El aprendizaje automático, un subconjunto de la inteligencia artificial, permite a las computadoras aprender cosas nuevas para las que no han sido programadas específicamente. A continuación, te explicamos cómo funciona, sus tipos, aplicaciones y una breve historia del aprendizaje automático.
Traducido a partir de un escrito de Sam Daley,
actualizado por Mateo Urwin el 15 de enero de 2025
(También conocido como machine learning). El aprendizaje automático es un subconjunto de la inteligencia artificial que otorga a los sistemas la capacidad de aprender y optimizar procesos sin tener que programarlos constantemente. En pocas palabras, el aprendizaje automático utiliza datos, estadísticas y prueba y error para "aprender" una tarea específica sin tener que estar codificado específicamente para la tarea.
¿Qué es el aprendizaje automático?
El aprendizaje automático es un subcampo de la inteligencia artificial en el que los sistemas "aprenden" a través de datos, estadísticas y prueba y error para optimizar procesos e innovar a un ritmo más rápido. A través del aprendizaje automático, las computadoras pueden aplicar el razonamiento y la toma de decisiones similares a los humanos para ayudar a resolver algunos de los problemas más difíciles del mundo, que van desde la investigación del cáncer hasta el cambio climático.La mayoría de los programas informáticos se basan en el código para decirles qué ejecutar o qué información retener. Esto se conoce como conocimiento explícito, que contiene cualquier cosa que se pueda escribir o grabar fácilmente, como libros de texto, videos y manuales. Con el aprendizaje automático, las computadoras obtienen conocimiento tácito, o conocimiento obtenido de la experiencia y el contexto personal. Este tipo de conocimiento es difícil de transferir de una persona a otra a través de la comunicación escrita o verbal.
El reconocimiento facial es un tipo de conocimiento tácito. Reconocemos la cara de una persona, pero puede ser difícil para nosotros describir cómo o por qué la reconocemos. Confiamos en nuestros bancos de conocimientos personales para conectar los puntos y reconocer inmediatamente a una persona en función de su rostro. Otro ejemplo es andar en bicicleta: es mucho más fácil mostrarle a alguien cómo andar en bicicleta que explicarlo.
Las computadoras ya no tienen que depender de miles de millones de líneas de código para realizar cálculos. El aprendizaje automático le da a las computadoras el poder del conocimiento tácito para hacer conexiones, descubrir patrones y hacer predicciones basadas en lo que aprendieron en el pasado. El uso del conocimiento tácito por parte del aprendizaje automático lo ha convertido en una tecnología de referencia para casi todas las industrias, desde la tecnología financiera hasta el gobierno.
Aprendizaje automático frente a aprendizaje profundo
El aprendizaje profundo es un subcampo dentro del aprendizaje automático, y está ganando adeptos por su capacidad para extraer características de los datos. El aprendizaje profundo utiliza redes neuronales artificiales (del inglés, artificial neural network. ANN) para extraer características de nivel superior de los datos sin procesar. Las RNA, aunque muy diferentes de los cerebros humanos, se inspiraron en la forma en que los humanos procesan biológicamente la información. El aprendizaje que hace una computadora se considera "profundo" porque las redes utilizan capas para aprender e interpretar la información en bruto.
Por ejemplo, el aprendizaje profundo es un activo importante para el procesamiento de imágenes en todo, desde el comercio electrónico hasta las imágenes médicas. Google está equipando sus programas con aprendizaje profundo para descubrir patrones en las imágenes y mostrar la imagen correcta para lo que sea que busques. Si buscas una chaqueta de invierno, el aprendizaje automático y el aprendizaje profundo de Google se unirán para descubrir patrones en las imágenes (tamaños, colores, formas, títulos de marcas relevantes) que muestren chaquetas relevantes.
El aprendizaje profundo también está logrando avances significativos en radiología, patología y cualquier sector médico que dependa en gran medida de las imágenes. La tecnología aprovecha el conocimiento tácito, del estudio de millones de otras exploraciones, para reconocer de inmediato enfermedades o lesiones, ahorrando tiempo y dinero a médicos y hospitales.
¿Cómo funciona el aprendizaje automático?
El aprendizaje automático compila datos de entrada, que pueden ser datos recopilados de sesiones de capacitación u otras fuentes, como motores de búsqueda de conjuntos de datos, sitios web .gov y registros de datos abiertos como el de Amazon Web Services. Estos datos cumplen la misma función que las experiencias anteriores para los humanos, proporcionando a los modelos de aprendizaje automático información histórica con la que trabajar al tomar determinaciones futuras.Luego, los algoritmos analizan estos datos, en busca de patrones y tendencias que les permitan hacer predicciones precisas. De esta manera, el aprendizaje automático puede obtener información del pasado para anticipar acontecimientos futuros. Por lo general, cuanto mayor sea el conjunto de datos que un equipo puede introducir en el software de aprendizaje automático, más precisas serán las predicciones.
La idea es que los algoritmos de aprendizaje automático sean capaces de realizar estas tareas por sí mismos, requiriendo una intervención humana mínima. Esto acelera varios procesos a medida que el aprendizaje automático llega a automatizar muchos aspectos de diferentes industrias.
Tipos de aprendizaje automático
Hay una variedad de tipos de aprendizaje automático que varían en función de varios factores, como el tamaño y la diversidad de los datos. A continuación, se muestran algunos de los tipos más comunes de aprendizaje automático en los que se pueden clasificar los algoritmos de aprendizaje automático populares.Aprendizaje supervisado
El aprendizaje supervisado implica modelos matemáticos de datos que contienen información de entrada y salida. Los programas informáticos de aprendizaje automático se alimentan constantemente de estos modelos, por lo que los programas pueden predecir los resultados en función de un nuevo conjunto de entradas.La regresión y la clasificación son dos de los análisis más populares en el aprendizaje supervisado. El análisis de regresión se utiliza para descubrir y predecir las relaciones entre las variables de resultado y una o más variables independientes. Comúnmente conocido como regresión lineal, este método proporciona datos de entrenamiento para ayudar a los sistemas con la predicción y la predicción. La clasificación se utiliza para entrenar a los sistemas para que identifiquen un objeto y lo coloquen en una subcategoría. Por ejemplo, los filtros de correo electrónico utilizan el aprendizaje automático para automatizar los flujos de correo electrónico entrante para las bandejas de entrada principal, de promoción y de spam.
Aprendizaje no supervisado
El aprendizaje no supervisado implica trabajar con datos que contienen solo entradas y, a continuación, descubrir patrones o estructuras dentro de los datos organizándolos en grupos o grupos similares. El método aprende de los datos de prueba anteriores que no se han etiquetado ni categorizado y, a continuación, agrupará los datos sin procesar en función de los puntos en común. El análisis de conglomerados utiliza el aprendizaje no supervisado para clasificar grandes lagos de datos sin procesar y agrupar ciertos puntos de datos. La agrupación en clústeres es una herramienta popular para la minería de datos y se utiliza en todo, desde la investigación genética hasta la creación de comunidades virtuales de redes sociales de personas de ideas afines.Aprendizaje semi-supervisado
El aprendizaje semisupervisado se encuentra entre el aprendizaje no supervisado y el aprendizaje supervisado. Con esta técnica, los programas se alimentan con una mezcla de datos etiquetados y no etiquetados que no solo aceleran el proceso de aprendizaje automático, sino que ayudan a las máquinas a identificar objetos y aprender con mayor precisión.Normalmente, los programadores introducen una pequeña cantidad de datos etiquetados con un gran porcentaje de información sin etiquetar, y el ordenador tendrá que utilizar los grupos de datos estructurados para agrupar el resto de la información. El etiquetado de datos supervisados se considera una tarea masiva debido a los altos costos y los cientos de horas invertidas.
Algoritmos de aprendizaje automático
Si bien hay muchos algoritmos de aprendizaje automático disponibles para resolver diferentes problemas, estos son algunos de los tipos más comunes.Redes neuronales
Las redes neuronales funcionan de manera similar al cerebro humano, analizando datos para detectar patrones y relaciones. Este proceso permite a las máquinas aprender de sus errores y mejorar su rendimiento con el tiempo.Regresión lineal
La regresión lineal se utiliza para desarrollar predicciones precisas cuando las salidas son continuas. Su objetivo es representar la relación entre una variable dependiente y al menos una variable independiente con una línea recta.Regresión logística
La regresión logística se utiliza para hacer predicciones para problemas de clasificación binaria, donde las salidas pertenecen a una categoría u otra (verdadero/falso, sí/no, etc.). Ejemplos comunes incluyen el filtrado de spam y la determinación de si un paciente tiene una enfermedad específica.Árboles de decisión
Los árboles de decisión evalúan los conjuntos de datos haciendo una serie de preguntas que se pueden organizar en las ramas de un diagrama de árbol. Como resultado, los árboles de decisión se pueden utilizar tanto para predecir el valor de un resultado como para clasificar los datos en categorías.Bosque aleatorio
El bosque aleatorio resuelve problemas de clasificación y modelado predictivo mediante la combinación de los resultados de muchos árboles de decisión. Este enfoque aumenta la precisión de un modelo y tiene en cuenta problemas comunes como el sobreajuste.Bayes ingenuo
Naive Bayes funciona bajo la suposición de que las características son independientes, lo que significa que una característica no afecta a otra: cada característica tiene la misma probabilidad de afectar el resultado. Esto permite a Naive Bayes desglosar grandes conjuntos de datos en cálculos manejables.K-Vecinos más cercanos (KNN)
Los vecinos K más cercanos (KNN) clasifican los puntos de datos en función de su proximidad a otros puntos de datos. Se supone que los puntos de datos similares están cerca unos de otros, calculando la distancia entre un valor y los puntos de datos cercanos y asignándola a la categoría más prevalente.Agrupación en clústeres K-means
K-means organiza los datos sin etiquetar en clústeres agrupando puntos de datos cercanos. Para ello, selecciona un punto central, real o imaginario, para cada clúster y ordena los puntos de datos en función del punto central más cercano.Ejemplos y aplicaciones de aprendizaje automático
Servicios financieros
El sector de los servicios financieros está defendiendo el aprendizaje automático por su capacidad única para acelerar los procesos con un alto índice de precisión. Lo que a los humanos les ha llevado horas, días o incluso semanas lograr, ahora se puede ejecutar en minutos. Las tarjetas emitidas en Estados Unidos representaron más del 42 por ciento de las pérdidas por fraude a nivel mundial, según un informe de Nilson. Para garantizar que estas transacciones sean más seguras, Visa ha adoptado la IA y el aprendizaje automático para detectar fraudes y otras amenazas digitales.Además, las empresas de préstamos y tarjetas de crédito utilizan el aprendizaje automático para gestionar y predecir el riesgo. Estos programas informáticos tienen en cuenta el historial crediticio anterior de un solicitante de préstamo, junto con miles de otros puntos de datos como el teléfono celular y los pagos de alquiler, para determinar el riesgo de la empresa prestamista. Al tener en cuenta otros puntos de datos, los prestamistas pueden ofrecer préstamos a una gama mucho más amplia de personas que no podrían obtener préstamos con los métodos tradicionales.
Las empresas de trading están utilizando el aprendizaje automático para acumular una gran cantidad de datos y determinar los puntos de precio óptimos para ejecutar operaciones. Estos complejos algoritmos de trading de alta frecuencia tienen en cuenta miles, si no millones, de puntos de datos financieros para comprar y vender acciones en el momento adecuado.
Atención sanitaria
El sector sanitario utiliza el aprendizaje automático para gestionar la información médica, descubrir nuevos tratamientos e incluso detectar y predecir enfermedades. Con los sistemas informáticos de aprendizaje automático, los profesionales médicos pueden ver fácilmente los registros médicos de los pacientes sin tener que buscar en los archivos o tener cadenas de comunicación con otras áreas del hospital. Los sistemas médicos actualizados ahora pueden obtener información de salud pertinente sobre cada paciente en un abrir y cerrar de ojos.La IA y el aprendizaje automático pueden automatizar el mantenimiento de los registros de salud, el seguimiento de los pacientes y la autorización del seguro, tareas que consumen innecesariamente recursos vitales de atención médica para el 68 por ciento de los médicos, según la Asociación Médica Estadounidense.
Las herramientas de IA habilitadas para el aprendizaje automático están trabajando junto con los desarrolladores de medicamentos para generar tratamientos farmacológicos a un ritmo más rápido. Estas herramientas de aprendizaje automático se alimentan de millones de puntos de datos y los configuran para ayudar a los investigadores a ver qué compuestos tienen éxito y cuáles no. En lugar de dedicar millones de horas humanas a cada ensayo, las tecnologías de aprendizaje automático pueden producir compuestos farmacológicos exitosos en semanas o meses.
Los departamentos de radiología y patología de todo el mundo utilizan el aprendizaje automático para analizar tomografías computarizadas y radiografías y detectar enfermedades. Después de ser alimentados con miles de imágenes de enfermedades a través de una combinación de modelos supervisados, no supervisados o semisupervisados, los sistemas avanzados de aprendizaje automático pueden diagnosticar enfermedades a tasas más altas que los humanos. El aprendizaje automático también se ha utilizado para predecir virus mortales, como el ébola y la malaria, y es utilizado por los CDC para rastrear casos del virus de la gripe cada año.
Redes Sociales
Las empresas de redes sociales aprovechan el aprendizaje automático para crear un sentido de comunidad, así como para eliminar a los malos actores y la desinformación. El aprendizaje automático fomenta lo primero al observar páginas, tweets, temas y otras características que le gustan a un individuo y sugerir otros temas o páginas de la comunidad en función de esos gustos. Básicamente, se trata de utilizar tus preferencias como una forma de impulsar un motor de recomendación de redes sociales.La difusión de información errónea en la política ha llevado a las empresas de redes sociales a utilizar el aprendizaje automático para identificar rápidamente patrones dañinos de información falsa, marcar bots maliciosos, ver el contenido denunciado y eliminarlo cuando sea necesario.
Venta al por menor y comercio electrónico
El sector minorista confía en el aprendizaje automático por su capacidad para optimizar las ventas y recopilar datos sobre las preferencias de compra individualizadas. El aprendizaje automático ofrece a los minoristas y a las tiendas en línea la capacidad de hacer sugerencias de compra basadas en los clics, los Me gusta y las compras anteriores de un usuario. Una vez que los clientes sienten que los minoristas entienden sus necesidades, es más probable que se queden con esa empresa y compren más artículos.La búsqueda visual también se está convirtiendo en una parte importante de la experiencia de compra. En lugar de escribir consultas, los clientes ahora pueden cargar una imagen para mostrar al equipo exactamente lo que están buscando. El aprendizaje automático analizará la imagen y producirá resultados de búsqueda basados en sus hallazgos.
El aprendizaje automático también ha sido un activo en la predicción de tendencias y comportamientos de los clientes. Estas máquinas observan de forma holística las compras individuales para determinar qué tipos de artículos se están vendiendo y qué artículos se venderán en el futuro. Por ejemplo, tal vez un nuevo alimento ha sido considerado un "súper alimento". Los sistemas de una tienda de comestibles pueden identificar el aumento de las compras de ese producto y enviar a los clientes cupones o anuncios dirigidos para todas las variaciones de ese artículo. Además, un sistema podría analizar las compras individuales para enviarle futuros cupones.
Comentarios
Publicar un comentario