En los términos más simples, aprendizaje automático (ML) es la programación de máquinas (computadoras) para que pueda realizar una tarea solicitada utilizando y analizando datos (información) para realizar esa tarea de manera independiente. sin entrada específica adicional de un desarrollador humano.
Aprendizaje Automático 101
El termino aprendizaje automático fue acuñado en los laboratorios de IBM en 1959 por Arthur Samuel, un pionero en inteligencia artificial (IA) y juegos de computadora. El aprendizaje automático, como resultado, es una rama de la Inteligencia Artificial. La premisa de Samuel fue dar la vuelta al modelo de cómputo de la época y dejar de darle a las computadoras cosas que aprender.
En su lugar, quería que las computadoras comenzaran a descubrir las cosas por sí mismas, sin que los humanos tuvieran que ingresar ni la más mínima información. Entonces, pensó, las computadoras no solo realizarían tareas, sino que en última instancia podrían decidir qué tareas realizar y cuándo. ¿Por qué? Para que las computadoras puedan reducir la cantidad de trabajo que los humanos necesitan realizar en cualquier área determinada.
Cómo funciona el aprendizaje automático
El aprendizaje automático funciona mediante el uso de algoritmos y datos. Un algoritmo es un conjunto de instrucciones o pautas que le indican a una computadora o programa cómo realizar una tarea. Los algoritmos utilizados en ML recopilan datos, reconocen patrones y utilizan el análisis de esos datos para adaptar sus propios programas y funciones a las tareas completas.
Los algoritmos ML utilizan conjuntos de reglas, árboles de decisión, modelos gráficos, procesamiento de lenguaje natural y redes neuronales (por nombrar algunos) para automatizar el procesamiento de datos para tomar decisiones y realizar tareas. Si bien ML puede ser un tema complejo, la Teachable Machine de Google ofrece una demostración práctica simplificada de cómo funciona ML.
La forma más poderosa de aprendizaje automático que se usa en la actualidad, llamada aprendizaje profundo, construye una compleja estructura matemática llamada red neuronal, basada en vastas cantidades de datos. Las redes neuronales son conjuntos de algoritmos en ML y AI modelados según la forma en que las células nerviosas en el cerebro humano y el sistema nervioso procesan la información.
Inteligencia Artificial vs. Aprendizaje Automático vs. Minería de Datos
Para comprender mejor la relación entre AI, ML y la minería de datos, es útil pensar en un conjunto de paraguas de diferentes tamaños. AI es el paraguas más grande. El paraguas ML es un tamaño más pequeño y cabe debajo del paraguas AI. El paraguas de minería de datos es el más pequeño y cabe debajo del paraguas ML.
- AI es una rama de la informática que apunta a programar computadoras para realizar tareas de manera más "inteligente" y "parecida a la de los humanos", utilizando técnicas de razonamiento y toma de decisiones basadas en la inteligencia humana.
- ML es una categoría de computación dentro de AI enfocada en máquinas de programación (computadoras) para aprender (recopilar datos necesarios o ejemplos) para tomar decisiones inteligentes basadas en datos de una manera más automatizada.
- La minería de datos utiliza estadísticas, ML, AI e inmensas bases de datos de información para encontrar patrones, proporcionar información, crear clasificaciones, identificar problemas y entregar análisis de datos detallados.
Lo que puede hacer el aprendizaje automático (y ya lo hace)
La capacidad de las computadoras para analizar grandes cantidades de información en fracciones de segundo hace que el ML sea útil en una serie de industrias donde el tiempo y la precisión son esenciales.
- Medicina: La tecnología ML se está implementando en una gama de soluciones para el campo médico, que incluye ayudar a los médicos del departamento de emergencias con un diagnóstico más rápido de pacientes con síntomas inusuales. Los médicos pueden ingresar una lista de los síntomas del paciente en el programa y al usar ML, el programa puede rastrear billones de terabytes de información de la literatura médica e Internet para devolver una lista de diagnósticos potenciales y pruebas o tratamientos recomendados en un tiempo récord.
- Educación: ML se utiliza para crear herramientas educativas que se adaptan a las necesidades de aprendizaje del estudiante, como asistentes de aprendizaje virtuales y libros de texto electrónicos que son más interactivos. Estas herramientas usan ML para descubrir qué conceptos y habilidades entiende el estudiante usando pruebas cortas y ejercicios de práctica. Luego, las herramientas proporcionan videos cortos, ejemplos adicionales y material de antecedentes para ayudar al estudiante a aprender las habilidades o conceptos necesarios.
- Automotor: ML es también un componente clave en el campo emergente de los autos que conducen por sí mismos (también llamados autos sin conductor o autos autónomos). El software que opera autos de conducción automática usa ML durante las pruebas y simulaciones de la vida real para detectar las condiciones de la carretera (como las carreteras con hielo) o para identificar obstáculos en la carretera y aprender las tareas de manejo apropiadas para navegar de forma segura en tales situaciones.
Es probable que ya hayas encontrado a ML muchas veces sin darte cuenta. Algunos de los usos más comunes de la tecnología ML incluyen el reconocimiento de voz práctico (Bixby de Samsung, Siri de Apple y muchos programas de conversación a texto que ahora son estándar en PC), filtrado de spam para su correo electrónico, creación de fuentes de noticias, detección de fraudes, personalización recomendaciones de compras, y proporcionar resultados de búsqueda web más eficaces.
ML incluso está involucrado en tu feed de Facebook. Cuando quiera o haga clic en las publicaciones de un amigo con frecuencia, los algoritmos y el ML detrás de la escena "aprenden" de sus acciones a lo largo del tiempo para priorizar a ciertos amigos o páginas en su Newsfeed.
Lo que el aprendizaje automático no puede hacer
Sin embargo, hay límites a lo que ML puede hacer. Por ejemplo, el uso de la tecnología ML en diferentes industrias requiere una cantidad significativa de desarrollo y programación por parte de los humanos para especializar un programa o sistema para los tipos de tareas requeridas por esa industria.En nuestro ejemplo médico anterior, el programa de ML utilizado en el departamento de emergencias se desarrolló específicamente para la medicina humana. Actualmente no es posible tomar ese programa exacto e implementarlo directamente en un centro de emergencia veterinaria. Dicha transición requiere una amplia especialización y desarrollo por parte de programadores humanos para crear una versión capaz de hacer esta tarea para veterinaria o medicina animal.
También requiere cantidades increíblemente vastas de datos y ejemplos para aprender la información que necesita para tomar decisiones y realizar tareas. Los programas de LD también son muy literales en la interpretación de los datos y luchan con el simbolismo y también con algunos tipos de relaciones dentro de los resultados de los datos, como causa y efecto.
Sin embargo, los avances continuos hacen que el ML se convierta más en una tecnología central que crea computadoras más inteligentes todos los días.
