Machine Learning es una rama de la Inteligencia Artificial y es la capacidad de un sistema de aprender de manera automatizada. Es un concepto ya tiene más de 50 años pero que ahora empieza a oírse. En este post vamos a aprender que es el Machine Learning y cuales pueden ser sus principales aplicaciones en la vida real.
De hecho, en los años 90, IBM creó un ordenador para derrotar al campeón del mundo de ajedrez Garry Kasparov. Deep Blue, el ordenador, fue nutrido con 700.000 de las mejores partidas de ajedrez de la historia, todas jugadas por humanos. De este modo el ordenador, usando la tecnología de Machine Learning, aprendió las técnicas utilizadas en ellas y mejoró su juego partida a partida. El resultado: logró vencer al campeón del mundo de ajedrez y levantar mucha polémica alrededor.
Desde entonces, el Machine Learning ha seguido avanzando hasta llegar a los niveles actuales. El aprendizaje automático a partir de la identificación de patrones complejos de millones de datos, es capaz de mejorar de manera independiente con el tiempo y de predecir comportamientos futuros, entre muchas otras cosas.
Pero, ¿qué es el Machine Learning?
El Machine Learning se basa en el análisis de datos y de la generación de modelos que deducen y generan comportamientos y predicciones. Cuantos más datos analiza en sistema, más precisos son sus resultados. Por este motivo el concepto de Machine Learning suele ir ligado a Big Data (aún que no siempre es necesario tener una gran base de datos).
Los datos que analiza
La información de la que disponemos puede ser estructurada o no estructurada. Según un estudio de Deloitte, el 90% de la información que se genera es no estructurada.
- Datos estructurados: son aquellos datos utilizado por las empresas, clasificados en filas y columnas, fácilmente procesables por cualquier herramienta.
- Datos no estructurados: son aquellos datos binarios, conglomerado de información sin una estructura definida. Una vez filtrados, pueden ser fácilmente categorizados.
La forma de trabajo del Machine Learning
El sistema tiene tres formas posibles de trabajar, en función de los objetivos que tengamos.
- Aprendizaje supervisado: cuando definimos el objetivo que queremos lograr y nutrimos al sistema con información clasificada. Este aprendizaje es muy útil para predicciones de comportamientos y requiere de una fase de entrenamiento del ordenador con la base de datos.
- Aprendizaje no supervisado: cuando no dejamos claro el objetivo del agrupamiento. Es útil para la comprensión y abstracción de patrones de información. Es la forma de procesar la información más parecida a la del ser humano, y no requiere de una fase de entrenamiento.
- Aprendizaje por esfuerzo: el sistema aprende a partir de la experiencia, con prueba y error. Es ideal para bases de datos pequeñas. La maquina va aprendiendo a realizar mejor su tarea a medida que la ejecuta, con recompensas positivas cuando acierta.
Machine Learning y sus aplicaciones en la vida real
El Machine Learning ya es una realidad. Lo encontramos por ejemplo cuando compramos online y la plataforma nos propone productos que también nos pueden interesar, en función de lo que hemos buscado. Pero el concepto va más allá e incluso puede servir para:
- Detección visual de defectos en prendas o en pieles de curtidurías. De esta forma se pueden automatizar procesos de clasificación y toma de decisiones.
- La simplificación de las tareas de almacén y logística gracias a los comandos por voz.
- La medición a partir de imágenes, para obtener de forma automática información del producto que se está fabricando.