El término Machine Learning ha tomado un papel protagónico en las ciencias de la computación y resuena cada vez más en los medios. Se menciona en artículos especializados, programas y cursos universitarios. Pero, ¿qué es exactamente y qué implicaciones tiene para nosotros?
Con este artículo daremos una introducción a esta interesante rama esencial de la computación responsable de que la Inteligencia Artificial sea capaz de aprender.
Algunas definiciones de Machine Learning
Resulta difícil encontrar una sola definición para el término Machine Learning, pues aún se trata de un campo tecnológico en desarrollo. La terminología recién se construye y estandariza. Sin embargo, existen varias aproximaciones al concepto.
Es una rama de inteligencia artificial y ciencias de la computación que se enfoca en el uso de datos y algoritmos para imitar la manera en la que los humanos aprenden, gradualmente mejorando su precisión.
IBM
Un subconjunto de inteligencia artificial … que se centra en enseñar a las computadoras a aprender de los datos y mejorar con la experiencia.
Firma internacional SAP.
Los cambios dentro de sistemas que realizan alguna tarea asociada con inteligencia artificial.
Nils J. Nilsson, pionero en Inteligencia artificial.
En resumen, Machine Learning es una línea de la Inteligencia Artificial que permite a las computadoras aprender mediante datos y algoritmos. Estos imitan y mejoran los procesos de aprendizaje humano.
Esta disciplina implica la variación en las repeticiones de procesos impulsados con IA. Es decir, la IA definitivamente necesita del Machine Learning para, mediante la experiencia, romper patrones que se repiten y ya no funcionan.
Un poco de historia: como se paso del concepto a la práctica
Hace dos décadas el Machine Learning era referencia casi exclusiva de la ciencia ficción; piensa en Yo, Robot, de Isaac Asimov, protagonizada en el cine por Will Smith. También de un grupo diminuto de especialistas en la rama de aprendizaje computacional.
Afortunadamente, en la última década dicha tecnología ha salido de los rincones de los laboratorios de MIT y CalTech. Ha redirigido los esfuerzos de una gran parte del capital de Silicon Valley; tanto, que hoy en día todas las grandes empresas, de una manera u otra, dependen del Machine Learning para sus negocios.
Ada Lovelace fue una de las mentes más brillantes del siglo XIX e hija del aclamado poeta Lord Byron. Ella fue la responsable de imaginar hacia 1830 el principio de la era computacional. Conceptualizó la idea de una máquina cuyo cometido fuera la “expresión material de una función indefinida de cualquier grado de generalidad y complejidad”.
Un siglo más tarde, Alan Turing dio un gran salto durante la Segunda Guerra Mundial en la materia. Recordemos que su tecnología ayudó a descifrar las comunicaciones nazis. Ello dio pie a la creación del concepto Turing Machine, que es la computadora que conocemos hoy en día. También surgió el Turing Test, conocido en español como el Juego de Imitación.
Posteriormente en 1959, Frank Gabel, escribió el artículo “Some Studies in Machine Learning Using the Game of Checkers”, donde acuñó el término que conocemos hoy.
Los primeros indicios del Machine Learning
El famoso juego de ajedrez en 1996 entre el campeón mundial Garry Kasparov y la máquina diseñada por IBM llamada Deep Blue fue un hito. Fue una de las primeras muestras públicas de la capacidad de una computadora para crear volúmenes estratosféricos de cálculos y además cambiar y adaptar información.
Esto fue una muestra de la toma de decisiones de las máquinas, por lo cual representa un gran avance en el área.
Desde entonces, han tenido lugar otros encuentros destacables entre la inteligencia humana y la de una máquina. Por ejemplo, la nueva generación de computadoras de IBM, Watson, apareció en el programa de televisión Jeopardy; así como el enfrentamiento en el juego chino Go entre el programa desarrollado por Google denominado AlphaGo y un humano.
El impacto del Data Science en la actualidad
La era de la información digital fue propiciada por la creación del internet y el uso masivo de dispositivos móviles. Su adaptación al mundo contemporánea conlleva a una generación de datos cada vez más rápida.
De acuerdo con un reporte de la empresa Domo de 2018, el mundo generó 2.5 trillones de bytes de información cada día. Ante dicha producción continua de grandes cantidades de datos se requiere de técnicas y procesos cada vez más rápidos, sofisticados y automatizados.
La ciencia de datos se refiere a una combinación de disciplinas; estas permiten el manejo de datos, incluyendo su análisis, limpieza y manipulación para realizar y obtener interpretaciones valiosas. Entre las disciplinas que conviven en esta ciencia está la actuaría, estadística, métodos científicos, Inteligencia Artificial y análisis de datos.
El mercado laboral en Data Science es muy prometedor; en 2020 creció un 46% la demanda de personas con este tipo de perfil.
Machine Learning aplicado a diversas empresas
Ante este escenario de más acceso a todo tipo de datos imaginables, las empresas han buscado potencializar su eficiencia a través del uso de Machine Learning y sus algoritmos.
Las aerolíneas lo emplean en los sistemas de precios y boletaje. A través de sus bases de datos masivas usan algoritmos para diversas funciones. Por ejemplo, la asignación de precio por asiento, programar con antelación rutas y horarios y asignar el personal de la tripulación, entre otras tareas complejas.
Las aplicaciones de navegación también son otros ejemplos muy conocidos del uso de algoritmos del Machine Learning. Por ejemplo, Waze, Google Maps y otras que dependen de ellas, como Uber, Rappi y Cabify. Estas apps recaban información como tiempos de recorridos previos o tendencias de tráfico durante ciertas horas.
La utilización de esos datos para estimar el tiempo de determinado viaje es fundamental para el éxito de estas apps.
Un panorama de posibilidades
Las aplicaciones de Machine Learning son muy amplias y diversas. Una vez que hemos clarificado el concepto, historia y usos más comunes, en subsecuentes artículos hablaremos sobre otras importantes áreas de innovación de esta disciplina, tal como Deep Learning y Neural Networks.
También abordaremos otras aplicaciones de uso diario como el reconocimiento facial, cada vez más común entre las estrategias de seguridad de nuestros dispositivos.
