Machine learning, que es, definición, concepto; aprendizaje automático

Machine learning, que es, definición, concepto; aprendizaje automático.El aprendizaje automático es una rama de la inteligencia artificial que ya está revolucionando el software moderno y cambiando la forma en que las empresas hacen negocios.
El aprendizaje automático es una de las tendencias más actuales en la tecnología actual. De hecho, Gartner colocó el aprendizaje automático en la cima de su ciclo más reciente de Hype para tecnologías emergentes . Y la firma ha predicho que para el año 2020, las tecnologías de inteligencia artificial (IA), incluido el aprendizaje automático «serán prácticamente omnipresentes en casi todos los nuevos productos y servicios de software».

Según IDC, las organizaciones gastarán $ 12.5 mil millones en sistemas de inteligencia artificial en 2017. Eso es un enorme aumento del 59.3 por ciento con respecto a los niveles de 2016, y los analistas dicen que el gasto seguirá creciendo en más del 50 por ciento por año hasta 2020. En ese momento, el total Los ingresos de AI podrían superar los $ 46 millones. David Schubmehl, director de investigación, sistemas cognitivos y análisis de contenido en IDC, dijo: «Los sistemas cognitivos / AI se están convirtiendo rápidamente en una parte clave de la infraestructura de TI y todas las empresas deben comprender y planificar la adopción y el uso de estas tecnologías en sus organizaciones. «

Entonces, ¿qué es el aprendizaje automático? ¿Cuál es su relación con la inteligencia artificial? ¿Y qué deben saber los profesionales de la tecnología sobre sus posibles beneficios y desafíos?

¿Qué es el Machine learning?

La primera persona que usó la frase «aprendizaje automático» fue probablemente Arthur Samuel , quien desarrolló uno de los primeros programas de computadora para jugar a las damas. En 1959, definió el aprendizaje automático como una tecnología que le da a «las computadoras la capacidad de aprender sin ser programado explícitamente». Otros científicos informáticos han propuesto más definiciones matemáticas para el aprendizaje automático, pero la definición de Samuel sigue siendo una de las más precisas y fáciles de entender.
El aprendizaje automático es un subconjunto de la inteligencia artificial, el segmento de la ciencia de la computación que se enfoca en crear computadoras que piensen de la manera en que piensan los humanos. En otras palabras, todos los sistemas de aprendizaje automático son sistemas de inteligencia artificial, pero no todos los sistemas de inteligencia artificial tienen capacidades de aprendizaje automático.

Divisiones

Puede subdividir el aprendizaje automático en varias categorías diferentes:

  • El aprendizaje supervisado requiere un programador o profesor que ofrezca ejemplos de qué entradas se alinean con qué salidas. Por ejemplo, si desea utilizar el aprendizaje supervisado para enseñar a una computadora a reconocer imágenes de gatos, le proporcionará un montón de imágenes, algunas de las cuales fueron etiquetadas como «gatos» y otras de «no gatos». » Los algoritmos de aprendizaje automático ayudarían al sistema a aprender a generalizar los conceptos para poder identificar gatos en imágenes que no había encontrado antes.
  • El aprendizaje no supervisado requiere que el sistema desarrolle sus propias conclusiones a partir de un conjunto de datos determinado. Por ejemplo, si tenía un gran conjunto de datos de ventas en línea, podría usar el aprendizaje no supervisado para encontrar grupos o asociaciones entre esos datos que podrían ayudarlo a mejorar su marketing. Podría descubrir, por ejemplo, que las mujeres nacidas a principios de la década de 1980 con ingresos superiores a $ 50K tienen una afinidad por una marca de chocolate en particular o que las personas que compran una determinada marca de refrescos también compran una determinada marca de papas fritas.
  • El aprendizaje semi-supervisado , como probablemente adivinó, es una combinación de aprendizaje supervisado y no supervisado. Volviendo al ejemplo del gato, imagine que tiene una gran cantidad de imágenes, algunas de las cuales han sido etiquetadas como «gato» y «no gato», y otras no. Un sistema de aprendizaje semi-supervisado usaría las imágenes etiquetadas para hacer algunas suposiciones sobre cuál de las imágenes no etiquetadas incluye gatos. Las mejores conjeturas serían luego devueltas al sistema para ayudarlo a mejorar sus capacidades, y el ciclo continuaría.
  • El aprendizaje por refuerzo implica un sistema que recibe retroalimentación análoga a los castigos y recompensas. Un ejemplo clásico de aprendizaje por refuerzo (como se aplica al aprendizaje automático) es un jugador sentado frente a una fila de máquinas tragamonedas. Al principio, el jugador no sabe qué tragamonedas pagará o qué tan bien, así que las prueba todas. Con el tiempo, descubre que algunas de las máquinas se configuran «más flojas», de modo que pagan con mayor frecuencia y en cantidades más altas. A medida que pasaba el tiempo, el jugador, o en este caso, el programa informático, aumentaría sus ganancias jugando las máquinas más flojas con mayor frecuencia.

Casos de uso de aprendizaje automático

Las organizaciones en una amplia variedad de industrias ya han comenzado a experimentar con el aprendizaje automático. En algunos casos, los proveedores de software han incorporado el aprendizaje automático en las herramientas utilizadas para un propósito específico, y en otros casos, los usuarios han adaptado las aplicaciones de aprendizaje automático para sus necesidades. Algunos de los casos de uso más comunes para la tecnología incluyen los siguientes:

  • Detección de fraude : los bancos y los emisores de tarjetas de crédito han sido de los primeros en utilizar el aprendizaje automático. A menudo utilizan la tecnología para identificar transacciones que podrían ser fraudulentas. Si el emisor de su tarjeta de crédito lo llama para ver si recientemente realizó una compra en particular, la compañía probablemente usó el aprendizaje automático para marcar una transacción sospechosa en su cuenta.
  • Motores de recomendación: los motores de recomendación en línea utilizados por compañías como Amazon y Netflix se encuentran entre los ejemplos más conocidos de aprendizaje automático. Usando los datos obtenidos de millones de compradores y usuarios, los sistemas de aprendizaje automático pueden predecir los elementos que le gusten según sus compras anteriores o sus hábitos de visualización.
  • Búsqueda : Google, Microsoft Bing y otros motores de búsqueda utilizan el aprendizaje automático para mejorar sus capacidades minuto a minuto. Pueden analizar los datos sobre qué enlaces hacen clic los usuarios en respuesta a las consultas para mejorar sus resultados. También están utilizando el aprendizaje automático para mejorar el procesamiento del lenguaje natural y dar respuestas específicas a algunas preguntas.
  • Videovigilancia : el aprendizaje automático permite que los sistemas de reconocimiento facial mejoren todo el tiempo. En algunos casos, estos sistemas pueden identificar delincuentes conocidos, o pueden ser capaces de identificar comportamientos o actividades que están fuera de la norma o que violan la ley.
  • Reconocimiento de escritura a mano : el Servicio Postal de EE. UU. Utiliza el aprendizaje automático para entrenar su sistema que reconoce las direcciones escritas a mano.
  • Procesamiento de lenguaje natural : hoy, la mayoría de nosotros da por sentado que los asistentes personales como Siri, Cortana o Google Assistant podrán comprender las solicitudes de voz y responder a las preguntas. Con el tiempo, estas herramientas utilizan el aprendizaje automático para mejorar sus habilidades para reconocer, comprender y procesar información verbal.
  • Bots de servicio al cliente : los agentes automatizados pueden usar el procesamiento en lenguaje natural y los datos del servicio al cliente para responder preguntas comunes y mejorar la calidad de esas respuestas a lo largo del tiempo.
  • Seguridad de TI : muchas de las soluciones de seguridad de TI más avanzadas, como las herramientas de análisis de comportamiento de usuarios y entidades (UEBA), utilizan algoritmos de aprendizaje automático para identificar posibles ataques. En el caso de la UEBA, el aprendizaje automático establece una línea de base del comportamiento «normal» que utiliza para detectar anomalías, lo que potencialmente permite a las organizaciones identificar y mitigar las amenazas de día cero.
  • Análisis de transmisión : en el mundo 24/7 de hoy, una gran cantidad de datos, como feeds de redes sociales y transacciones de ventas en línea, se actualiza constantemente. Las organizaciones utilizan el aprendizaje automático para encontrar ideas o identificar problemas potenciales en tiempo real.
  • Mantenimiento predictivo : Internet de las cosas (IoT) ofrece muchos casos potenciales de uso de aprendizaje automático, incluido el mantenimiento predictivo. Las empresas pueden usar datos históricos de equipos para pronosticar cuándo es probable que la maquinaria falle, lo que les permite realizar reparaciones o instalar piezas de repuesto de forma proactiva antes de que afecten las operaciones de la empresa o de la fábrica.
  • Detección de anomalías : de la misma manera en que el aprendizaje automático puede identificar un comportamiento anómalo en los sistemas de TI, también puede detectar anomalías en productos manufacturados o alimentos. En lugar de contratar inspectores para examinar los bienes visualmente, las fábricas pueden usar sistemas de aprendizaje automático que hayan sido entrenados para identificar artículos que no cumplen con los estándares o especificaciones.
  • Previsión de la demanda : en muchas industrias, obtener la cantidad correcta de producto en la ubicación correcta es fundamental para el éxito empresarial. Los sistemas de aprendizaje automático pueden usar datos históricos para predecir las ventas con mayor precisión y rapidez que los humanos por sí solos.
  • Logística : para las empresas de transporte, configurar horarios y rutas es una tarea compleja que consume mucho tiempo. Los sistemas de aprendizaje automático pueden ayudar a identificar la manera más eficiente y rentable de obtener bienes o personas del punto A al punto B.
  • Operaciones financieras : todo comerciante espera encontrar patrones en el mercado que le permitan comprar barato y vender caro. Los algoritmos de aprendizaje automático pueden ayudar a identificar oportunidades potenciales basadas en actividades pasadas del mercado.
  • Diagnóstico de atención médica : muchos expertos imaginan un futuro en el que las herramientas de diagnóstico de aprendizaje automático trabajan junto con profesionales humanos para identificar enfermedades y determinar el curso de tratamiento más eficaz. Los sistemas informáticos pueden ser particularmente buenos para detectar anomalías en diversos tipos de exploraciones y para detectar enfermedades raras.
  • Automóviles automáticos: los vehículos autónomos son una de las aplicaciones más fascinantes del aprendizaje automático. En un futuro no muy lejano, los vehículos capaces de navegar por sí mismos pueden convertirse en la norma.
  • Robots : si bien han sido durante mucho tiempo un elemento básico de la ciencia ficción, los robots con capacidad de aprendizaje automático muy pronto podrían formar parte de la vida cotidiana. Estos robots podrían mejorar sus capacidades con el tiempo, lo que les permitirá ser más útiles para los humanos.

Beneficios del aprendizaje automático

Muchos de los casos de uso descritos anteriormente pueden ser manejados por personas o software sin capacidades de aprendizaje automático. Sin embargo, la tecnología de aprendizaje automático ofrece varios beneficios sobre cada una de estas alternativas:

  • Velocidad : los humanos pueden crear los modelos, ingresar los datos y ejecutar los cálculos necesarios para el análisis predictivo por su cuenta. Sin embargo, los humanos que usan software sin capacidades de IA, pueden necesitar días, semanas o meses para realizar tareas que las herramientas de aprendizaje automático pueden completar en solo segundos, minutos u horas.
  • Exactitud : esa velocidad permite que los sistemas de aprendizaje automático utilicen un mayor volumen de datos y una mayor cantidad de modelos de lo que los humanos pudieron. Como resultado, los sistemas de inteligencia artificial son mucho mejores que las personas en algunas tareas, como el análisis predictivo. Sin embargo, en otras áreas, como el reconocimiento de voz o el reconocimiento de imágenes, los sistemas informáticos aún no han alcanzado el mismo nivel de precisión que los seres humanos.
  • Eficiencia y ahorro de costos : el software de aprendizaje automático no es barato; De hecho, en algunos casos puede ser muy costoso. Sin embargo, a menudo es mucho más económico usar software para automatizar una tarea que contratar docenas o cientos de personas para completar la misma tarea.

Desafíos de aprendizaje automático, Machine Learning

Si bien el aprendizaje automático tiene un gran potencial y ya se está convirtiendo en un lugar común, el campo enfrenta muchos desafíos, algunos organizativos, otros tecnológicos y otros filosóficos.

  • Escasez de talentos : las empresas a menudo necesitan científicos de datos para operar sus sistemas de aprendizaje automático, y los trabajadores con estas habilidades se han convertido en uno de los más buscados. Sus salarios son algunos de los más altos en la industria de la tecnología, y en los últimos años, su salario promedio ha aumentado muy rápidamente. Sin embargo, los datos muestran que esta tendencia puede estar disminuyendo a medida que los proveedores implementan software de aprendizaje automático con capacidades de autoservicio que hacen posible que los científicos que no utilizan datos lo utilicen.
  • Falta de cultura basada en datos : aunque la mayoría de los ejecutivos entienden los beneficios potenciales de la toma de decisiones basada en datos y la tecnología de aprendizaje automático, lograr que todos en una gran empresa cambien su forma de pensar y sus actividades suele ser un proceso largo y lento. Los defensores del aprendizaje automático a menudo enfrentan obstáculos internos cuando intentan promover la tecnología.
  • Mala calidad de los datos : los mejores sistemas de inteligencia artificial del mundo no pueden ofrecer buenas predicciones y perspectivas si los datos que alimentan a sus modelos son inexactos. Muchas organizaciones descubren que necesitan mejorar sus procesos de limpieza y administración de datos antes de poder utilizar por completo el software de aprendizaje automático.
  • Integración de datos : en muchas organizaciones, los datos aún residen en aplicaciones aisladas y soluciones de almacenamiento. Alimentar todos esos datos dispares en un sistema de aprendizaje automático puede representar un desafío, pero los proveedores están respondiendo con soluciones que pueden aceptar una amplia variedad de tipos y formatos de datos.
  • Seguridad de datos : equilibrar la necesidad de restringir el acceso a los datos con la necesidad de utilizar datos para alimentar sistemas de aprendizaje automático puede ser complicado. Es posible que algunas organizaciones deban actualizar sus políticas y / o usar herramientas de aprendizaje automático que cifren o anonimen datos.
  • Requisitos de infraestructura : los sistemas avanzados de aprendizaje automático funcionan mejor en hardware con múltiples CPU y GPU rápidas. Además, requieren una gran cantidad de espacio de almacenamiento y capacidades de red adecuadas para mover los datos del almacenamiento a las aplicaciones y viceversa.
  • Dilemas éticos : la IA se está pareciendo más a los seres humanos, pero carece del sentido de moralidad que informa a la mayoría de las decisiones humanas. Por ejemplo, cuando Microsoft lanzó un bot de redes sociales llamado Tay que tenía capacidades de aprendizaje automático, aprendió rápidamente a decir cosas inapropiadas y ofensivas. Algunos expertos están pidiendo a las empresas de tecnología que se aseguren de que los sistemas de inteligencia artificial sigan un conjunto estricto de reglas éticas para evitar que cometan delitos, dañen a los seres humanos o incluso eliminen a la raza humana.
  • Miedo : muchas personas encuentran inquietante la idea de inteligencia artificial en general o aprendizaje automático en particular. Les preocupa que las computadoras se hagan cargo de sus trabajos, con una buena razón. Forrester predijo que «las tecnologías cognitivas como los robots, la inteligencia artificial (IA), el aprendizaje automático y la automatización reemplazarán el 7 por ciento de los empleos en los EE. UU. Para el 2025». Otros, incluidos Tesla y el CEO de SpaceX, Elon Musk, temen que el aprendizaje automático pueda representar una amenaza existencial para la humanidad. Ya sea que esos temores estén o no bien fundados, las organizaciones tendrán que encontrar una manera de lidiar con ellos si quieren experimentar los beneficios potenciales del aprendizaje automático.

This post is also available in: Español