WhatsApp Facebook Twitter LinkedIn Mail

Machine learning: ¿cómo aprenden las máquinas a trabajar por su cuenta?

Índice:

  1. ¿Qué es?
  2. Diferencia IA, ML y DL
  3. Uso empresarial
    1. Sector bancario
    2. Sector sanitario
    3. Marketing y ventas
    4. Otros usos

¿Qué es machine learning?

Machine learning (ML), también conocido en español como aprendizaje automático, es un tipo de inteligencia artificial. El machine learning es la tecnología que permite que un sistema aprenda de forma continua. El sistema recibe un input, un humano reacciona y, así, la próxima vez que el sistema reciba ese input, sabrá cómo actuar sin necesidad de acudir al humano.

Existen tres tipos de machine learning:

tipos machine learning ai

    • Aprendizaje supervisado: el sistema aprende gracias a que es entrenado con datos con etiquetas. Estas etiquetas son características que los humanos le otorgan a cada nuevo input que el sistema de machine learning se encuentra. Es decir, el programador le dice al dato modelo qué es lo que queremos que aprenda de él. De esta forma, cuando se le presenta una tarea, el sistema se pone a buscar patrones comparando bases de datos con datos etiquetados. Por ejemplo, una empresa de energía registra todos los datos climatológicos (temperatura, humedad, viento, etc.) durante años. Asimismo, también registra la cantidad de energía consumida por sus clientes durante ese tiempo. Con estos datos, la empresa puede entrenar un modelo de machine learning con el que, tomando los datos climatológicos de un día concreto, se pueda calcular la energía que van a consumir los clientes.

      Este tipo de aprendizaje puede ser de clasificación o de regresión. La clasificación relaciona las características de las diferentes etiquetas para obtener un resultado (pero no puede obtener el resultado de una operación). La regresión tiene como objetivo obtener un número específico, por eso se centra en las etiquetas con valor numérico (por ejemplo, 80% de una imagen está en blanco). Con el aprendizaje supervisado de clasificación se hacen tareas de: detección de fraude; clasificación de imágenes, predecir si un correo es spam, etc. En el caso de regresión, se hacen tareas como: predecir el precio de las casas; predecir el volumen de agua que va a caer durante una jornada de lluvia, entre otras.

    • Aprendizaje no supervisado: el sistema se centra en buscar similitudes entre los datos, pero no identifica patrones en los datos con ayuda de sus etiquetas. Al no estar etiquetados los datos, el sistema de machine learning no se puede programar para que detecte un tipo específico de datos. Este aprendizaje se alimenta únicamente de los datos, buscando ejemplos que se parezcan a la tarea recibida y que pueda agruparlos. Es el método más parecido a como un humano aprende.

      Por ejemplo, un niño no obtiene etiquetas identificativas cuando ve un perro o un gato, sino que los va agrupando hasta ser capaz de un perro de un gato. El aprendizaje no supervisado puede ser: de reducción (se usa para reducir el número de variables a considerar para decidir qué es) o de clustering (discriminan o separan por los datos en grupos que tengan características similares entre sí). Con el de reducción se pueden hacer tareas como: identificar palabras en correos para clasificar mejor si es spam o no, detectar patrones de comportamientos de clientes, etc. En el caso de clustering, se pueden hacer tareas como: reconocimiento de comunidades en redes sociales, creación de sistemas de recomendación (como en Spotify o Netflix), entre otras.

    • Aprendizaje reforzado: este tipo de aprendizaje no es supervisado porque los datos no están etiquetados, pero tampoco es no supervisado porque intenta clasificar grupos. El sistema aprende por medio de prueba y error hasta que llega a la mejor forma de completar una tarea. Este tipo de aprendizaje puede servir para adquirir habilidades. Por ejemplo, un chatbot hace preguntas a los usuarios y dependiendo de la interacción con ellos, puede ver lo que funciona y lo que no. Además, también puede personalizar cómo interactuar y/o preguntar basándose en cómo es el individuo y qué ha funcionado mejor hasta ahora.

¿Sabías que? Una de las formas más comunes para poner a prueba el aprendizaje por refuerzo es entrenándolo con juegos. Por ejemplo, Google ha desarrollado el programa AlphaGo, el cual ha sido capaz de ganar al campeón del mundo del juego de mesa GO. Asimismo, también la Universidad de Groningen (Países Bajos) ha hecho pruebas entrenando un sistema de machine learning con el juego de Pacman. Los programadores le enseñan las reglas del juego y el sistema aprende a jugar por sí mismo.

¿Cuál es la diferencia entre inteligencia artificial, machine learning y deep learning?

La inteligencia artificial es una tecnología que trata de realizar las tareas y tomar las decisiones empresariales de forma automática y autónoma. Dentro de los diferentes tipos de inteligencia artificial se encuentra el machine learning, que se encarga de que esa tecnología aprenda de forma automática. El machine learning necesita al principio interacción humana para aprender y, luego, ya ha aprendido viendo lo que ha hecho el humano.

inteligencia artificial machine learning deep learning

El deep learning es un tipo de machine learning, que puede ser tanto de aprendizaje supervisado como no supervisado. Está compuesto de redes neuronales artificiales que imitan las humanas, lo que permite que aprendan los sistemas por sí solos, sin ningún tipo de participación humana (sólo la programación inicial de la tecnología). Para hacer implementar este tipo de tecnología hace falta usar una unidad de procesamiento gráfica (GPU) y usar un hardware con una potencia y una capacidad de memoria muy grande.

¿Para qué se usa el machine learning en las empresas?

Aunque pueda parecer cosa del futuro, el machine learning ya se usa en muchas empresas de sectores muy distintos.

El uso de Machine learning en el sector bancario

El sector de la banca es uno de los que más apuesta en tecnología. El machine learning ayuda a reducir la incertidumbre de cara al cliente. Por ejemplo, con ayuda del machine learning el empleado de una oficina del banco puede ofrecerle productos y servicios personalizados al estudiar su estilo de vida. Asimismo, el machine learning también ayuda con la detección de fraude (aunque también usan otras tecnologías para ellos como blockchain). Por ejemplo, si un usuario compra una bicicleta de 2.000€ y el sistema no tiene al usuario reconocido como alguien que se gastaría esa cantidad de dinero y/o no lo reconoce como ciclista habitual a través de sus gastos. Entonces, pide una confirmación al usuario, ya sea con un agente que le llama para confirmar la operación o a través de una confirmación necesaria a través de una aplicación usando la huella biométrica del usuario.

“En definitiva, el ‘machine learning’ es un maestro del reconocimiento de patrones, y es capaz de convertir una muestra de datos en un programa informático capaz de extraer inferencias de nuevos conjuntos de datos para los que no ha sido entrenado previamente”, José Luis Espinoza, científico de datos de BBVA México.

El machine learning ayuda con los diagnósticos sanitarios

La sanidad usa la tecnología de machine learning para conseguir diagnósticos precoces y precisos, y estudios sobre enfermedades. Por ejemplo, la universidad de Washington ha sido capaz de predecir el riesgo de reingreso hospitalario de los pacientes que salían tras haber padecido una insuficiencia cardíaca crónica. Estos datos reportaron que el 30% de los pacientes con este tipo de enfermedad volvía a ingresar cuando pasaba 1 mes y el 32% cuando pasaban 2 meses.

“[El machine learning] ha cambiado el modelo asistencial, vamos a agrupar a los pacientes de forma distintas”, Joan Escarrabill, responsable del área de Innovación del Instituto de Estudios de la Salud y director del área de Evaluación de la Agencia de Calidad y Evaluación Sanitarias de Cataluña (AQuAS).

Marketing y ventas usan machine learning para mejorar sus conversiones

En marketing hacen uso del machine learning para una gran variedad de cosas. Uno de los usos más comunes es el de seleccionar un target (público objetivo) más preciso y así aumentar el ROI de la campaña. También sirve para mejorar las campañas de e-mail marketing en función de los patrones de compra de los consumidores y así adaptar la hora de envío a aquellas en las que resulten más eficientes.

Otros tipos de uso del machine learning

La tecnología de machine learning también se puede aplicar a muchos otros sectores. Por ejemplo, en el sector logístico una empresa puede usar machine learning para la planificación de rutas. El sistema de machine learning calcula la mejor ruta para cada transporte de mercancía. Para esto, el sistema de machine learning usa los algoritmos que desarrolla para evitar circulaciones lentas o restricciones de tráfico. También toma en cuenta variables como las condiciones meteorológicas. De esta forma, la empresa ahorra en gasolina, reduce el desgaste de neumáticos (porque hace menos kilómetros), y la mercancía llega antes a su destino.

Otra actividad en la que se usa el machine learning es en la política. Los gobiernos usan machine learning para distintas actividades. Por ejemplo, el gobierno puede apoyarse en el machine learning para proveer de servicios a los ciudadanos. Estos servicios pueden ser responder rápidamente a sus consultas con bots y redirigiendo las quejas a las personas responsables. También usan el machine learning para planificar y crear políticas recopilando la opinión pública al analizar las tendencias de las redes sociales.

¿Quiere usar este artículo como fuente? Haga clic para copiar.

European Knowledge Center for Information Technology (Ed.). (2021, 23 abril). Machine learning: ¿cómo aprenden las máquinas a trabajar por su cuenta? TIC Portal. https://www.ticportal.es/glosario-tic/machine-learning