Te contamos qué es el 'machine learning' y cómo funciona (2023)

Matemáticas antiguas, nueva computación

Hay que remontarse al siglo XIX para encontrar algunos de los hitos matemáticos que sentaron las bases de esta tecnología. El teorema de Bayes (1812) definió la probabilidad de que un evento ocurra basándose en el conocimiento de las condiciones previas que pudieran estar relacionadas con dicho evento.

Años después (en la década de 1940) otra serie de científicos sentaron las bases de la programación informática:capaz de traducir una serie de instrucciones en acciones ejecutables por un ordenador. Estos precedentes hicieron posible que en 1950 el matemático Alan Turing plantease por primera vez la pregunta de si es posible que las máquinas puedan pensar, con la que plantó la semilla de la creación de computadoras de ‘inteligencia artificial’. Computadorascapaces de replicar de forma autónoma tareas típicamente humanas, como la escritura o el reconocimiento de imágenes.

(Video) QUÉ ES EL MACHINE LEARNING Y CÓMO FUNCIONA

Fue un poco más adelante, entre las décadas de 1950 y 1960, cuando distintos científicos empezaron investigar cómo aplicar la biología de las redes neuronales del cerebro humano para tratar de crear las primeras máquinas inteligentes. La idea derivó en la creación de las redes neuronales artificiales, un modelo computacional inspirado en la forma en que las neuronas transmiten la información entre ellas a través de una red de nodos interconectados. Uno de los primeros experimentos en este sentido lo realizaron Marvin Minksy y Dean Edmonds, científicos del Instituto Tecnológico de Massachussets (MIT). Ambos lograron crear un programa informático capaz de aprender de la experiencia para salir de un laberinto.

"El ‘machine learning’ es un maestro del reconocimiento de patrones"

Esta fue la primera máquina capaz de aprender por sí misma a resolver una tarea sin haber sido programada para ello de forma explícita, sino que lo hacía tan solo aprendiendo a partir de los ejemplos proporcionados inicialmente. El logro significó un cambio de paradigma respecto al concepto más amplio de inteligencia artificial. “El gran hito del ‘machine learning’ es que permitió pasar de la programación mediante reglas a dejar que el modelo haga aflorar dichas reglas de manera desasistida gracias a los datos”, explica Juan Murillo, mánager de Estrategia de Datos en BBVA.

A pesar del éxito del experimento, el logro también ponía de manifiesto los límites que la tecnología tenía por entonces: la falta de disponibilidad de datos y la falta de potencia de cómputo de la época hacían que estos sistemas no tuvieran la capacidad suficiente para resolver problemas complejos. Esto derivó en la llegada del llamado ‘primer invierno de la inteligencia artificial’, una serie de décadas durante las cuales la falta de resultados y avances hizo que el mundo académico perdiera esperanza respecto a esta disciplina.

El renacer de la IA

El panorama empezó a cambiar a finales del siglo XX. Con la llegada de internet, las cantidades masivas de información disponibles para entrenar los modelos y el aumento de la potencia de cálculo de los ordenadores. “Ahora podemos hacer lo mismo que antes, pero mil millones de veces más rápido. Los algoritmos son capaces de probar 500.000 millones de veces una misma combinación de datos hasta darnos el resultado óptimo. Y lo hacen en cuestión de horas o minutos, mientras que antes harían falta semanas o meses”, asegura Espinoza.

(Video) ¿Qué es Machine Learning?

En 1997 un célebre hito marcó el renacer del aprendizaje automático: el sistema de IBM Deep Blue, entrenado a base de ver miles de partidas exitosas de ajedrez, logró derrotar al máximo campeón mundial de este juego, Garry Kasparov. El logro fue posible gracias al ‘deep learning’ o aprendizaje profundo, una subcategoría del ‘machine learning’ descrita por primera vez en 1960, que permite que los sistemas no solo aprendan de la experiencia, sino que sean capaces de entrenarse a sí mismas para hacerlo cada vez mejor usando los datos. Esto hito fue posible entonces –y no 30 años atrás–, gracias al aumento de la disponibilidad de datos con los que entrenar el modelo: “Lo que hacía este sistema es calcular estadísticamente qué movimiento tiene más probabilidades de hacerle ganar la partida basándose en miles de ejemplos de partidas vistas previamente”, añade Espinoza.

"La diferencia con técnicas anteriores están en su capacidad para adaptarse a los cambios en los datos a medida que van entrando en el sistema"

Esta tecnología ha avanzado de forma exponencial durante los últimos 20 años, y es también la responsable de AlphaGo, el programa capaz de derrotar al juego Go a cualquier jugador humano. Y lo que es más importante: de entrenarse a base de jugar contra sí mismo constantemente para seguir mejorando.

El sistema que emplea AlphaGo para lograr esto es, en concreto, el ‘aprendizaje por refuerzo’ (o ‘reinforcement learning’) que es una de las tres grandes corrientes que se emplean en la actualidad para entrenar a estos modelos:

  • El ‘aprendizaje por refuerzo’ se produce cuando una máquina aprende por medio de prueba y error hasta alcanzar la mejor manera de completar una tarea dada. Por ejemplo, Microsoft utiliza esta técnica en entornos de juego como Minecraft para ver cómo los ‘agentes de software’ mejoran su trabajo. A través de ella el sistema aprende a modificar su conducta a base de “recompensas” para que resuelva la tarea asignada, sin programarlo específicamente para que lo realice de una forma determinada.
  • ‘Aprendizaje supervisado’, se produce cuando se entrena a las máquinas con datos etiquetados. Por ejemplo, fotos con descripciones de los elementos que aparecen en ellas. El algoritmo que utiliza la máquina es capaz de seleccionar esas etiquetas en otras bases de datos. Así, si se ha etiquetado un grupo de imágenes en las que se muestran perros, la máquina puede identificar imágenes similares.
  • Finalmente, en el caso del ‘aprendizaje no supervisado’, las máquinas no identifican patrones en bases de datos etiquetadas, sino que buscan similitudes. En este caso, los algoritmos no están programados para detectar un tipo específico de datos, como ocurría con las imágenes de perros, sino que buscan ejemplos que se parezcan y puedan agrupar. Entre sus diversas aplicaciones está, por ejemplo, recomendar productos a clientes de un ‘e-commerce’ basándose en sus compras anteriores.

Flexibilidad, adaptación y creatividad

Lo modelos de ‘machine learning’ y en concreto el aprendizaje por refuerzo o ‘reinforcement learning’ tienen una característica que los hace especialmente útiles para el mundo empresarial. “Es su flexibilidad y su capacidad para adaptarse a los cambios en los datos a medida que van entrando en el sistema y aprender de las propias acciones del modelo. Ahí radica el aprendizaje y el dinamismo de los que carecían las técnicas previas”, añade Juan Murillo.

(Video) What is Machine Learning?

Innovación y Tecnología

(Video) ¿QUÉ SON LAS OPERACIONES DE MACHINE LEARNING? 🔣 #shorts

Inteligencia artificial, el aliado contra el cambio climático

La extinción de especies, el aumento de las temperaturas y los grandes desastres naturales son algunas de las consecuencias sufridas a causa del cambio climático. Países e industrias son conscientes y trabajan para combatir la acelerada contaminación del planeta. ¿Hay solución? Algunos investigadores señalan que el uso del ‘big data’ y el ‘machine learning’ puede ayudar a la hora de mejorar la eficiencia energética, cambiar industrias como la agricultura y encontrar nuevos materiales de construcción agradables con el medio ambiente.

En el caso de AlphaGo, esto significa que la máquina se adapta en función de los movimientos del contrincante, y emplea esta información nueva para mejorar el modelo constantemente. La última versión de esta computadora, llamada AlphaGo Zero, ya es capaz de acumular miles de años de conocimiento humano en tan solo unos días funcionando. Además, “AlphaGo Zero también descubrió conocimiento nuevo, desarrollando nuevas estrategias creativas y movimientos no convencionales”, explica DeepMind, la empresa filial de Google responsable de su desarrollo, en un artículo.

Esta capacidad de adaptación y de invención sin precedentes tiene un enorme potencial de cara al futuro para mejorar disciplinas científicas tan dispares como la creación de proteínas sintéticas o el diseño de antenas más eficientes. “Las aplicaciones industriales de esta técnica incluyen optimizar, de forma continua, cualquier tipo de ‘sistema’”, explica José Antonio Rodríguez, científico de datos senior en la Factoría de IA de BBVA. También en el mundo de la banca, el aprendizaje profundo permite “crear algoritmos que pueden ajustarse a cambios en el comportamiento de los mercados y clientes, para balancear oferta y demanda, por ejemplo, ofreciendo precios personalizados”, concluye Rodríguez.

Otro ejemplo es la mejora de sistemas como los de los coches autónomos, que han dado grandes pasos en los últimos años gracias al ‘deep learning’, ya que les permite mejorar su precisión progresivamente cuanto más conduzcan y más datos puedan analizar. Las posibilidades del ‘machine learning’ son virtualmente infinitas mientras existan datos disponibles de los que aprender, y algunos investigadores están incluso poniendo a prueba los límites de lo que llamamos creatividad, empleando esta tecnología para hacer arte o escribir artículos.

FAQs

¿Cómo se trabaja con machine learning? ›

El machine learning o aprendizaje automático es una rama de la inteligencia artificial que, a partir de algoritmos matemáticos, logra que las máquinas puedan aprender de una forma similar a la que lo hacemos los humanos y de realizar análisis sin que hayan sido explícitamente programadas para ello.

¿Qué es machine learning español? ›

El 'machine learning' –aprendizaje automático– es una rama de la inteligencia artificial que permite que las máquinas aprendan sin ser expresamente programadas para ello. Una habilidad indispensable para hacer sistemas capaces de identificar patrones entre los datos para hacer predicciones.

¿Qué es machine learning en educación? ›

A grandes rasgos, el Machine Learning es una rama de la Inteligencia Artificial (IA) que se define por su capacidad para crear algoritmos capaces, a su vez, de aprender de forma automática para predecir conductas futuras.

¿Qué beneficios trae el machine learning? ›

El machine learning es un método de análisis de datos que automatiza la construcción de modelos analíticos. Es una rama de la inteligencia artificial basada en la idea de que los sistemas pueden aprender de datos, identificar patrones y tomar decisiones con mínima intervención humana.

¿Qué es el machine learning y porque es importante? ›

Machine Learning (o en español, Aprendizaje Automático) es una rama de la Inteligencia Artificial que persigue el desarrollo de técnicas que permitan a las máquinas aprender de manera automática y mejorar a través de la experiencia, sin haber sido explícitamente programadas para ello.

¿Cuáles son los principios de machine learning? ›

El Machine Learning o aprendizaje automático es un campo científico y, más particularmente, una subcategoría de inteligencia artificial. Consiste en dejar que los algoritmos descubran «patterns», es decir, patrones recurrentes, en conjuntos de datos. Esos datos pueden ser números, palabras, imágenes, estadísticas, etc.

¿Qué software se usa para Machine Learning? ›

Python es sin duda el mejor lenguaje de programación para aplicaciones de aprendizaje automático. Otros lenguajes de programación que se pueden utilizar para aplicaciones de Machine Learning son R, C ++, JavaScript, Java, C #, Julia, Shell, TypeScript y Scala.

¿Qué es un proyecto de Machine Learning? ›

El ML es un subcampo de la Inteligencia Artificial que proporciona a las máquinas la capacidad de aprender automáticamente y mejorar a partir de la experiencia sin ser programado expresamente para ello.

¿Dónde implementar machine learning? ›

El Machine Learning se utiliza para aprender del usuario y de su uso para así recomendarles mejores productos y servicios. Las empresas más famosas que utilizan esto: Amazon, Google, Instagram, Facebook…

¿Qué tan difícil es el machine learning? ›

Realmente no es tan difícil. Lo difícil es que alguien más quiera usarlo. Machine Learning es una disciplina que estudia cómo se puede dotar a los sistemas informáticos de capacidad de aprendizaje autónomo. Este aprendizaje no es exactamente como el proceso de aprendizaje humano, pero se le parece bastante.

¿Quién creó el machine learning? ›

Los orígenes del Machine Learning

Por moderno que pueda parecer este campo, nos debemos remontar al año 1950 cuando el gran Alan Turing creó el “Test de Turing”. De forma que para pasar el test, una máquina debía engañar a un humano haciéndole creer que se encontraba delante de un humano en vez de un ordenador.

¿Qué software se usa para machine learning? ›

Python es sin duda el mejor lenguaje de programación para aplicaciones de aprendizaje automático. Otros lenguajes de programación que se pueden utilizar para aplicaciones de Machine Learning son R, C ++, JavaScript, Java, C #, Julia, Shell, TypeScript y Scala.

¿Que estudiar para trabajar en machine learning? ›

Puedes estudiar muchas carreras para acabar dedicandote al machine learning: matemáticas, la gran mayoría de ingenierías (informática, electrónica, eléctrica, telecomunicaciones, industrial, mecánica,…), física, biología,….

¿Cuáles son los principios de machine learning? ›

El Machine Learning o aprendizaje automático es un campo científico y, más particularmente, una subcategoría de inteligencia artificial. Consiste en dejar que los algoritmos descubran «patterns», es decir, patrones recurrentes, en conjuntos de datos. Esos datos pueden ser números, palabras, imágenes, estadísticas, etc.

¿Cuáles son las carreras mejor pagadas? ›

Índice
  • Medicina. Es una de las carreras mejor pagadas en México y en muchos otros países. ...
  • Ingeniería civil. ...
  • Minería y extracción. ...
  • Ciencias políticas. ...
  • Arquitectura y construcción. ...
  • Ciencias ambientales. ...
  • Ingeniería eléctrica. ...
  • Diseño textil.

¿Cuánto le pagan a un ingeniero en inteligencia artificial? ›

¿Cuánto gana un ingeniero en inteligencia artificial en la Ciudad de México? Según Salary Expert, el salario bruto promedio de un ingeniero en inteligencia artificial en la Ciudad de México es de $ 639,888 (Pesos Mexicanos) o una tarifa por hora equivalente de $ 308 (Pesos Mexicanos).

¿Qué tan difícil es el machine learning? ›

Realmente no es tan difícil. Lo difícil es que alguien más quiera usarlo. Machine Learning es una disciplina que estudia cómo se puede dotar a los sistemas informáticos de capacidad de aprendizaje autónomo. Este aprendizaje no es exactamente como el proceso de aprendizaje humano, pero se le parece bastante.

Videos

1. ¿Te pueden leer la MENTE con Inteligencia Artificial?
(Dot CSV)
2. Fundamentals of Machine Learning: AI and Board Games
(Complexity Explorer)
3. Build Neural Networks in Python | Neural Networks Tutorial | Edureka | Deep Learning Live - 1
(edureka!)
4. Fundamentos de Machine Learning: aplicado a negocio
(decide4AI)
5. Webinar "¿Cómo usar machine learning para potenciar tu organización? ⚡". Ep. 1: Casos de uso
(RockingData)
6. Bases para construir una sólida reputación empresarial
(Floribeth González)
Top Articles
Latest Posts
Article information

Author: Pres. Lawanda Wiegand

Last Updated: 01/31/2023

Views: 5820

Rating: 4 / 5 (71 voted)

Reviews: 94% of readers found this page helpful

Author information

Name: Pres. Lawanda Wiegand

Birthday: 1993-01-10

Address: Suite 391 6963 Ullrich Shore, Bellefort, WI 01350-7893

Phone: +6806610432415

Job: Dynamic Manufacturing Assistant

Hobby: amateur radio, Taekwondo, Wood carving, Parkour, Skateboarding, Running, Rafting

Introduction: My name is Pres. Lawanda Wiegand, I am a inquisitive, helpful, glamorous, cheerful, open, clever, innocent person who loves writing and wants to share my knowledge and understanding with you.