toman decisiones” de cuando impedir el acceso o no a tu computadora.

Videojuegos

Este es uno de los usos más comunes y antiguos del Machine Learning, en algunos de los juegos más populares y divertidos tienes la opción de usar BOTS que compitan contra ti o te ayuden a cumplir misiones. Estos bots hoy en día gracias al machine learning aprenden cómo ganarte y ofrecen una experiencia de juego que mejora cada vez.

Detección de fraudes y seguridad bancaria

La seguridad financiera es también una de las grandes áreas donde el Machine Learnig reina desde hace mucho tiempo e interactúa con cada uno de nosotros al ingresar en nuestro banco a través de internet; hay enormes cantidades de datos que se procesan a cada segundo y es donde inteligencia artificial nos ayuda haciendo más seguro nuestro ingreso y evitando que personas no deseadas puedan acceder o ello.

Paypal es uno de los grandes ejemplos de todo esto. Su lucha sin cuartel contra el fraude y el blanqueo de capitales tiene como arma principal el Machine Learnig; haciendo que esta plataforma sea sumamente segura y confiable.

Reconocimiento

Esta es otra de las áreas del ML con la que tal vez interactuamos todos los días; Siri, Ok Google, Alexa y muchos otros asistentes usan el procesamiento del lenguaje natural (NLP en inglés) para entender y procesar solicitudes en segundos; pasando por el reconocimiento de nuestro idioma, interpretando cada silencio entre palabra y literalmente aprendiendo a cada segundo de nosotros.

Dentro del reconocimiento podemos destacar el de imágenes. Esto es algo digno de entrar en profundidad; ya que por ejemplo la detección de rostro en las cámaras de nuestros teléfonos es gracias al Machine Learning. Y las cada día mejores aplicaciones de traducciones de texto mediante una foto son también gracias a ésta; interpretar, agrupar y darle sentido a cada pixel en segundos requiere el procesamiento de enormes cantidades de datos.

Segmentación de audiencia

En las Redes Sociales la aplicación del ML cubre una enorme parte de éstas. Los algoritmos (Conjunto ordenado de operaciones sistemáticas que permite hacer un cálculo y hallar la solución de un tipo de problemas, Wikipedia) son cada día más inteligentes y aprenden de maneras increíbles. Estos algoritmos ayudan a que segmentes tu audiencia y llegues específicamente al tipo de persona que quieres tocar en tus redes sociales.

Vehículos autónomos, drones y carros “Inteligentes”

Esencialmente usan el aprendizaje automático para tomar decisiones y avanzar cada pulgada. El desarrollo de estos vehículos va directamente relacionado con el Machine Learnig y si algún día vez que alguna ciudad (posiblemente asiática); ya están usando carros autónomos para recorrer grandes distancias entonces tendrás una idea de lo desarrollado que esta este campo.

¿No te sucede que realizas una búsqueda en Google y al rato toda la publicidad que vez en la web es relacionada con esa búsqueda? Si te has dado cuenta de esto entonces podemos decirte que acabas de ver el ejemplo más común del machine learnig. Los motores de búsqueda cada día son más personalizados; y se adaptan a las necesidades de su usuario principal mediante el aprendizaje de sus gustos.

Este artículo es una muy rasante mirada a un mundo cada día más amplio. La inteligencia artificial cada día crece a pasos agigantados; pero de lo que estamos seguros es de que el Machine Learnig dará mucho de qué hablar.