“Machine Learning”: cuando las máquinas aprenden
Ricardo Segura |
La inteligencia artificial (IA), la disciplina científica que se ocupa de crear programas informáticos que ejecutan operaciones comparables a las que realiza la mente humana, es una de las ramas de la informática que más se expande en todos los terrenos de la actividad humana, combinada con diversas tecnologías, que entonces adquieren el “apellido” de “inteligentes”.
En general, tenemos poca conciencia de la omnipresencia de la IA en la cual estamos inmersos a través de sus múltiples aplicaciones, desde los asistentes virtuales de voz o las apps para el móvil, hasta la predicción del comportamiento del mercado financiero, el pronóstico meteorológico o la reducción del consumo energético en los edificios.
Esta tecnología, que permite aprender automáticamente a los ordenadores sin necesidad de programarlos de forma continuada, tiene un uso cada vez más variado y, según la consultora Accenture podría llegar a aumentar la productividad de las empresas más de un 40% para 2035, según Ironhack (www.ironhack.com/es), escuela especializada en formación intensiva de talento digital.
55005371698_5.jpg
Destacan que, en pocos años, los algoritmos (secuencia de instrucciones informatizadas) catalogados como “Machine Learning” han evolucionado para conseguir manejar grandes volúmenes de datos (Big Data), obtener mejores resultados y resolver problemas de manera más eficiente.
“El aprendizaje automático es un conjunto de técnicas matemáticas con las cuales se consigue tomar decisiones o hacer predicciones automáticamente”, explica a Efe Claudia Rivera, Head of Data (jefa de datos) de Ironhack.
PREDECIR EL FUTURO CON LOS DATOS DEL PASADO
“Estas técnicas permiten utilizar los datos que tenemos sobre lo que ha pasado para intentar predecir lo que va a pasar”, añade.
Señala que, “en base a los datos se construye un modelo (o ‘máquina de decisión /predicción’) en un proceso llamado entrenamiento, en el cual ‘enseñamos’ al algoritmo aquello que tiene que saber, le damos un contexto”.
“Si cambiamos los datos, el modelo también cambia. Es decir, que en vez de detallar una a una las reglas que hay que seguir para efectuar una predicción o para tomar una decisión, estas reglas se recalculan”, apunta.
55005371698_6.jpg
“Los datos pueden cambiar porque se actualizan (cada día puede haber datos nuevos), porque se decide incluir más datos (más variables que antes no se tenían en cuenta) o porque se decide incluir menos datos”, explica.
Señala que este sistema se utiliza en infinidad de áreas, desde las predicciones meteorológicas hasta las estadísticas de uso de páginas web por parte de los usuarios.
“Una de sus aplicaciones más cotidianas es en las búsquedas de Google, cuando al poner dos letras en la ventana del buscador aparecen debajo una serie de opciones de lo que podríamos interesarnos, que el AA elabora basándose en nuestras búsquedas anteriores, siendo el resultado diferente para cada usuario”, indica.
Aunque parezca una tecnología del futuro, su aplicación práctica ya forma parte de nuestro día a día, señalan desde Ironhack, quienes describen algunos otros usos del AA en nuestra vida cotidiana:
- Detección de rostro
El reconocimiento facial se usa para desbloquear el móvil, probar filtros de fotos en Snapchat o Instagram e intentar predecir cómo se envejece, según esta firma. El software identifica las caras mediante decenas de puntos concretos, cuya configuración es diferente en cada persona.
- Reconocimiento de voz
Los sistemas “Ok Google” u “Oye Siri”, son buenos ejemplos. Para entender qué es lo que alguien necesita cuando formula una pregunta, estos asistentes virtuales terminan conociendo todo del usuario: patrones de sueño, mensajes, calendario, recordatorios, emails, etc.
- Correo Gmail
Al marcar los correos como “malware” (programa malicioso), el sistema termina entendiendo y aprendiendo a enviar dichos mensajes directamente a la carpeta de “no deseados” para mantener al usuario protegido de virus, fraudes o mensajes que no le interesan.
- Marketing personalizado
Basado en cómo actúa el usuario al utilizar Internet o sus redes sociales, el AA aprende de sus patrones de conducta para recomendarle productos o servicios que encajen con esa persona. Google, Amazon e Instagram trabajan con estos datos, que aumentan la eficiencia de sus campañas y permiten conocer las necesidades del usuario.
- Google Maps para el tráfico
Esta herramienta con “Machine Learning”, muestra las rutas más seguras y eficientes, además genera pronósticos de circulación, utilizando tecnologías basadas en patrones de tráfico y de movilidad recopilados a lo largo del tiempo y combinándolo con condiciones de tráfico en vivo.
- Coches autónomos
Existen coches capaces de conducirse de manera autónoma, adelantar, aparcar o maniobrar. Ofrecen la posibilidad de disminuir las incidencias de tráfico e incluso el número de accidentes, ya que, al eliminar el factor humano de la ecuación, el margen de error es ínfimo.
- Diagnósticos médicos
Los sistemas inteligentes permiten procesar mucha información ayudando a detectar patologías con rapidez y menor error. El Machine Learning mostró una eficacia del 90% en la detección de cáncer de mama y próstata, permitió avances en el diagnóstico y tratamiento del ictus, alzhéimer y demencia senil, y ayuda a detectar malformaciones o problemas durante el embarazo, según Ironhack.
