¿Qué es Machine Learning?
El propósito principal del machine learning no es otro que dotar a las máquinas de la habilidad para que puedan aprender por sí mismas, sin necesidad de que nadie perfeccione sus algoritmos. Es decir que, al igual que la mente humana, puedan mejorar en base a su propia experiencia, de forma que realicen cada vez con mayor grado de precisión aquellas tareas que le han sido encomendadas. Para que puedan hacerlo es necesario que se les dote de cierta información, ya sea a través de ficheros cargados con multitud de datos, o incluso permitiéndoles realizar ciertas observaciones e incluso interactuando con el mundo real.
Es por esto que han pasado de realizar tareas relativamente sencillas a otras más complejas. Así, si bien en un primer momento estaban preparados para filtrar emails o algunas otras acciones cotidianas, se les ha dotado de mayor poder de computación con el paso del tiempo y a día de hoy son capaces de analizar millones de resultados de diagnósticos médicos para, por ejemplo, detectar cánceres con mayor fiabilidad; realizar predicciones del estado del tráfico en tramos muy transitados y con suficiente antelación; o realizar proyectos arquitectónicos en tiempo real, solamente con reconocer una determinada zona. Si quieres conocer otros casos reales del uso de la analítica de datos te recomendamos este artículo.
¿Qué tipos de algoritmos existen en el machine learning?
En este área de la IA, de la inteligencia artificial, existen tres tipos diferenciados en función de la forma en que se capacita y entrena a la máquinas para que mejoren a medida que realizan sus tareas, para que, afinando sus patrones y comportamiento, puedan ejecutar sus acciones de una forma cada vez más optimizada. Para decantarnos por un tipo de machine learning u otro, lo fundamental es saber cuál es el propósito que queremos alcanzar programando ese intelecto artificial.
Supervised learning o aprendizaje supervisado
Cuando se habla de este tipo de machine learning es porque se trata de dotar a las máquinas de información previa para que ellos, en el futuro, tengan ejemplos y puedan ampliar su conocimiento. Se suele realizar por medio de etiquetas, de forma que al programar las máquinas le pasamos cualquier elemento debidamente etiquetado, para que luego ellas puedan seguir etiquetando más fotografías sin necesidad de que interceda ningún humano. Por ejemplo, podemos pasarle imágenes de coches, de edificios o señales de tráfico, indicándoles de qué se trata en cada caso. Con todos esos ejemplos, las máquinas van generando su propio bagaje de conocimiento para, más adelante, poder seguir asignando etiquetas al reconocer un coche, un edificio o una señal de tráfico.
En este tipo de machine learning no solamente se puede entrenar a las máquinas a partir de imágenes, sino que se les puede surtir de datos de diversos tipos, ya sean sonidos para que reconozcan la voz o diferentes tipos de caligrafías, para que puedan detectar patrones y asociarlos a unas u otras personas.
Unsupervised learning o aprendizaje no supervisado
En este caso, en lugar de dotar a los sistemas de algún tipo de etiqueta que les permita tener una base de conocimiento para ir generando su propia conocimiento, no se aporta a la máquina ningún tipo de información previa etiquetada sobre aquello que debe reconocer la máquina. En cambio, para que pueda identificarlo y pueda realizar su entrenamiento, se le suministran datos con las características que tiene el objeto que, a la postre, deberá reconocer por sí misma.
La finalidad es analizar grupos, lo que se conoce como clustering, que no es otra cosa que agrupar los elementos en función de una serie de características que tienen en común. Lo creamos o no, es la forma más parecida a la que utiliza la mente humana para desarrollarse.
Reinforcement learning o aprendizaje por esfuerzo
Por último, cuando se recurre a este tipo de aprendizaje automático es porque se persigue que los sistemas aprendan en base a la experiencia que van adquiriendo. La máquina se encarga de realizar una serie de pruebas en las que obtiene errores y aciertos, de tal forma que va aprendiendo de estos últimos y descartando aquellas otras acciones en las que había fallado. En estos casos, cuando un humano programa el algoritmo le indica cuál debe de ser el resultado final, pero no le indica cuál es la mejor forma de conseguirlo, de forma que es la máquina la encargada de ir descubriéndolo. Para ello, va detectando patrones de éxito que va repitiendo una y otra vez, para que estos sean cada vez más eficientes.
Un buen ejemplo son los coches autónomos. Su cometido es bien claro: llevar a sus pasajeros al lugar que les han indicado. Lo que ocurre que a medida que van realizando sus trayectos van descubriendo mejores rutas, atajos, menos cantidad de semáforos… con lo cual van optimizando sus trayectos y, por lo tanto, hacen de forma más eficiente su trabajo.
Machine Learning vs Deep Learning
Aunque, a priori, son muchos los que consideran intercambiables ambas áreas, lo cierto es que el Machine Learning y el Deep Learning, o aprendizaje profundo como se le denomina en castellano, son disciplinas sumamente distintas. En grande términos, esta última es una especie de subconjunto de aprendizaje automático, puesto que tanto en concepción técnica como en su aplicación práctica no es más que una forma de Machine Learning. De ahí que haya quien pueda llegar a confundir ambos términos o a utilizarlos indistintamente.
Si bien ya hemos repasado en qué consiste el Machine Learning, es conveniente explicar que el Deep Learning lo que hace es estructurar algoritmos para conformar una red neuronal artificial, que le permita tanto aprender como tomar decisiones de forma autónoma. Y es precisamente ahí donde reside la principal diferencia entre ambas tecnologías. Puesto que, si debe de ser un humano quien enmiende el error cometido por una máquina programada siguiendo algún tipo de Machine Learning, para ajustar la configuración y evitar que vuelva a fallar, un modelo de aprendizaje profundo puede determinar por sí mismo si su tarea la ha completado con éxito o no, gracias a su propia red neuronal.
Al final, como puedes ver, existe un amplio universo de posibilidades el que surge del crecimiento exponencial del Machine Learning. De ahí que las compañías tecnológicas demanden cada vez más perfiles con amplios conocimientos en Data Analytics. Por lo que, si te apasiona este mundo y quieres emprender tu camino en el aprendizaje automático, el bootcamp de Data Analytics de Ironhack puede ser tu puerta de acceso para avanzar por este fascinante mundo tecnológico.
