Actualmente, escuchamos mucho el término “Machine Learning”, relacionado con otros términos como Big Data, Inteligencia artificial, Deep Learning, etc.
Pero, ¿qué es Machine Learning? ¿O Aprendizaje automático? Según Arthur Samuel (1959), “Es la ciencia de hacer que las computadoras actúen sin estar programadas explícitamente”.
En otras palabras, es la utilización de algoritmos basados en inteligencia artificial, de tal manera que las salidas que generen puedan ser respuestas predictivas, autónomas y retroalimentadas.
A pesar de ser una definición no tan trivial cada día podemos observar cómo se van integrando a nuestra vida cotidiana; como las búsquedas avanzadas según los hábitos de navegación en la web, pasar de soluciones reactivas a proactivas en servicios de telecomunicaciones, así como detección de patrones de comportamiento en la industria del marketing.
De ahí es donde hoy en día adquiere mayor relevancia el aprendizaje automático al ir teniendo progresivamente cabida en áreas de negocio y producción en las que se utilicen herramientas de TI para su aprovechamiento.
Dicho esto y según su utilidad, podemos categorizar el Aprendizaje Automático en tres grupos; aunque existen más categorías, nos enfocamos en los más relevantes:
– Supervised learning: Estos algoritmos pueden aplicar lo que se aprendió en el pasado a nuevos datos usando ejemplos etiquetados para predecir eventos futuros. A partir del análisis de un conjunto de datos de entrenamiento conocido, el algoritmo de aprendizaje produce una función inferida para hacer predicciones sobre los valores de salida. El sistema puede proporcionar objetivos para cualquier nueva entrada después de una capacitación suficiente. El algoritmo de aprendizaje también puede comparar su salida con la salida correcta y prevista, y encontrar errores para modificar el modelo en consecuencia.
– Unsupervised learning: Se utilizan cuando la información utilizada para entrenar no está ni clasificada ni etiquetada. El aprendizaje no supervisado estudia cómo los sistemas pueden inferir una función para describir una estructura oculta a partir de datos no etiquetados. El sistema no encuentra el resultado correcto, pero explora los datos y puede sacar inferencias de conjuntos de datos para describir estructuras ocultas de datos no etiquetados.
– Reinforcement learning: Son un método de aprendizaje que interactúa con su entorno al producir acciones y descubre errores o recompensas. La búsqueda de prueba y error y la recompensa retrasada son las características más relevantes del aprendizaje de refuerzo. Este método permite que las máquinas y los agentes de software determinen automáticamente el comportamiento ideal dentro de un contexto específico para maximizar su rendimiento. Se requiere una retroalimentación simple de recompensa para que el agente sepa qué acción es mejor; esto se conoce como la señal de refuerzo.
¿Qué esperar de Machine Learning?
Más de qué esperar, podríamos mencionar los desafíos a los que se enfrenta Machine Learning, desde un punto de vista de las empresas que quieran implementarlo u optimizarlo, se hace mención en un artículo publicado en el siguiente blog: https://blogs.oracle.com/machine-learning-challenges%3a-what-to-know-before-getting-started, en el cual se refiere a tres grandes desafíos, principalmente enfocado a Big Data:
– Abordar la brecha de habilidades de aprendizaje de máquinas: La importancia de que el recurso dedicado a la implementación sea calificada y constantemente entrenada y de lo determinante que es el apoyo de los ejecutivos de las empresas como factor de éxito.
– Saber cómo administrar tus datos (en Big Data): Ya que como factor crítico del negocio, hay que saber adaptarse a las necesidades, innovar y estar planificado para administrar grandes volúmenes de datos.
– Operacionalizando los datos (en Big Data): Llevar el modelo a la factibilidad de que tus datos sean realmente utilizados eficientemente y poder obtener tendencias y comportamientos acordes a la realidad y necesidad del negocio.
Cabe destacar, que el aprendizaje automático permite el análisis de cantidades masivas de datos. Aunque generalmente brinda resultados más rápidos y precisos para identificar oportunidades rentables o riesgos peligrosos, también puede requerir tiempo y recursos adicionales para capacitarlo adecuadamente. La combinación del aprendizaje automático con Inteligencia Artificial y las tecnologías cognitivas puede hacer que sea aún más eficaz en el procesamiento de grandes volúmenes de información.
Fuentes:
Blog pagina Oracle
https://blogs.oracle.com/machine-learning-challenges%3a-what-to-know-before-getting-started
Genetic IA
https://www.genetic.ai/machine-learning-i/
Expert System
http://www.expertsystem.com/machine-learning-definition/
Adext
https://blog.adext.com/es/machine-learning-guia-completa
Elaborado por:
Omar Villarroel
Consultor BusinessMind Chile