Cargando

Escribe para buscar

Machine Learning: Una pequeña guía

Compartir

Las computadoras nos han ayudado a calcular la inmensidad del espacio y los detalles minuciosos de las partículas subatómicas. Cuando se trata de contar y calcular, o de seguir algoritmos lógicos de sí / no, las computadoras superan a los humanos.

Pero generalmente no los consideramos como “inteligentes” porque, tradicionalmente, las computadoras no han podido hacer nada por sí mismas, sin que nosotros las enseñemos (programemos) primero.

Hasta ahora, incluso si una computadora tuviera acceso a toda la información del mundo, no podría hacer nada “inteligente” con ella. Podría encontrarnos una imagen de un gato, pero solo porque le habíamos dicho que ciertas imágenes contienen gatos. En otras palabras, pídale que busque una imagen de un gato y volverá con una imagen que le han dicho que es de un gato.

Esto tiene varias implicaciones que limitan su utilidad, entre otras cosas, que se debe dedicar una gran cantidad de tiempo humano a contarle lo que contiene cada imagen.

Si bien esto funciona lo suficientemente bien si solo buscamos imágenes de gatos en Google para pasar nuestro tiempo, si queremos hacer algo más avanzado, como monitorear una transmisión de video en vivo y que la computadora nos avise cuando un gato se pasea frente a la cámara, ya es un poco más difícil.

Son problemas como este los que el Machine Learning está tratando de resolver. En su forma más simple, el Machine Learning consiste en enseñar a las computadoras a aprender de la misma manera que nosotros, interpretando datos del mundo que nos rodea, clasificándolos y aprendiendo de los éxitos y fracasos.

La red neuronal y el aprendizaje profundo

Se han experimentado varios marcos diferentes a lo largo de los años, al crear algoritmos diseñados para permitir que las máquinas manejen los datos de la misma manera que lo hacen los humanos.

Sin embargo, el marco que, en los últimos años, ha superado a todos los demás en popularidad al demostrar constantemente su utilidad y adaptabilidad, es la red neuronal artificial.

Al incorporar la neurociencia a la receta, los investigadores descubrieron que eran posibles modelos informáticos que parecen funcionar de manera más similar a un cerebro humano que cualquier otro desarrollado anteriormente.

Las redes neuronales artificiales, como los cerebros reales, se forman a partir de “neuronas” conectadas, todas capaces de realizar una tarea relacionada con los datos, como reconocer algo, no reconocerlo, relacionar un dato con otro y responder una pregunta sobre la relación entre ellos.

Cada neurona es capaz de transmitir los resultados de su trabajo a una neurona vecina, que luego puede procesarlos más. Debido a que la red es capaz de cambiar y adaptarse en función de los datos que pasan a través de ella, para tratar de manera más eficiente el siguiente bit de datos que encuentra, se puede considerar como un “aprendizaje”, de la misma manera que nuestros cerebros lo hacen.

El “aprendizaje profundo”, otro tema candente, es simplemente Machine Learning que se deriva de redes neuronales “profundas”. Estos se construyen colocando muchas redes una encima de la otra, pasando información a través de una red enredada de algoritmos para permitir una simulación más compleja del aprendizaje humano.

Debido al aumento de la potencia y la caída del precio de los procesadores de computadora, las máquinas con suficiente capacidad para ejecutar estas redes son cada vez más asequibles.

¿Qué se puede hacer con el Machine Learning?

  • La aplicación del Machine Learning a la sociedad y la industria está generando avances en muchos campos de la actividad humana.
  • Por ejemplo, en medicina, el aprendizaje automático se está aplicando a los datos genómicos para ayudar a los médicos a comprender y predecir cómo se propaga el cáncer, lo que significa que se pueden desarrollar tratamientos más efectivos.
  • Los datos del espacio profundo se recopilan aquí en la Tierra a través de enormes radiotelescopios y, después de analizarlos con el aprendizaje automático, nos ayudan a descubrir los secretos de los agujeros negros.
  • En el comercio minorista, el aprendizaje automático conecta a los compradores con los productos que desean comprar en línea y, en el mundo de los bienes raíces, permite a los vendedores personalizar el servicio que ofrecen a sus clientes.
  • En la guerra contra el terrorismo y el extremismo, el aprendizaje automático se utiliza para predecir el comportamiento de quienes quieren dañar a inocentes.
  • En nuestra vida cotidiana, el aprendizaje automático ahora impulsa los algoritmos de búsqueda e imagen de Google para relacionarnos con mayor precisión con la información que necesitamos en nuestras vidas.
  • El proceso de permitir que las computadoras nos entiendan y se comuniquen con nosotros en el lenguaje humano, gracias al aprendizaje automático, se conoce como procesamiento del lenguaje natural (NLP).

Sin lugar a dudas, el aprendizaje automático está demostrando ser una tecnología con poderes transformadores de gran alcance. El aprendizaje automático es la clave que lo ha desbloqueado, y sus posibles aplicaciones futuras son casi ilimitadas.

¿Cuál es la diferencia entre AI y Machine Learning?

La inteligencia artificial (IA) y el Machine Learning (ML) son dos términos de moda en este momento y, a menudo, parecen usarse indistintamente.

No son exactamente lo mismo, pero la percepción de que lo son a veces puede generar cierta confusión. Así que valdrá la pena explicar la diferencia.

Ambos términos surgen con mucha frecuencia cuando el tema es Big Data, análisis y las olas más amplias de cambio tecnológico que se están extendiendo por nuestro mundo.

En resumen, la mejor respuesta es:

  • La Inteligencia Artificial es el concepto más amplio de que las máquinas pueden realizar tareas de una manera que consideraríamos “inteligente”.
  • Y, Machine Learning es una aplicación actual de IA basada en la idea de que realmente deberíamos poder darles a las máquinas acceso a los datos y dejar que aprendan por sí mismas.

Primeros días

La inteligencia artificial ha existido durante mucho tiempo, los mitos griegos contienen historias de hombres mecánicos diseñados para imitar nuestro propio comportamiento.

Las primeras computadoras europeas fueron concebidas como “máquinas lógicas” y, al reproducir capacidades como la aritmética básica y la memoria, los ingenieros vieron su trabajo, fundamentalmente, como intentar crear cerebros mecánicos.

A medida que la tecnología y, lo que es más importante, nuestra comprensión de cómo funcionan nuestras mentes, ha progresado, nuestro concepto de lo que constituye la IA ha cambiado. En lugar de realizar cálculos cada vez más complejos, el trabajo en el campo de la IA se concentró en imitar los procesos de toma de decisiones humanos y realizar tareas de formas cada vez más humanas.

Las inteligencias artificiales, dispositivos diseñados para actuar de manera inteligente, a menudo se clasifican en uno de dos grupos fundamentales: aplicada o general.

La IA aplicada es mucho más común, los sistemas diseñados para realizar acciones de manera inteligente, como maniobrar un vehículo autónomo entrarían en esta categoría.

Las IA generalizadas (sistemas o dispositivos que en teoría pueden manejar cualquier tarea) son menos comunes, pero aquí es donde se están produciendo algunos de los avances más emocionantes en la actualidad. También es el área que ha llevado al desarrollo del Machine Learning.

El auge del Machine Learning

Dos avances importantes llevaron al surgimiento del Machine Learning como el vehículo que está impulsando el desarrollo de la IA con la velocidad que tiene actualmente.

Uno de ellos fue el darse cuenta, en 1959, de que en lugar de enseñar a las computadoras todo lo que necesitan saber sobre el mundo y cómo realizar tareas, podría ser posible enseñarles a aprender por sí mismas.

El segundo, más recientemente, fue la aparición de Internet y el enorme aumento en la cantidad de información digital que se genera, almacena y pone a disposición para su análisis.

Una vez que se implementaron estas innovaciones, los ingenieros se dieron cuenta de que, en lugar de enseñar a las computadoras y a las máquinas cómo hacer todo, sería mucho más eficiente codificarlas para pensar como seres humanos y luego conectarlas a Internet para darles acceso a toda la información del mundo.

Redes neuronales

El desarrollo de las redes neuronales ha sido clave para enseñar a las computadoras a pensar y comprender el mundo de la forma en que lo hacemos los humanos, conservando las ventajas innatas que tienen sobre nosotros, como la velocidad, la precisión y la falta de sesgo.

Una red neuronal es un sistema informático diseñado para funcionar clasificando información de la misma manera que lo hace un cerebro humano. Se le puede enseñar a reconocer, por ejemplo, imágenes y clasificarlas según los elementos que contienen.

Las aplicaciones de aprendizaje automático pueden leer texto y determinar si la persona que lo escribió está presentando una queja u ofreciendo felicitaciones. También pueden escuchar una pieza musical, decidir si es probable que haga feliz o triste a alguien y encontrar otras piezas musicales que se adapten a su estado de ánimo.

Todas estas son posibilidades que ofrecen los sistemas basados ​​en ML y redes neuronales. Gracias en gran parte a la ciencia ficción, también ha surgido la idea de que deberíamos poder comunicarnos e interactuar con dispositivos electrónicos e información digital, de forma tan natural como lo haríamos con otro ser humano.

Con este fin, otro campo de la IA, el procesamiento del lenguaje natural (PNL), se ha convertido en una fuente de innovación enormemente interesante en los últimos años, y que depende en gran medida del Machine Learning.

Branding

La inteligencia artificial, y en particular hoy en día, el ML, tienen mucho que ofrecer. Con su promesa de automatizar las tareas mundanas y de ofrecer una visión creativa, las industrias de todos los sectores, desde la banca hasta la atención médica y la fabricación, cosecharán los beneficios. Por lo tanto, es importante tener en cuenta que la inteligencia artificial y el Machine Learning son el futuro.

El hecho de que eventualmente desarrollemos una IA similar a la humana a menudo ha sido tratado como algo inevitable por los tecnólogos. Ciertamente, hoy estamos más cerca que nunca y avanzamos hacia ese objetivo con mayor rapidez.

Gran parte del emocionante progreso que hemos visto en los últimos años se debe a los cambios fundamentales en la forma en que imaginamos el funcionamiento de la IA, que han sido provocados por ML.

Espero que este artículo haya ayudado a muchas personas a comprender algunos conceptos básicos sobre Machine Learning.  Siempre buscaremos la manera de mantener actualizados a los lectores, y de compartir lo más innovador e interesante.