Nació del reconocimiento de patrones y de la teoría que dice que las computadoras pueden aprender sin ser programadas para realizar tareas específicas; investigadores interesados en la inteligencia artificial deseaban saber si las computadoras podían aprender de datos.

El aspecto reiterado del machine learning es importante porque a medida que los modelos son expuestos a nuevos datos, éstos pueden adaptarse de forma independiente. Aprenden de cálculos previos para producir decisiones y resultados confiables y repetibles. Es una ciencia que no es nueva pero que ha cobrado un nuevo impulso. Esta tecnología permite automatizar una gran cantidad de operaciones y reducir la necesidad de intervención humana al mínimo posible, algo muy ventajoso cuando se trata de manejar miles o cientos de miles de datos de forma efectiva.

¿Qué es el machine learning?

Machine learning es una disciplina científica del ámbito de la inteligencia artificial que crea sistemas que aprenden automáticamente. Aprender en este contexto quiere decir identificar patrones complejos en millones de datos.

La máquina que realmente aprende es un algoritmo que revisa los datos y es capaz de predecir comportamientos futuros. Automáticamente, también en este contexto, implica que estos sistemas se mejoran de forma autónoma con el tiempo, sin intervención humana.

¿Por qué es tan importante el machine learning?

El reto de sacar partido de los datos se ha simplificado enormemente. El machine learning de hoy no es como antes. Esto quiere decir que con datos de calidad, tecnologías adecuadas y análisis propicios es posible actualmente crear modelos de comportamiento para analizar datos de gran volumen y complejidad. Además, los sistemas proporcionan resultados rápidos y precisos sin intervención humana, incluso a gran escala. El resultado predicciones de alto valor para tomar mejores decisiones y desarrollar mejores acciones de negocio.

¿Qué se requiere para crear buenos sistemas de machine learning?

• Recursos de preparación de datos.
• Algoritmos básicos y avanzados.
• Automatización y procesos iterativos.
• Modelado en conjunto.

Tipos de machine learning

Supervised learning

Depende de datos previamente etiquetados, como podría ser el que una computadora logré distinguir imágenes de coches, de las de aviones. Para esto, lo normal es que estas etiquetas o letreros sean colocadas por seres humanos para asegurar la efectividad y calidad de los datos.

La idea es que las computadoras aprendan de una multitud de ejemplos y a partir de ahí puedan hacer el resto de cálculos necesarios para que nosotros no tengamos que volver a ingresar ninguna información.

Unsupervised learning

En esta categoría lo que sucede es que al algoritmo se le despoja de cualquier etiqueta, de modo que no cuenta con ninguna indicación previa. En cambio, se le provee de una enorme cantidad de datos con las características propias de un objeto para que pueda determinar qué es, a partir de la información recopilada.

Reinforcement learning

La máquina es capaz de aprender con base a pruebas y errores en un número de diversas situaciones. Aunque conoce los resultados desde el principio, no sabe cuáles son las mejores decisiones para llegar a obtenerlos. Lo que sucede es que el algoritmo progresivamente va asociando los patrones de éxito, para repetirlos una y otra vez hasta perfeccionarlos y volverse infalible.

Ámbitos de aplicación del machine learning

La mayoría de las industrias que trabajan con grandes cantidades de datos han reconocido el valor de la tecnología del machine learning. Obteniendo insights de estos datos a menudo en tiempo real. Las organizaciones pueden trabajar de manera más eficiente o lograr una ventaja sobre sus competidores.

El campo de aplicación práctica depende de la imaginación y de los datos que estén disponibles en la empresa:

• Detectar fraude en transacciones.
• Predecir de fallos en equipos tecnológicos.
• Prever qué empleados serán más rentables el año que viene. El sector de los recursos humanos está apostando seriamente por el machine learning.
• Seleccionar clientes potenciales basándose en comportamientos en las redes sociales, interacciones en la web.
• Predecir el tráfico urbano.
• Saber cuál es el mejor momento para publicar tuits, actualizaciones de Facebook o enviar las newsletter.
• Hacer pre diagnósticos médicos basados en síntomas del paciente.
• Cambiar el comportamiento de una app móvil para adaptarse a las costumbres y necesidades de cada usuario.
• Detectar intrusiones en una red de comunicaciones de datos.
• Decidir cuál es la mejor hora para llamar a un cliente.

Plataformas que apostaron por el uso de machine learning

• Facebook

Facebook emplea su algoritmo de reconocimiento facial para ahorrarte trabajo a la hora de etiquetar a tus amigos en las fotografías. Se trata de un algoritmo que memoriza ciertos patrones que definen los rostros de aquellas personas que has etiquetado anteriormente e identificarlas automáticamente después.

• Pinterest

Pinterest también utiliza el machine learning para potenciar el engagement con los usuarios. La plataforma también emplea un algoritmo que aprende de la actividad de los usuarios. Así, consigue plasmar los contenidos favoritos de cada uno en función de sus intereses, gustos y hábitos.