Machine learning y Deep learning, el futuro en presente

Compartir

Machine learning y Deep learning, el futuro en presente.
Junio 2018

Autos que se conducen solos, médicos virtuales y chatbots, son solo algunos de los ámbitos donde ya se está aplicando Machine Learning o Aprendizaje Automático. Esta rama de la inteligencia artificial tiene como objetivo programar a las computadoras para que las mismas adquieran la capacidad de “aprender”. Esta tecnología futurista ya es parte de nuestro presente.  

 

El aprendizaje automático es el resultado de la interacción de varias corrientes como la Computación y la Estadística y propone una nueva manera de pensar desde el análisis de datos para fines científicos o comerciales hasta la creación de nuevos empleos, e incluso el propio rol del hombre y su manera de concebir el mundo. 

Esta tecnología funciona por medio de algoritmos que identifican patrones naturales en los datos y contribuyen a la realización de predicciones y a la toma de decisiones. De esta manera, mientras más datos incorporan, más inteligentes se vuelven y mayor es su potencial. Estos algoritmos se clasifican en dos grandes grupos: Supervised Learning o Conocimiento Supervisado y Unsupervised Learning o Conocimiento No Supervisado.

El Conocimiento Supervisado supone un conocimiento previo que ayuda a entender los datos y, de esta forma, colabora en la toma de decisiones o predicciones. Un ejemplo concreto es el sistema de control de spam del correo electrónico, donde el usuario marca como “no deseado” algunos de ellos y el sistema “aprende” a identificarlos y bloquearlos por sí solo. 

Por otro lado, en el Unsupervised Learning, la inteligencia artificial no tiene una experiencia previa y está orientada a la búsqueda de patrones, es decir, a clasificar elementos repetidos o anomalías de grandes volúmenes de datos. Por lo general, se aplica para el análisis de datos científicos, en la segmentación de clientes o para conocer el comportamiento de usuarios o tendencias en redes sociales. 

La disciplina del aprendizaje automático está en pleno auge gracias a su aplicación en la Internet de las Cosas y del Big Data. Dentro de esta corriente, en los últimos años fue adquiriendo mayor relevancia el Deep Learning o Aprendizaje Profundo. Por medio de esta técnica es posible programar un sistema de forma tal que al brindarle un modelo particular puede extraer patrones, evaluar ejemplos y, de esta manera, a través de una determinada cantidad de instrucciones, adquirir la capacidad de realizar modificaciones cuando se produzcan anomalías en el mismo.

Esto es posible dado que una de las técnicas para su implementación simula las características del sistema nervioso humano, es decir, un sistema de redes artificiales de neuronas (o redes neuronales) dentro de un software de análisis de datos que imita al pensamiento humano. Esta red artificial de neuronas está compuesta por distintas capas y conexiones. Los datos se propagan atravesando cada capa con una tarea en concreto de análisis, entonces, por ejemplo, para obtener información de una imagen la misma es particionada en miles de fragmentos que cada capa de neuronas analiza de manera particular: colores, formas, rasgos, etc. Así, de cada análisis, se obtiene un dato específico que recopila la capa final y ofrece un resultado. 

En la actualidad se pueden observar una gran cantidad de casos y usos en los que se aplica este tipo de tecnología. Un ejemplo de esto, y de lo más trivial, es el reconocimiento facial y el etiquetado automático de imágenes dentro de la red social Facebook.

Es cierto que estas tecnologías convocan adherentes y detractores al mismo tiempo. Si bien algunos especialistas consideran que estos avances podrían significar un logro trascendental en la evolución de la humanidad, otros consideran que profundizar y perfeccionar la inteligencia artificial, sin las debidas precauciones, puede significar un peligro. En este punto es importante destacar que es el debate entre los distintos actores los que impulsan los cambios ya que el avance tecnológico no solo depende de la innovación sino también del consenso y las políticas definidas.