En 1997 el ordenador Deep Blue logró derrotar al genio del ajedrez Garry Kasparov: el sistema de IBM se había entrenado viendo decenas de partidas exitosas para jaquear al campeón mundial y hacerse con la victoria.
Este hito marcó un antes y un después en Machine Learning (ML), una rama de la Inteligencia Artificial que se encarga de programar a las máquinas para que piensen y aprendan de la experiencia.
Este aprendizaje no solo se basa en la memorización y la recolección de datos, sino en la creación de un modelo, un patrón, a partir de la información recolectada. Los sistemas aprenden haciendo pero, sobre todo, son capaces de entrenarse a sí mismos para optimizar su comportamiento procesando datos.
Hoy en día, el machine learning está detrás del reconocimiento del habla por parte de asistentes virtuales, en recomendaciones de productos en plataformas digitales como Spotify o Netflix, en las respuestas inteligentes de Gmail, o en la tecnología que permite a Cabify o Uber reducir tiempos en cada trayecto.
Machine Learning: el aprendizaje con tres algoritmos
En el machine learning el aprendizaje automático se realiza a través de una serie de algoritmos que analizan grandes cantidades de datos y determinan cuál es el resultado óptimo para una situación concreta.
Aunque hay algoritmos de muchos tipos, pueden agruparse en tres categorías según su funcionamiento:
- Algoritmo de aprendizaje supervisado. La máquina se encarga de aprender a partir de ejemplos: se le proporcionan datos etiquetados previamente y la máquina debe encontrar un patrón para poder hacer predicciones. Las conclusiones se corrigen por un operador y así el algoritmo puede realizar después ajustes para alcanzar una alta precisión.
¿Un ejemplo? El algoritmo de Facebook que analiza los datos públicos disponibles para mejorar su sistema.
- Algoritmo de aprendizaje no supervisado. En este caso el algoritmo no identifica patrones en bases a datos etiquetados, sino que buscan similitudes en la información. Estudia las características de la información para agruparla.
¿Un ejemplo? La agrupación de alojamientos de Airbnb por localidad.
- Algoritmo de aprendizaje por refuerzo. Es una mezcla de las dos tipologías anteriores. Este sistema enseña a la máquina a través del proceso de ensayo y error. Aprende de experiencias pasadas y adapta su enfoque en respuesta a la situación para lograr el mejor resultado posible.
¿Un ejemplo? El aprendizaje de Deep Blue en ajedrez. No solo reconoce los movimientos correctos para cada tipo de pieza, sino que es capaz de saber cuáles son los más indicados como parte de una estrategia de juego.
¿Para qué podemos utilizar el machine learning?
Anticipar fallos en equipos tecnológicos.
- Conocer el momento adecuado para la publicación de posts en redes sociales.
- Predecir enfermedades en base a los síntomas del usuario.
- Atender al cliente con conversaciones inteligentes a través de chatbots
- Determinar el perfil del cliente potencial en función a su comportamiento en Internet.
- Detectar con antelación el tráfico en una ciudad.
- Saber a qué hora enviar una newsletter o programar una llamada.
- Identificar delitos en una red de telecomunicaciones.
- Predecir accidentes en vehículos autónomos y robots.