¿Qué es el aprendizaje automático? Una guía completa para principiantes

introduction-to-machine-learning_social

Los ordenadores nos han ayudado a calcular la inmensidad del espacio y los detalles minuciosos de las partículas subatómicas. Cuando se trata de contar y calcular, o de seguir algoritmos lógicos de sí / no, los ordenadores  superan a los humanos gracias a que los electrones se mueven a través de sus circuitos a la velocidad de la luz. Pero, en general, no los consideramos «inteligentes» porque, tradicionalmente, los ordenadores no han podido hacer nada por sí mismas, sin que nos las enseñe (programe) primero.

Hasta ahora, incluso si un ordenador tuviera acceso a toda la información en el mundo, no podría hacer nada «inteligente» con ella. Podría encontrarnos una imagen de un gato, pero solo porque le habíamos dicho que ciertas imágenes contienen gatos. En otras palabras, pídele que encuentre una imagen de un gato y se devolverá con una imagen que se le ha dicho que es de un gato.

Esto tiene varias implicaciones que limitan su utilidad, y no menos importante es que se gasta una gran cantidad de tiempo humano diciéndole lo que contiene cada imagen. Los datos (imágenes) deben atravesar un cuello de botella humano, donde están etiquetados, antes de que el ordenador pueda, con precisión de rayo, identificarlo como una imagen de gato y mostrarlo cuando lo solicitemos.

Esto funciona bastante bien si solo buscamos imágenes de gatos en Google para pasar nuestro tiempo, si queremos hacer algo más avanzado, como monitorear un video en vivo y decirnos cuando un gato se pasea frente a la cámara, no funciona tan bien.

Son problemas como este los que el aprendizaje automático está tratando de resolver. En su forma más simple, el aprendizaje automático se trata de enseñar a los ordenadores a aprender de la misma manera que nosotros, interpretando datos del mundo que nos rodea, clasificándolos y aprendiendo de sus éxitos y fracasos. De hecho, el aprendizaje automático es un subconjunto, o mejor, la vanguardia de la inteligencia artificial.

¿Cómo surgió el aprendizaje automático?

Construir algoritmos capaces de hacer esto, utilizando la lógica binaria «sí» y «no» de los ordenadores, es la base del aprendizaje automático, una frase que probablemente fue utilizada por primera vez durante la investigación seria por Arthur Samuel en IBM durante la década de 1950. Los primeros experimentos de Samuel consistieron en enseñar máquinas para aprender a jugar a las damas.

Dado que el conocimiento -algo para obtener información y una base para tomar decisiones- es profundamente integral para el aprendizaje, estos primeras ordenadores se vieron seriamente perjudicadas debido a la falta de datos a su disposición. Sin toda la tecnología digital que tenemos hoy para capturar y almacenar información del mundo analógico, las máquinas solo podrían aprender de datos ingresados ​​lentamente a través de tarjetas perforadas y, más tarde, cintas magnéticas y almacenamiento.

Hoy las cosas son un poco diferentes: gracias al despliegue de Internet, la proliferación de teléfonos móviles y de recopilación de datos y otros dispositivos, y la adopción de tecnología conectada en línea en la industria, literalmente tenemos más datos de los que sabemos manejar.

Ningún cerebro humano puede esperar procesar siquiera una fracción de la información digital que tiene disponible. Pero, con su velocidad de rayo y su lógica binaria infalible, ¿podría un ordenador?

La red neuronal y el aprendizaje profundo

La idea de que puede, es la mitad de lo que está impulsando los avances que cambian el mundo que estamos viendo hoy. La otra mitad es el «cerebro» del aprendizaje automático. Porque además de simplemente ingerir datos, una máquina debe procesarlos para aprender.

Se han experimentado varios marcos diferentes a lo largo de los años, al construir algoritmos diseñados para permitir que las máquinas manejen los datos de la misma manera que los humanos. Estos a menudo se extrajeron del campo de las estadísticas, empleando métodos como la regresión lineal y el muestreo para asignar probabilidades a varios resultados, lo que permite hacer predicciones.

Sin embargo, el marco que, en los últimos años, ha superado a todos los demás en popularidad al demostrar consistentemente su utilidad y adaptabilidad, es la red neuronal artificial.

Al introducir la neurociencia en la mezcla, los investigadores encontraron que los modelos de computadora que parecen funcionar de manera más similar a un cerebro humano que cualquier otro desarrollado previamente, fueron posibles. Las redes neuronales artificiales, como los cerebros reales, se forman a partir de «neuronas» conectadas, todas capaces de llevar a cabo una tarea relacionada con los datos, como reconocer algo, no reconocerlo, unir una pieza de información con otra y responder una pregunta sobre la relación entre ellos.

Cada neurona es capaz de transmitir los resultados de su trabajo a una neurona vecina, que luego puede procesarla más. Debido a que la red es capaz de cambiar y adaptarse en función de los datos que pasan a través de ella, a fin de tratar de manera más eficiente los próximos datos que se encuentran, se puede considerar como «aprendizaje», casi de la misma manera que nuestros cerebros sí.

El «aprendizaje profundo» – otra palabra de moda del tema candente – es simplemente el aprendizaje automático que se deriva de las redes neuronales «profundas». Estos se construyen superponiendo muchas redes una encima de la otra, pasando información hacia abajo a través de una enmarañada red de algoritmos para permitir una simulación más compleja del aprendizaje humano. Debido a la creciente potencia y la caída del precio de los procesadores de ordenador, las máquinas con suficiente ruido para ejecutar estas redes son cada vez más asequibles.


¿Qué se puede hacer con el aprendizaje automático?

La aplicación del aprendizaje automático a la sociedad y la industria está conduciendo a avances en muchos campos de la actividad humana.

Por ejemplo, en medicina, el aprendizaje automático se aplica a los datos genómicos para ayudar a los médicos a comprender y predecir cómo se propaga el cáncer, lo que significa que se pueden desarrollar tratamientos más efectivos. Los datos del espacio profundo se recopilan aquí en la Tierra a través de enormes radiotelescopios, y después de analizarlos con aprendizaje automático, nos ayudan a descubrir los secretos de los agujeros negros.

En el sector minorista, el aprendizaje automático equipara a los compradores con los productos que desean comprar en línea, y en el mundo de ladrillos y morteros les permite a los dependientes personalizar el servicio que ofrecen a sus clientes.

En la guerra contra el terrorismo y el extremismo, el aprendizaje automático se usa para predecir el comportamiento de aquellos que quieren hacer daño a inocentes.

En nuestra vida cotidiana, el aprendizaje automático ahora impulsa los algoritmos de búsqueda e imagen de Google, para unirnos de manera más precisa con la información que necesitamos en nuestras vidas, en el momento en que la necesitamos.

El proceso de permitir que los ordenadores  entiendan y se comuniquen con nosotros en lenguaje humano, gracias al aprendizaje automático, se conoce como procesamiento de lenguaje natural (NLP) y esto ha llevado a avances en la tecnología de traducción y los dispositivos controlados por voz que usamos cada día más, incluyendo Eco de Amazon.

Sin duda, el aprendizaje automático está demostrando ser una tecnología con amplios poderes de transformación. El sueño de ciencia ficción de robots capaces de trabajar junto a nosotros y de aumentar nuestra propia inventiva e imaginación con su lógica impecable y velocidad sobrehumana ya no es un sueño, se está convirtiendo en una realidad en muchos campos. El aprendizaje automático es la clave que lo ha desbloqueado, y sus posibles aplicaciones futuras son casi ilimitadas.

Más información sobre los sistemas y soluciones de Machine Learning de Dell EMC y casos reales: Click Aquí

About the Author: Dell Technologies