¿Qué es el Machine Learning?

Ejemplos de machine learning 

El Aprendizaje Automático impulsa muchos de los servicios en los que confiamos hoy, incluidos los sistemas de recomendación como los que se encuentran en Netflix, Disney+, YouTube y Spotify. El Machine Learning también es clave para la funcionalidad de los motores de búsqueda, las redes sociales como Facebook y Twitter, y los asistentes de voz como Siri y Alexa.

En todos estos casos, estas plataformas utilizan el Machine Learning para recopilar tantos datos sobre ti como sea posible -qué directores te gustan, en qué enlaces haces clic, qué estados han provocado una reacción tuya- y luego hacer una conjetura muy educada sobre lo que podrías querer comprar, ver o hacer clic a continuación. Los asistentes de voz, por su parte, utilizan el Machine Learning para conjeturar qué palabras coinciden mejor con los sonidos que salen de tu boca.

El proceso, de hecho, no es tan complicado: encontrar el patrón, aplicar el patrón. Pero es un sistema que funciona bastante bien. Eso es en gran parte gracias a una invención de 1986, cortesía de Geoffrey Hinton, hoy conocido como el padre del aprendizaje profundo.

El aprendizaje profundo es el machine learning llevado al siguiente nivel: da a las máquinas una capacidad mejorada para encontrar -y amplificar- incluso los patrones más sutiles. Esta técnica se denomina red neuronal profunda -profunda porque tiene muchas, muchas capas de nodos computacionales simples que trabajan juntos para masticar los datos y ofrecer un resultado final en forma de predicción.

El Machine Learning es una forma de inteligencia artificial (IA) que enseña a los ordenadores a aprender y mejorar a partir de experiencias pasadas y funciona explorando datos e identificando patrones con una mínima intervención humana.

Casi cualquier tarea que pueda completarse con un patrón definido por los datos o un conjunto de reglas puede automatizarse con el Machine Learning. Esto da a las empresas la oportunidad de transformar procesos que antes sólo podían realizar los humanos, por ejemplo, las llamadas de atención al cliente, la contabilidad o la revisión de currículos.

El machine learning utiliza dos técnicas principales:

• El aprendizaje supervisado te permite recoger datos o producir una salida de datos de una implementación previa de Machine Learning. El aprendizaje supervisado funciona en realidad de forma muy parecida a como aprenden los humanos. En las tareas supervisadas, damos al ordenador una colección de puntos de datos etiquetados llamada conjunto de entrenamiento (por ejemplo, un conjunto de lecturas de un sistema de terminales de tren y marcadores donde tuvieron retrasos en los últimos tres meses).
• El aprendizaje no supervisado te ayuda a encontrar todo tipo de patrones desconocidos en los datos. En el aprendizaje no supervisado, el algoritmo intenta aprender alguna estructura inherente a los datos con sólo ejemplos no etiquetados. Dos tareas habituales del aprendizaje no supervisado son la agrupación y la reducción de la dimensionalidad.

Una parte importante de lo que hace que el Machine Learning sea tan valioso es su capacidad para detectar lo que el ojo humano pasa por alto. Los modelos de Machine Learning son capaces de captar patrones complejos que se habrían pasado por alto durante el análisis humano.

El machine learning es muy adecuado para los problemas que tienen las características del problema del reconocimiento de la escritura a mano, es decir, problemas que son muy complejos, en los que bastan soluciones aproximadas, y que son inherentemente estadísticos o probabilísticos. Las empresas descubren cada vez más que muchos de sus problemas tienen estas características. Piensa en el problema de señalar las transacciones fraudulentas con tarjeta de crédito.

• Complejidad: Las reglas que identifican las transacciones fraudulentas con tarjetas de crédito son complejas y cambian constantemente.
• Las aproximaciones son suficientes: Estamos marcando transacciones para su posterior revisión, así que no pasa nada si el programa se equivoca a veces.
• Las soluciones son probabilísticas: Nunca estamos seguros de que una transacción sea fraudulenta hasta que la verifiquemos poniéndonos en contacto con el cliente.

¿Y qué necesitamos para aplicar una solución de Machine Learning a un problema empresarial como éste? Datos, un bien que las empresas modernas tienen en gran cantidad. Por estas razones, las empresas están descubriendo que las herramientas de Machine Learning encajan de forma muy natural en sus actividades y objetivos, por lo que estamos asistiendo a un aumento tan espectacular de la aplicación de herramientas y tecnologías de Machine Learning en el mundo empresarial.

La inteligencia artificial es el concepto más amplio de que las máquinas tienen la capacidad de realizar tareas de una manera que consideraríamos «inteligente», mientras que el Machine Learning es una aplicación de la IA basada en el concepto de que si damos a las máquinas acceso a los datos, son capaces de aprender por sí mismas.

Con los años, nuestra idea de lo que constituye la IA ha cambiado. En lugar de realizar cálculos cada vez más complejos, el trabajo en el campo de la IA se ha centrado en imitar los procesos de toma de decisiones de los seres humanos y realizar tareas de forma cada vez más humana.

El sesgo en el Machine Learning es un problema que surge cuando un algoritmo produce resultados con prejuicios sistemáticos debido a suposiciones incorrectas en el proceso de Machine Learning.

También llamado a veces sesgo del algoritmo o sesgo de la IA, el sesgo del Machine Learning suele producirse porque las personas que diseñan y/o entrenan los sistemas de Machine Learning crean algoritmos que reflejan sesgos cognitivos involuntarios o prejuicios de la vida real, o bien porque utilizan conjuntos de datos incompletos, defectuosos o perjudiciales para entrenar y/o validar sus sistemas de Machine Learning.

El sobreajuste se refiere a una situación en la que los datos de entrenamiento se modelan demasiado bien, lo que significa que un modelo ha aprendido los detalles y el ruido de los datos de entrenamiento hasta tal punto que tiene un efecto negativo en el rendimiento del modelo sobre los nuevos datos.

Esto significa que el ruido o las fluctuaciones aleatorias de los datos de entrenamiento son aprendidos como conceptos por el modelo. ¿El problema? Estos conceptos no se aplican a los nuevos datos y afectan negativamente a la capacidad de generalización del modelo.

El sobreajuste es más probable con los modelos no paramétricos y no lineales, que tienen más flexibilidad a la hora de aprender una función objetivo. Por eso, muchos algoritmos de Machine Learning no paramétricos también incluyen parámetros o técnicas para limitar y restringir la cantidad de detalles que aprende el modelo.

La regresión en el Machine Learning consiste en un conjunto de métodos que nos permiten predecir una variable de resultado real o continua a partir del valor de una o varias variables predictoras. Una variable de resultado continua es un valor real, como un número entero o un valor de coma flotante, y suelen ser cantidades, es decir, cantidades y tamaños.

El objetivo de los modelos de regresión es desarrollar ecuaciones que definan una variable como función de otra variable.

Aunque se pueden utilizar muchos modelos diferentes, el más sencillo es la regresión lineal. Intenta ajustar los datos con el mejor hiperplano que pase por los puntos.

La regularización en el Machine Learning es el proceso que regulariza o reduce los coeficientes hacia cero para evitar el sobreajuste.

En otras palabras, la regularización desaconseja el aprendizaje de un modelo más complejo o flexible.

La idea básica es penalizar los modelos complejos, por ejemplo, añadiendo un término de complejidad que dé una mayor pérdida a los modelos complejos.

La validación cruzada es una técnica para evaluar los modelos de Machine Learning entrenando varios modelos de Machine Learning en subconjuntos de los datos de entrada disponibles y evaluándolos en el subconjunto complementario de los datos. La validación cruzada se utiliza para detectar el sobreajuste.