Machine Learning, qué es y por qué es la gran base de todo lo que conoces en inteligencia artificial

No se puede negar que a día de hoy la inteligencia artificial está jugando y va a jugar

un papel central en la vida de muchos. Su poder para transformar todo tipo de industrias y cambiar por completo la vida de las personas la ha convertido en una tecnología de valor incalculable, con sus más y sus menos.

El punto clave es que detrás de esta locura tecnológica se encuentran algunos conceptos que seguramente has escuchado como el machine learning o, como se conoce en español Aprendizaje Automático.

Desde los asistentes virtuales que usas en tu móvil hasta los sistemas de recomendación de plataformas de streaming como Netflix, el machine learning está presente en todo tipo de aspectos de la vida cotidiana, a menudo de formas que ni siquiera se perciben.

Sin embargo, y a pesar de su casi omnipresencia, el concepto sigue siendo complejo de entender para muchas personas. ¿Qué es exactamente? ¿Cómo funciona? ¿Cuáles son sus aplicaciones reales y su potencial futuro? 

¿Qué es ‘machine learning’?

Imagina un ordenador que aprende sin ser programado explícitamente. Eso es lo que hace el machine learning.

Este es una rama de la IA que permite que las máquinas se vuelvan mejores en la realización de tareas a medida que obtienen experiencia. La clave está en los datos; los algoritmos de machine learning utilizan información como entrada para predecir nuevos resultados, como si de magia se tratase.

Lo interesante es que el machine learning se divide en tres categorías principales:

• Aprendizaje supervisado: aquí, los datos de entrenamiento incluyen respuestas conocidas, es decir, se les dice a las máquinas lo que se espera. Piénsalo como un profesor enseñando a un alumno con respuestas de ejercicios de matemáticas.
• Aprendizaje no supervisado: en este caso, los datos de entrenamiento no incluyen respuestas conocidas. La máquina debe descubrir patrones o estructuras por sí misma, como si se tratase de un detective.
• Aprendizaje por refuerzo: este tipo de machine learning implica que las máquinas tomen decisiones secuenciales para maximizar una recompensa a lo largo del tiempo. Por así decirlo funcionan a base de ensayo y error.

Un poco de historia: es hora que sepas dónde y cuándo nace este concepto

El machine learning, o aprendizaje automático, no nació de la noche a la mañana. Todo empezó en los años 50, cuando los científicos empezaron a preguntarse si las máquinas podrían pensar. Alan Turing, un genio de las matemáticas, propuso una prueba para ver si un ordenador podía hacerse pasar por humana en una conversación.

Mientras tanto, Arthur Samuel creaba un programa que jugaba al ajedrez y mejoraba con la práctica. Fue el primer paso hacia las máquinas que aprenden solas.

Los años 60 y 70 fueron como una montaña rusa para el machine learning. Los científicos estaban emocionados, creando programas que podían reconocer patrones y las primeras versiones de las redes neuronales, inspiradas en el cerebro humano.

Pero luego vino la parte negativa. La gente esperaba máquinas superinteligentes y lo que tenían eran programas que apenas podían hacer tareas simples. Los fondos se secaron y el entusiasmo se apagó.

Pero en los 80, el machine learning volvió con fuerza. Las empresas empezaron a usar “sistemas expertos”, programas que imitaban el conocimiento de expertos humanos para resolver problemas.

Hubo avances, como un programa que aprendía a pronunciar palabras. Sin embargo, hacia finales de la década, otra vez el campo se enfrió. Las promesas eran grandes, pero los resultados aún no llegaban.

Los 90 marcaron un cambio importante. Los investigadores se dieron cuenta de que, en lugar de intentar programar todo el conocimiento en una máquina, era mejor dejar que las máquinas aprendieran de los datos. Este enfoque dio resultados. 

En 1997, un programa de ajedrez llamado Deep Blue logró lo impensable: derrotó al campeón mundial Garry Kasparov. El mundo empezó a ver el verdadero potencial del machine learning.

Desde el año 2000 hasta hoy, el machine learning ha explotado. ¿Por qué? Tenemos ordenadores mucho más potentes, toneladas de datos disponibles y algoritmos más inteligentes. Ahora, el machine learning está en todas partes: en nuestros móviles prediciendo lo que vamos a escribir, en Netflix sugiriéndonos series, incluso en hospitales ayudando a diagnosticar enfermedades.

Las diferencias clave entre ‘machine learning’ y ‘deep learning’

Dentro de todo este mundo, lo cierto es que el machine learning se relaciona e incluso se confunde con otra de las grandes palabras de estos años: Deep Learning o Aprendizaje Profundo en español.

Lo cierto es que el deep learning que es una rama dentro del machine learning, pero con grandes mejoras. Aquí, las máquinas utilizan redes neuronales artificiales con múltiples capas para procesar datos de una manera que imita el funcionamiento del cerebro humano.

Estas redes neuronales profundas pueden comprender datos no estructurados, como imágenes y texto, de manera muy precisa. Piénsalo de esta forma: si el machine learning es como aprender a andar en bicicleta, el Deep Learning es como convertirse en un acróbata en bicicleta que realiza todo tipo de trucos.

Ahora que tienes una comprensión básica, es hora de ver las diferencias clave entre machine learning y deep learning:

• Complejidad: mientras que el machine learning tiende a ser más simple y puede funcionar en un ordenador tradicional, el deep learning es más complejo, con redes neuronales profundas que a menudo requieren una potente unidad de procesamiento gráfico (GPU).
• Requerimientos de datos: el machine learning puede funcionar con conjuntos de datos más pequeños, mientras que el deep learning necesita grandes cantidades de datos para funcionar de manera óptima.
• Aplicaciones: el machine learning es ideal para tareas como detectar correos no deseados, recomendaciones de productos y análisis predictivo, como ves, cosas “más simples”. Por otro lado, el deep learning se destina para tareas más complejas como el reconocimiento de imágenes, procesamiento de lenguaje natural y reconocimiento de voz.

No cabe duda de que ambas tecnologías están impulsando la innovación en industrias como la salud, las finanzas, el comercio y un sinfín de ejemplos.

Gracias a estas dos maravillas, el mundo está evolucionando a pasos agigantados y eso que parece que no se ha visto aún todo su potencial.