Últimamente vemos más y más máquinas inteligentes que aprenden de nosotros, pero el machine learning o aprendizaje automático es más común de lo que piensas.

En un principio los ordenadores se diseñaron para ejecutar una serie de instrucciones definidas a partir de una serie de entradas para resolver un problema específico o llegar a un resultado. Sin embargo, al ser nosotros seres tan inteligentes, decidimos darles a las computadoras la habilidad de “aprender” sin la necesidad de estar explícitamente programadas para eso. Y así nació el Machine Learning. Los algoritmos de Machine Learning (y su variación, data mining) son piezas fundamentales en el desarrollo de algoritmos de inteligencia artificial. Y son estos algoritmos de inteligencia artificial los que son capaces de realizar todas estas increíbles proezas que parecerían imposibles para un puñado de metales y silicona.

Ramas del Machine Learning 

A pesar de que esto suene a ciencia ficción, la realidad es que los algoritmos de machine learning son el pan de cada día para los ingenieros en sistemas o especialistas en tecnologías de la información. De hecho, son parte fundamental en el desarrollo de los programadores y miles de algoritmos que se asumen sencillos están basados en estos principios. Algunas de las ramas del machine learning son el aprendizaje supervisado y aprendizaje no supervisado. Existen otras ramas de las que hablaremos próximamente, pero estas son las dos principales.

Aprendizaje Supervisado 

Los algoritmos más comunes y útiles de aprendizaje supervisado son los árboles de decisiones , encargados de elaborar un “árbol” que con un mínimo de preguntas con respuesta “sí” o “no”, aumenta la posibilidad de una respuesta correcta. Un ejemplo muy famoso es el juego 20Q, que en 20 preguntas te puede “leer la mente”.

Otro algoritmo fundamental de aprendizaje supervisado es el clasificatorio de Naive Bayes, un avanzado pero sencillo sistema de clasificación  de probabilidad y estadística comparativa que se utiliza para filtrar tus correos de spam, clasificar noticias como locales, nacionales, internacionales o para reconocimiento facial.

Otro muy importante es el de Regresiones Logísticas, la cual es un sofisticado sistema de predicción binaria (sí/no, blanco/negro, sano/enfermo…) basada en una o múltiples variables y su relación/dependencia. Este algoritmo se puede utilizar para medir el éxito de campañas de marketing, predecir las ganancias de productos o servicios e incluso, este modelo es el mejor algoritmo para en algún futuro poder detectar algún sismo.

Aprendizaje sin supervisión

En la gama de Aprendizaje sin supervisión tenemos algoritmos de agrupación, los cuales comienzan a agrupar objetos que coinciden en características con otros objetos para crear grupos con características similares. Estos algoritmos  llegan a muchas conclusiones por su cuenta y sus funciones principales van desde conectividad hasta creación de redes neuronales y aprendizaje muy profundo. Otro algoritmo de este tipo es el Análisis de Componentes Principales, el cual a través  de transformaciones ortogonales, puede convertir un juego de datos correlacionados en un juego de valores linealmente no relacionados llamados componentes principales. Esto se utiliza muchísimo para la compresión de archivos y para visualización. Un último ejemplo sería el Análisis de Componentes Independientes, una variante de los Análisis de Componentes Principales pero con la finalidad de revelar aspectos ocultos detrás de los valores aleatorios.

En sí, los algoritmos de machine learning en papel suenan a veces muy rebuscados o complejos, pero una vez que se entiende su uso y aplicación, es cuando vemos que ellos son los responsables de facilitarnos la vida en muchísimos aspectos. Como el caso de NEUBOX que para agilizar la respuesta de soporte y mejorar el servicio, se han implementado algoritmos que permiten corregir errores frecuentes en los servidores, haciendo más eficiente así, su funcionamiento.Y ellos serán responsables de que en un futuro no muy lejano, tengamos asistentes inteligentes en nuestras quehaceres.

Fuentes:

  1. The 10 Algorithms Machine Learning Engineers Need to Know. 03 de Abril 2017
  2. Can deep learning be used to forecast earthquakes?. 03 de Abril 2017
  3. Bishop, Christopher M. (2006). Pattern Recognition And Machine Learning. NewYork: Kurt F. Wendt Library