«Oye Siri, pon Lady Gaga», decimos a nuestro teléfono, y éste te responde que de acuerdo, va a poner a Lady Gaga en Apple Music. El teléfono no sólo está ejecutando una orden sino que la analiza y almacena para identificar qué tipo de música te gusta. De esta forma, si la siguiente vez le pides a Siri (asistente de voz de Apple, pero funciona similar en Alexa o Google) que te ponga música, sin especificar cuál, el asistente seleccionará música del mismo estilo que Lady Gaga. Esto es un ejemplo de machine learning o aprendizaje automático.
Podríamos poner otro ejemplo más complicado. Imaginemos una gran ciudad, donde son habituales los problemas de tráfico en horas punta. La información que envían los teléfonos móviles se utiliza para determinar los puntos de mayor congestión, datos que se analizan junto con las imágenes que envían las cámaras situadas en calles, carreteras y circunvalaciones. Todo el procesamiento de datos se realiza por un sistema softwares al que se conectan además los semáforos inteligentes. El resultado es que el sistema, en función del análisis a partir de los datos que recibe, ejecuta los tiempos de los semáforos, gestionando preferencias en un cruce, en un sentido de la marcha sobre otro, a los peatones sobre los coches, etc. Pero lo realmente significativo de este ejemplo no es que el sistema de tráfico ajusta los semáforos cuando hay atascos, sino que puede predecir cuándo se van a producir y comenzar a gestionar los semáforos para reducir la congestión antes de que se formen.
Cuando usamos Netflix, el algoritmo está constantemente aprendiendo de nuestras elecciones, para mostrarnos el contenido que más nos gusta. Y lo mismo ocurre con buscadores como Google o canales como YouTube, que aprenden constantemente de nuestras búsquedas, de qué opción seleccionamos, durante cuánto tiempo hemos visto el contenido, etc..
Todo esto se hace con tecnología Machine Learning, una rama de la Inteligencia Artificial (IA) y la informática que usa datos y algoritmos para imitar la forma en que aprendemos las personas. Y lo hace de forma automática, a través de la experiencia, sin haber sido expresamente programada para ello. Machine Learning está relacionado directamente con otras tecnologías, como el big data o la inteligencia de negocios.
Cómo funciona el Machine Learning
Durante su desarrollo, el software es alimentado por conjuntos de datos específicos, a partir de los cuales aprende. En esta fase inicial de entrenamiento, se nutre al software de instrucciones, ejemplos y la propia experiencia que acumula, lo que permitirá al algoritmo encontrar patrones y tomar sus propias decisiones en el futuro y ante nuevas circunstancias, aprendiendo cada vez más y sin intervención humana.
Tipos de machine Learning
El aprendizaje automático de los sistemas informáticos se lleva a cabo principalmente de tres modos distintos, en función del grado de intervención de las personas en su programación y configuración.
Machine learning supervisado
Los filtros antispam usan este modelo, en que vamos diciéndole constantemente al software qué palabras, expresiones o características del mensaje indican que puede ser un correo basura. A medida que introducimos estos datos etiquetados, el filtro se hace más preciso. Los correos identificados como spam se envían a una carpeta distinta de la bandeja de entrada. Un ejemplo: si el correo contiene la palabra «sexo», se asigna 3 puntos; si contiene la palabra «Viagra», se asigna 2 puntos; si en el asunto del mensaje aparece la palabra «promoción», se asignan 2 puntos. Si la puntuación supera los 6 puntos, el mensaje se marca como spam y se envía a la carpeta de spam en vez de a la bandeja de entrada. Nosotros introducimos previamente las etiquetas «sexo», «Viagra» y «promoción», por eso se habla de aprendizaje supervisado.
Machine learning no supervisado
En este caso los algoritmos analizan y agrupan conjuntos de datos sin etiquetar (sin identificar), descubriendo patrones ocultos sin necesidad de intervención humana. Ejemplos de este tipo serían el reconocimiento de imágenes o el análisis de datos, de miles o cientos de miles de clientes, a partir de los cuales el sistema puede hacer una segmentación según los patrones que identifica. Ejemplo: un sistema puede clasificar imágenes en función de los objetos que aparecen en ellas sin que le hayamos dado instrucciones específicas para ello, sin haber introducido etiquetas en el sistema.
Aprendizaje semisupervisado
En esta modalidad, durante la fase de entrenamiento de un sistema no supervisado, se le puede ayudar con un conjunto más pequeño de datos etiquetados para ayudar a la clasificación y extracción de patrones. Y por otro lado, se puede compensar la insuficiencia de datos etiquetados para entrenar un algoritmo de aprendizaje supervisado.
Como se puede ver, Machine Learning es una tecnología que ya se usa en multitud de soluciones que utilizamos a diario. Ahora el reto es ponerla al alcance real de profesionales y pymes, haciendo ver los beneficios que aporta a los negocios e impartiendo formación para que se sepan usar estas herramientas.
