Machine Learning, significa Aprendizaje automático, y es una rema de la Inteligencia Artificial (IA) centrada en la creación de aplicaciones que aprenden de los datos y mejoran su precisión con el tiempo en forma automática. Los sistemas aprenden sin haber sido programados. Se trata de un sistema capaz de identificar patrones entre los datos para hacer predicciones. Esta tecnología está presente en un sinfín de aplicaciones como las recomendaciones de Netflix o Spotify, las respuestas inteligentes de Gmail o el habla de Siri y Alexa.
Por ejemplo, un algoritmo es una secuencia de pasos hacia un procedimiento estadístico.
En Machine Learning o aprendizaje automático, los algoritmos están ‘entrenados’ para encontrar patrones y características en cantidades masivas de datos con el fin de tomar decisiones y predicciones basadas en datos nuevos. Cuanto mejor sea el algoritmo, más precisas serán las decisiones y predicciones a medida que procesa más datos.
La estadística, es la base fundamental del aprendizaje automático, puesto que genera una serie de algoritmos capaces de analizar grandes cantidades de datos para deducir cuál es el resultado más óptimo.
Ejemplos de Machine Learning en la actualidad
Hoy en día, nos rodean ejemplos de aprendizaje automático. Los sitios web recomiendan productos, películas y canciones en función de lo que compramos, vimos o escuchamos antes. Los robots aspiran nuestros pisos mientras hacemos. . . algo mejor con nuestro tiempo. Los detectores de spam evitan que los correos electrónicos no deseados lleguen a nuestras bandejas de entrada. Los sistemas de análisis de imágenes médicas ayudan a los médicos a detectar tumores que podrían haber pasado por alto. Y los primeros coches autónomos están saliendo a la carretera.
Tipos de “machine learning”
- El ‘aprendizaje por refuerzo’ se produce cuando una máquina aprende por medio de prueba y error hasta alcanzar la mejor manera de completar una tarea dada. Por ejemplo, Microsoft utiliza esta técnica en entornos de juego como Minecraft para ver cómo los ‘agentes de software’ mejoran su trabajo. A través de ella el sistema aprende a modificar su conducta a base de “recompensas” para que resuelva la tarea asignada, sin programarlo específicamente para que lo realice de una forma determinada.
- ‘Aprendizaje supervisado’, se produce cuando se entrena a las máquinas con datos etiquetados. Por ejemplo, fotos con descripciones de los elementos que aparecen en ellas. El algoritmo que utiliza la máquina es capaz de seleccionar esas etiquetas en otras bases de datos. Así, si se ha etiquetado un grupo de imágenes en las que se muestran perros, la máquina puede identificar imágenes similares.
- Finalmente, en el caso del ‘aprendizaje no supervisado’, las máquinas no identifican patrones en bases de datos etiquetadas, sino que buscan similitudes. En este caso, los algoritmos no están programados para detectar un tipo específico de datos, como ocurría con las imágenes de perros, sino que buscan ejemplos que se parezcan y puedan agrupar. Es lo que ocurre, por ejemplo, en el caso del reconocimiento facial, en el que el algoritmo no busca unos rasgos concretos, sino una serie de patrones comunes que le ‘dicen’ que se trata del mismo rostro.
A diferencia de otras técnicas utilizadas anteriormente, el machine learning, tiene la capacidad para adaptarse a los cambios en los datos a medida que van entrando en el sistema.
Referencias :
