Machine learning cuando las máquinas aprendieron a aprender. Machine learning es una disciplina dentro del campo de la inteligencia artificial. Se define como la capacidad de las máquinas de aprender por sí mismas de forma automática.
Cuando decimos ‘aprender’, nos referimos a un ordenador que tiene acceso a millones de datos. A partir de ellos, su algoritmo es capaz de establecer patrones de comportamiento. E incluso realizar predicciones de las tendencias que se darán en un futuro.
Pero lo más interesante es que la máquina, a partir de esos análisis de datos, puede aprender de manera autónoma, sin que un ser humano intervenga en su programación. Cuántos más datos examina, más ‘inteligente’ se vuelve. Machine learning cuando las máquinas aprendieron a aprender.
Un poco de historia
Se considera a Arthur Samuel como el pionero del aprendizaje automático. En 1952, desarrolla un programa para jugar a las damas que era capaz de mejorar partida a partida. Poco después, en 1958, Frank Rosenblatt crea Perceptron. Se trata de una red neuronal artificial que quiere funcionar como el cerebro humano.
Llegamos a 1967, cuando se desarrolla el algoritmo Nearest Neighbor. Fue el primer programa que utilizó el reconocimiento de patrones. Gerald Dejong consigue otro hito en 1981. Es el nacimiento del Explanation Based Learning. El ordenador es capaz de analizar datos y crear una regla que descarte los menos importantes. Machine learning cuando las máquinas aprendieron a aprender.
En los 90, se desarrolla el concepto data driven. Hablamos de programas que extraen conclusiones de la información que analizan. En 1997, se produce uno de los hechos más conocidos para la opinión pública: el ordenador Deep Blue, de IBM, gana al entonces campeón mundial de ajedrez, Gary Kasparov.
Actualmente, la carrera por el desarrollo del machine learning ha cogido velocidad: IBM lanza su inteligencia artificial, Watson, en 2010; en 2014, Facebook desarrolla DeepFace, capaz de reconocer a personas. En 2015, Amazon presenta su propia plataforma de machine learning, una herramienta que quiere ser accesible a todos los desarrolladores.
La clave está en el algoritmo
Sin la mano del hombre. Los algoritmos convierten a las máquinas en ‘ingenieros informáticos’ que se programan a sí mismos. Cada nuevo dato ayuda a que el funcionamiento del ordenador sea más complejo, efectivo y preciso.
Se emplean diferentes técnicas de clasificación. Pero una de las más importantes es el árbol de decisión. Construido a partir de diagramas, se desarrolla como un mapa. Ofrece todas las probabilidades que resultarían al tomar cada una de las decisiones posibles. Esas acciones se comparan entre sí a partir de costos, eventualidades y beneficios. Machine learning cuando las máquinas aprendieron a aprender.
En el machine learning, existen varios tipos de algoritmo:
Aprendizaje supervisado
A la máquina se le suministran datos e información detallada y etiquetada. Es el conocimiento base para sus análisis. Los diferentes ejemplos le sirven para realizar posteriores generalizaciones.
Aprendizaje no supervisado
Se parece más a la forma en que funciona nuestro cerebro. El ordenador no recibe información previa sobre los datos. Ha de rastrear su propia base de datos y establecer patrones a través de la comprensión y la abstracción.
Aprendidaje por refuerzo
El ordenador aprende a partir de la experiencia. Se basa en el sistema ensayo-error, por el que la observación del mundo que le rodea es la base de su aprendizaje. Esa retroalimentación le hace mejorar.
Beneficios del machine learning
El aprendizaje automático tiene muchas aplicaciones en el mundo empresarial. Según la plataforma Cloudera, el 87% de las grandes empresas ha invertido en machine learning. Y un tercio de ellas afirma que ya ha experimentado un retorno de la inversión. ¿Por qué apostar por el machine learning? Machine learning cuando las máquinas aprendieron a aprender.
- Ayuda a conocer mejor a los consumidores, sus gustos y necesidades a través del análisis de su comportamiento.
- Favorece la innovación y el desarrollo de nuevos productos. Su análisis exahustivo ayuda a que se descubran patrones y soluciones que hasta ahora no se habían pensado.
- Se basa en la adaptabilidad de los procesos. Optimiza la logística de la empresa gracias a su sólida base de datos.
- Toma de decisiones rápida y eficaz. Permite a la empresa estar al día al ofrecer información verificada.
Algunos ejemplos
Cada vez oímos hablar de más aplicaciones del machine learning en el día a día.
Uno de los máximos exponentes es el coche autónomo. Un vehículo capaz de conducir por sí mismo y anticiparse a los problemas de conducción. Tesla parece haber tomado la delantera en el sector, con anuncios como el que asegura que en 2020 lanzará el primer coche 100% autónomo. Pero las demás marcas no se han quedado dormidas: Audi AI:ME o Waymo (el coche de Google) son otros ejemplos.
Según la consultora Gartner, en 2020, el 25% de las operaciones bancarias se realizarán a través de chatbots. BBVA ha sido la primera entidad española en aplicar estos programas. A través de BBVA Chatbots, los clientes pueden, por ejemplo, tener un cajero en sus redes sociales.
A nivel sanitario, en los objetos conectados de nuestra casa, para gestionar ciudades inteligentes o en la detección de fraudes. Pero el machine learning también puede ser más divertido. Giorgio Cam es un experimento de Google en el que la máquina compone una melodía a partir de imágenes. Machine learning cuando las máquinas aprendieron a aprender.
O hacernos pensar en un futuro de ciencia ficción. Como el que supone el reto de cuatro investigadores de la Universidad de Kyoto que aseguran haber creado un software capaz de leer la mente.
Fuente: www.blog.orange.es