MACHINE LEARNING

 ¿Qué es el "Machine Learning" y para qué sirve?

El Machine Learning es una disciplina del campo de la Inteligencia Artificial que, a través de algoritmos, dota a los ordenadores de la capacidad de identificar patrones en los datos masivos y elaborar predicciones (anális predictivo). Este aprendizaje permite a los computadores realizar tareas específicas de forma autónoma, es decir, sin necesidad de ser programados.

 

El término se utilizó por primera vez en 1959. Sin embargo, ha ganado relevancia en los últimos años debido al aumento de la capacidad de computación y al boom de los datos. Las técnicas de aprendizaje automático son, de hecho, una parte fundamental del Big Data.
 

 

 Distintos Algoritmos de "Machine Learning"

 

Los algoritmos de Machine Learning se dividen en tres categorias, siendo las dos primeras las dos primeras las más comunes: 

Aprendizaje Supervisado:

Estos algoritmos cuentan con un aprendizaje previo basado en un sistema de etiquetas asociadas a unos datos que les permites tomar decisiones o hacer predicciones. Un ejemplo es un detector de spam que etigueta un e-mail como spam o no dependiendo de los patrones que ha aprendido del histórico de correos, (relacón texto/imágenes, palabras clave en el asunto, etc.)

Aprendizaje No Supervisado:

Estos algoritmos no cuentan con un conocimiento previo. Se enfrentan al caos de datos con el objetivo de escontrar patrones que permitan organizarlos de alguna manera. Por ejemplo, en el campo del marketing se utilizan para extraer patrones de datos masivos provenientes de las redes sociales y crear campañas de publicidad altamente segmentadas.

 

Aprendizaje por refuerzo: 

Su objetivo es que un algoritmo aprenda a partir de la propia experiencia. Esto es, que sea capaz de tomar la mejor decisión ante diferentes situaciones de acuerdo a un proceso de prueba y error en el que se recompensan las decisiones correctas. En la actualidad se está utilizando para posibilitar el reconocimiento facial, hacer diagnósticos médicos o clasificar secuencias de ADN.

 

Aplicaciones Prácticas del "Machine Learning"

El Machine Learning es uno de los pilares sobre los que descansa la transformación digital. En la actualidad, ya se está utilizando para encontrar nuevas soluciones en diferentes campos, entre los que cabe destacar:

Recomendaciones:

 

Permite hacer sugerencias personalizadas de compra en plataformas online o recomendar canciones. En su forma más básica analiza el historial de compras y reproduccuones del usuario y lo compara con lo que han hecho otros usuarios con tendencias o gastos parecidos.

 

 

Vehículos Inteligentes:

Según el informe Automotive 2025: Industry without borders de IBM, en 2025 ya veremos coches inteligentes en las carreteras. Gracias al aprendizaje autómatico, estos vehículos podrán ajustar la configuración interna (temperatura, música, inclinación del respaldo, etc.) de acuerdo a las preferencias del conductor e, incluso, mover el volante solos para reaccionar al entorno.

Redes Sociales:

Twitter, por ejemplo, se sirve de algoritmos de machine Learning para reducir en gran medida el spam publicado en esta red social mientras que en Facebook, a su vez, lo utiliza para detectar tanto noticias falsas como contenidos no permitidos en retrasmisiones en directo que bloquea autómaticamente.

Procesamiento de Lenguaje Natural(PLN):

 

A través de la comprensión de lenguaje humano, asistentes como Alexa o siri puede traducir instantáneamente de un idioma a otro, reconocer la voz del usuario e incluso analizar sus sentimientos.

 

Búsquedas:

 

 

Los motores de búsqueda se sirven del aprendizaje automático para optimizar sus resultados en función de su eficacia, midiendo la misma a través de los clics del usuario.

 

 

 

 

Medicina:

Investigadores del Instituto de Tecnología de Massachusetts ya utilizan el Machine Learning para detectar con mayor antelación el cáncer de mama, algo de vital importancia ya que su detección temprana aumenta las posibilidades de curación.

 

 

 

Ciberseguridad:

Los nuevos antivirus y motores de detección de malware ya se sirven del aprendizaje automático para potenciar el escandalo, acelera la detección y mejorar la habilidad de reconocer anomalías.