Machine Learning y la Inteligencia Artificial

La re-evolución de las máquinas que aprenden de la experiencia

Seguramente hayas oído hablar de Machine Learning y de la inteligencia artificial, quizá lo hayas visto en alguna película o leído en un libro de ciencia ficción. Probablemente te suene que lo usan grandes empresas como Amazon, Microsoft, Uber, Spotify o Netflix, pero ¿sabes en qué consiste realmente el Machine Learning?

Machine Learning es una disciplina científica del ámbito de la Inteligencia Artificial, que se basa en la creación de sistemas que aprenden automáticamente. Con algunas instrucciones básicas, y datos para analizar, la máquina es capaz de crear patrones complejos de comportamiento, así como predecir comportamientos futuros.

Hagamos un breve ejercicio. Recordemos la secuencia Fibonacci, esto es la sucesión infinita de números naturales: 0, 1, 1, 2, 3, 5, 8, … ¿qué número vendría a continuación? Si has pensado que la secuencia continuaría con el 13, enhorabuena, es correcto. Pero, ¿cómo has llegado a esa conclusión? Probablemente analizando los números que inician la secuencia, detectando el patrón, y aplicando este aprendizaje para resolver el interrogante. Pues bien, precisamente esto es en lo que se basa el Machine Learning, en aprender de la experiencia.

Los modelos de aprendizaje automático en los que se basa el Machine Learning, se llevan a cabo a través de diferentes tipos de algoritmos, que implican diferentes grados de control humano del proceso. Los más reconocidos son el aprendizaje supervisado y el aprendizaje no supervisado.
En el aprendizaje supervisado se le especifica a la máquina qué conjunto de datos son válidos para el objetivo final, es decir, qué respuesta se espera como resultado.
Un ejemplo claro de aplicación de este tipo de aprendizaje, es el reconocimiento facial de las cámaras fotográficas. Tras haberle facilitado al sistema ejemplos de imágenes de caras humanas, cada vez que activamos la cámara de fotos, el sistema es capaz de responder en tiempo real a la pregunta ¿es esto un rostro humano?.
En cambio, en el aprendizaje no supervisado, el programa no dispone de datos que le permitan discernir si la respuesta es correcta o no, ya que el objetivo no radica en responder afirmativa o negativamente, sino en determinar cuáles son los patrones adecuados para organizar la información, agrupando los resultados en función de sus características y atributos.
En el ejemplo de los rostros, la máquina de aprendizaje no supervisado, no podría respondernos si una cara es humana o no, pero en cambio sería capaz de analizar los rostros, y clasificarlos en diferentes categorías, distinguiendo por ejemplo entre rostros de animales y de seres humanos.
Diferentes formas de aprender para una máquina, útiles ambas según la aplicación que queramos darle, atendiendo a que los resultados de algunos tipos de aprendizaje, como los del no supervisado, deben ser interpretados por seres humanos para darle utilidad.
Dentro de concepto Machine Learning, se encuentra también el de Deep Learning, que apuesta por un modelo de aprendizaje de las máquinas más ligada al modo de funcionamiento del sistema nervioso del ser humano. Se sabe que el cerebro humano cuenta con áreas específicas y sistemas neuronales dedicados a tareas concretas, como al lenguaje, a la visión, o al reconocimiento de las expresiones faciales.
Se trata de emular la red neuronal humana, con unidades de procesamiento diferentes para distintos tipos de información, pudiendo detectar patrones reconocibles, pero que no permanezcan estáticos en el tiempo, que evolucionen, se adapten, creando así un sistema que se auto mejore de forma autónoma, llevándonos a un punto -quizá ya de no retorno- en el que resulte totalmente innecesaria la intervención humana.

El aprendizaje de las máquinas como elemento disruptor en la industria global
Aplicaciones del Machine Learning

Aunque nos pueda parezca algo muy novedoso, en realidad el Machine Learning hace tiempo que forma parte de nuestra cotidianidad. Está presente en los asistentes virtuales como Siri o Cortana, en las predicciones del tráfico de Google, o en las compras online con PayPal, entre otros muchos.

Lo utilizamos a diario en nuestro smartphone, por ejemplo, con el detector facial de la cámara, usando el reconocimiento de voz, realizando una búsqueda en Google, o para protegernos de virus y mensajes spam.

En el campo del transporte y la movilidad también está siendo muy utilizado. Por ejemplo, Google Maps facilita la previsión del tiempo de llegada a un destino, realizando estimaciones del tráfico en función de los teléfonos móviles presentes en la zona de tránsito. De forma similar Uber lo utiliza para predecir y determinar los tiempos de llegada de sus vehículos y los precios de cada carrera. Y Domino’s Pizza aumenta el grado de satisfacción de sus clientes, facilitándoles una estimación del tiempo que tardará en llegar el pedido a su domicilio.

El Machine Learning es también muy utilizado en el campo de las finanzas, especialmente para supervisar la volatilidad en el mercado bursátil, administrar los activos y el patrimonio, e identificar las tendencias en tiempo real, pudiendo así reaccionar y anticiparse a la evolución de los mercados financieros.
En este ámbito, es conocido también su uso por la plataforma de pago Paypal, para la detección de fraude en línea. El sistema analiza el comportamiento de cada usuario hasta establecer un patrón, de manera que ante una desviación del modelo establecido, la máquina pueda alertar de un caso de transacción fraudulenta. Gracias al empleo de esta tecnología, la compañía ha conseguido reducir el nivel del fraude un 1%, dejándolo en el 0,32%, lo que supuso la nada desdeñable cifra de 2,35 billones de dólares en el año 2015.

Y las aplicaciones posibles del Machine Learning a campos como el Big Data (análisis de datos masivos) es inconmensurable e imparable. Su evolución permitirá no solo agrupar y categorizar datos, sino establecer patrones predictivos de comportamiento cada vez más precisos, adelantándose a las tendencias de un futuro aún por llegar. Para ello, el reto se presenta no solo en entrenar esas complejas redes de neuronas artificiales, sino en darles los medios técnicos necesarios para su expansión y desarrollo, aumentando la capacidad de procesamiento de los ordenadores, un campo en el que marcas como NVIDIA ya están trabajando, con desarrollos como el GPU – Computing Acelerado.

En definitiva, tanto el aprendizaje de las máquinas, como la creación de patrones de comportamiento y modelos predictivos, suponen ya un elemento disruptivo en las industrias, una revolución tecnológica a la que nos hemos subido sin apenas ser conscientes, y que afecta a todos los campos y áreas de la evolución humana. Se augura un futuro paradójico, en el que las maquinas, en una suerte de profecía autocumplida de ciencia ficción, serán capaces de predecir su propia evolución, sin necesitar de la intervención humana.