La importancia de llamarse Machine Learning

El Machine Learning está por todas partes, desde informes de ventas hasta el reporte del tiempo. Es un mercado grande que se estima moverá más de 209 mil millones de dólares para 2029. ¿Pero de dónde salió y por qué es tan importante?

La primera vez que se escuchó el término “Machine Learning”, o aprendizaje automático, fue en 1959 por parte de Arthur Samuel, un investigador de IBM apasionado por el tema. Sin embargo, en esos años otro término estaba de moda para hablar de esta misma categoría y era “self teaching computers”, pero Machine Learning acabaría ganando la partida y pasando a la historia.

Según Merrian Webster,  es un proceso en el cual una computadora es capaz de mejorar su desempeño incorporando datos en forma continua mediante un modelo estadístico.  Dicho de una forma más sencilla, Machine Learning es una rama de la Inteligencia Artificial que trabaja con sistemas que mejoran su desempeño de forma automatizada, sin una participación directa (explícita) de programadores humanos.

Machine Learning es una herramienta vital para encontrar patrones dentro de un grupo de datos y predecir “sucesos”. Y está presente en todo, desde las recomendaciones de Netflix hasta los autos de conducción autónoma.

¿Cómo se dividen?

Por su tamaño, el Machine Learning (ML) también tiene varias divisiones según la forma como trata los datos. Recordemos, toda Inteligencia Artificial depende de la calidad y cantidad de información que le suministramos. Existen diferentes tipos de ML con: aprendizaje supervisado; aprendizaje no supervisado y aprendizaje por refuerzo.

Para comenzar, el aprendizaje supervisado trabaja con datos que ya han sido etiquetados con alguna información que ayuda a trabajar con ellos para detectar patrones. Estos datos etiquetados previamente suelen ser más costosos y pueden ser realizados por seres humanos. ¿Recuerda en internet cuando un sitio le pide que seleccione cierto tipo de imágenes? Felicitaciones, usted ha contribuido a etiquetar datos.

El aprendizaje no supervisado trabaja con datos no etiquetados y permite realizar tareas más complejas. Específicamente trata de encontrar patrones desconocidos sin tener referencias de los datos. En resumen, mientras los datos supervisados trabajan bajo ciertas reglas claras, previamente definidas, los no supervisados no las tienen, deben explorar y encontrarlas en el camino. Ahora, una ventaja de este sistema es que los datos no etiquetados son más fáciles de encontrar.

Por último, el aprendizaje por refuerzo permite a un algoritmo aprender con base en ensayos de prueba y error, recompensando los aciertos y castigando los errores.

Algunas tendencias

Leer también

5 sugerencias para planificar tu jubilación con la IA

ML evoluciona cada año y salen nuevas aplicaciones, descubrimientos y tendencias relacionadas generalmente con otras tecnologías, como es el caso del Internet de las cosas (IoT, por sus siglas en inglés). Gracias a la llegada de nuevos estándares de conectividad, como el 5G, se espera que al mismo tiempo que aumenta la información generada por millones de dispositivos del IoT también lo hará el uso de ML.

Otra tecnología importante es el Blockchain, tan popularizada por el Bitcoin y los contratos inteligentes, que de la mano del Machine Learning podrá aprovechar sus beneficios implícitos de descentralización y transparencia.

El automated machine learning es otra de las grandes tendencias para el 2022. Recordemos que es el proceso de automatización de las tareas iterativas que consumen tiempo en el desarrollo de modelos de aprendizaje automático.

Otras tendencias están relacionadas con el uso cada vez más importante en ciberseguridad, en los coches autónomos y los asistentes digitales, entre muchos otros. Porque Machine Learning está en todas partes.