Índice del contenido[Esconder][Espectáculo]
Ahora podemos calcular la extensión del espacio y las diminutas complejidades de las partículas subatómicas gracias a las computadoras.
Las computadoras superan a los humanos cuando se trata de contar y calcular, así como de seguir procesos lógicos de sí/no, gracias a los electrones que viajan a la velocidad de la luz a través de sus circuitos.
Sin embargo, a menudo no los vemos como "inteligentes" ya que, en el pasado, las computadoras no podían realizar nada sin que los humanos les enseñaran (programaran).
El aprendizaje automático, incluido el aprendizaje profundo y inteligencia artificial, se ha convertido en una palabra de moda en los titulares científicos y tecnológicos.
El aprendizaje automático parece ser omnipresente, pero muchas personas que usan la palabra tendrían dificultades para definir adecuadamente qué es, qué hace y para qué se usa mejor.
Este artículo busca aclarar el aprendizaje automático al mismo tiempo que proporciona ejemplos concretos del mundo real de cómo funciona la tecnología para ilustrar por qué es tan beneficiosa.
Luego, veremos las diversas metodologías de aprendizaje automático y veremos cómo se utilizan para abordar los desafíos comerciales.
Finalmente, consultaremos nuestra bola de cristal para obtener algunas predicciones rápidas sobre el futuro del aprendizaje automático.
¿Qué es el Aprendizaje Automático?
El aprendizaje automático es una disciplina de la informática que permite a las computadoras inferir patrones a partir de datos sin que se les enseñe explícitamente cuáles son esos patrones.
Estas conclusiones se basan con frecuencia en el uso de algoritmos para evaluar automáticamente las características estadísticas de los datos y en el desarrollo de modelos matemáticos para representar la relación entre varios valores.
Contraste esto con la computación clásica, que se basa en sistemas deterministas, en los que explícitamente le damos a la computadora un conjunto de reglas a seguir para que realice una determinada tarea.
Esta forma de programar computadoras se conoce como programación basada en reglas. El aprendizaje automático se diferencia y supera a la programación basada en reglas en que puede deducir estas reglas por sí mismo.
Suponga que es un gerente de banco que quiere determinar si una solicitud de préstamo va a fallar en su préstamo.
En un método basado en reglas, el gerente del banco (u otros especialistas) informaría expresamente a la computadora que si el puntaje crediticio del solicitante está por debajo de cierto nivel, la solicitud debe ser rechazada.
Sin embargo, un programa de aprendizaje automático simplemente analizaría los datos anteriores sobre las calificaciones crediticias de los clientes y los resultados de los préstamos y determinaría cuál debería ser este umbral por sí solo.
La máquina aprende de los datos anteriores y crea sus propias reglas de esta manera. Por supuesto, esto es solo una introducción al aprendizaje automático; Los modelos de aprendizaje automático del mundo real son significativamente más complicados que un umbral básico.
No obstante, es una excelente demostración del potencial del aprendizaje automático.
¿Cómo funciona un máquina ¿aprender?
Para simplificar las cosas, las máquinas "aprenden" detectando patrones en datos comparables. Considere los datos como información que recopila del mundo exterior. Cuantos más datos se alimentan a una máquina, más "inteligente" se vuelve.
Sin embargo, no todos los datos son iguales. Suponga que es un pirata con el propósito de descubrir las riquezas enterradas en la isla. Necesitará una cantidad sustancial de conocimiento para localizar el premio.
Este conocimiento, como los datos, puede llevarte por el camino correcto o incorrecto.
A mayor información/datos adquiridos, menor ambigüedad hay, y viceversa. Como resultado, es fundamental considerar el tipo de datos que está alimentando a su máquina para aprender.
Sin embargo, una vez que se proporciona una cantidad sustancial de datos, la computadora puede hacer predicciones. Las máquinas pueden anticipar el futuro siempre que no se desvíe mucho del pasado.
Las máquinas “aprenden” analizando datos históricos para determinar qué es probable que suceda.
Si los datos antiguos se parecen a los datos nuevos, es probable que lo que pueda decir sobre los datos anteriores se aplique a los datos nuevos. Es como si estuvieras mirando hacia atrás para ver hacia adelante.
¿Cuáles son los tipos de aprendizaje automático?
Los algoritmos para el aprendizaje automático se clasifican con frecuencia en tres tipos amplios (aunque también se utilizan otros esquemas de clasificación):
- Aprendizaje supervisado
- Aprendizaje sin supervisión
- Aprendizaje reforzado
Aprendizaje supervisado
El aprendizaje automático supervisado se refiere a técnicas en las que el modelo de aprendizaje automático recibe una colección de datos con etiquetas explícitas para la cantidad de interés (esta cantidad a menudo se denomina respuesta u objetivo).
Para entrenar modelos de IA, el aprendizaje semisupervisado emplea una combinación de datos etiquetados y no etiquetados.
Si está trabajando con datos sin etiquetar, deberá realizar un etiquetado de datos.
El etiquetado es el proceso de etiquetar muestras para ayudar en entrenar un aprendizaje automático modelo. El etiquetado es realizado principalmente por personas, lo que puede ser costoso y llevar mucho tiempo. Sin embargo, existen técnicas para automatizar el proceso de etiquetado.
La situación de solicitud de préstamo que discutimos antes es una excelente ilustración del aprendizaje supervisado. Teníamos datos históricos sobre las calificaciones crediticias de los antiguos solicitantes de préstamos (y quizás los niveles de ingresos, la edad, etc.), así como etiquetas específicas que nos decían si la persona en cuestión había incumplido o no su préstamo.
La regresión y la clasificación son dos subconjuntos de técnicas de aprendizaje supervisado.
- Clasificación – Hace uso de un algoritmo para categorizar los datos correctamente. Los filtros de spam son un ejemplo. El "spam" puede ser una categoría subjetiva: la línea entre las comunicaciones de spam y las que no son spam es borrosa, y el algoritmo del filtro de spam se refina constantemente según sus comentarios (es decir, correo electrónico que los humanos marcan como spam).
- Regresión – Es útil para comprender la conexión entre las variables dependientes e independientes. Los modelos de regresión pueden pronosticar valores numéricos en función de varias fuentes de datos, como las estimaciones de ingresos por ventas de una determinada empresa. La regresión lineal, la regresión logística y la regresión polinomial son algunas técnicas de regresión destacadas.
Aprendizaje sin supervisión
En el aprendizaje no supervisado, recibimos datos sin etiquetar y solo buscamos patrones. Supongamos que eres Amazon. ¿Podemos encontrar grupos (grupos de consumidores similares) basados en el historial de compras del cliente?
Incluso si no tenemos datos explícitos y concluyentes sobre las preferencias de una persona, en este caso, el simple hecho de saber que un conjunto específico de consumidores compra bienes comparables nos permite hacer sugerencias de compra basadas en lo que otras personas del grupo también han comprado.
El carrusel de Amazon "también te puede interesar" funciona con tecnologías similares.
El aprendizaje no supervisado puede agrupar datos mediante agrupación o asociación, según lo que desee agrupar.
- Clustering – El aprendizaje no supervisado intenta superar este desafío mediante la búsqueda de patrones en los datos. Si hay un clúster o grupo similar, el algoritmo los categorizará de cierta manera. Tratar de categorizar a los clientes según el historial de compras anterior es un ejemplo de esto.
- Asociación – El aprendizaje no supervisado intenta abordar este desafío tratando de comprender las reglas y los significados que subyacen a varios grupos. Un ejemplo frecuente de un problema de asociación es determinar un vínculo entre las compras de los clientes. Las tiendas pueden estar interesadas en saber qué productos se compraron juntos y pueden usar esta información para organizar el posicionamiento de estos productos para facilitar el acceso.
Aprendizaje reforzado
El aprendizaje por refuerzo es una técnica para enseñar modelos de aprendizaje automático a tomar una serie de decisiones orientadas a objetivos en un entorno interactivo. Los casos de uso de juegos mencionados anteriormente son excelentes ejemplos de esto.
No es necesario ingresar AlphaZero en miles de juegos de ajedrez anteriores, cada uno con un movimiento "bueno" o "pobre" etiquetado. Simplemente enséñele las reglas del juego y el objetivo, y luego déjelo probar actos aleatorios.
Se da un refuerzo positivo a las actividades que acercan el programa a la meta (como desarrollar una posición de peón sólida). Cuando los actos tienen el efecto contrario (como cambiar prematuramente al rey), obtienen un refuerzo negativo.
El software finalmente puede dominar el juego usando este método.
Aprendizaje reforzado es ampliamente utilizado en robótica para enseñar a los robots a realizar acciones complicadas y difíciles de diseñar. A veces se utiliza junto con la infraestructura vial, como los semáforos, para mejorar el flujo de tráfico.
¿Qué se puede hacer con el aprendizaje automático?
El uso del aprendizaje automático en la sociedad y la industria está dando como resultado avances en una amplia gama de actividades humanas.
En nuestra vida diaria, el aprendizaje automático ahora controla los algoritmos de búsqueda e imagen de Google, lo que nos permite relacionarnos con mayor precisión con la información que necesitamos cuando la necesitamos.
En medicina, por ejemplo, el aprendizaje automático se está aplicando a los datos genéticos para ayudar a los médicos a comprender y predecir cómo se propaga el cáncer, lo que permite desarrollar terapias más efectivas.
Los datos del espacio profundo se recopilan aquí en la Tierra a través de radiotelescopios masivos y, después de analizarlos con aprendizaje automático, nos ayudan a desentrañar los misterios de los agujeros negros.
El aprendizaje automático en el comercio minorista vincula a los compradores con las cosas que desean comprar en línea y también ayuda a los empleados de la tienda a personalizar el servicio que brindan a sus clientes en el mundo físico.
El aprendizaje automático se emplea en la batalla contra el terror y el extremismo para anticipar el comportamiento de aquellos que desean lastimar a los inocentes.
El procesamiento del lenguaje natural (NLP, por sus siglas en inglés) se refiere al proceso de permitir que las computadoras entiendan y se comuniquen con nosotros en el lenguaje humano a través del aprendizaje automático, y ha resultado en avances en la tecnología de traducción, así como en los dispositivos controlados por voz que usamos cada vez más todos los días, como Alexa, Google dot, Siri y asistente de Google.
Sin lugar a dudas, el aprendizaje automático está demostrando que es una tecnología transformadora.
Los robots capaces de trabajar junto a nosotros y potenciar nuestra propia originalidad e imaginación con su lógica impecable y su velocidad sobrehumana ya no son una fantasía de ciencia ficción, se están convirtiendo en una realidad en muchos sectores.
Casos de uso de aprendizaje automático
1. La seguridad cibernética
A medida que las redes se han vuelto más complicadas, los especialistas en seguridad cibernética han trabajado incansablemente para adaptarse a la gama cada vez mayor de amenazas de seguridad.
Contrarrestar el malware y las tácticas de piratería que evolucionan rápidamente ya es bastante desafiante, pero la proliferación de dispositivos de Internet de las cosas (IoT) ha transformado fundamentalmente el entorno de ciberseguridad.
Los ataques pueden ocurrir en cualquier momento y en cualquier lugar.
Afortunadamente, los algoritmos de aprendizaje automático han permitido que las operaciones de ciberseguridad se mantengan al día con estos rápidos desarrollos.
Analítica predictiva permite una detección y mitigación de ataques más rápidas, mientras que el aprendizaje automático puede analizar su actividad dentro de una red para detectar anomalías y debilidades en los mecanismos de seguridad existentes.
2. Automatización de la atención al cliente
Administrar un número cada vez mayor de contactos de clientes en línea ha puesto a prueba a mucha organización.
Simplemente no tienen suficiente personal de servicio al cliente para manejar el volumen de consultas que reciben, y el enfoque tradicional de externalizar los problemas a un contact center es simplemente inaceptable para muchos de los clientes de hoy.
Los chatbots y otros sistemas automatizados ahora pueden abordar estas demandas gracias a los avances en las técnicas de aprendizaje automático. Las empresas pueden liberar personal para llevar a cabo una atención al cliente de más alto nivel mediante la automatización de actividades mundanas y de baja prioridad.
Cuando se usa correctamente, el aprendizaje automático en los negocios puede ayudar a agilizar la resolución de problemas y brindar a los consumidores el tipo de soporte útil que los convierte en campeones de marca comprometidos.
3. Comunicación
Evitar errores y conceptos erróneos es fundamental en cualquier tipo de comunicación, pero más aún en las comunicaciones empresariales actuales.
Los errores gramaticales simples, el tono incorrecto o las traducciones erróneas pueden causar una variedad de dificultades en el contacto por correo electrónico, las evaluaciones de los clientes, videoconferencia, o documentación basada en texto en muchas formas.
Los sistemas de aprendizaje automático han avanzado en la comunicación mucho más allá de los días emocionantes de Clippy de Microsoft.
Estos ejemplos de aprendizaje automático han ayudado a las personas a comunicarse de manera simple y precisa mediante el procesamiento de lenguaje natural, la traducción de idiomas en tiempo real y el reconocimiento de voz.
Si bien a muchas personas no les gustan las capacidades de autocorrección, también valoran estar protegidos contra errores vergonzosos y un tono inadecuado.
4. Reconocimiento de objetos
Si bien la tecnología para recopilar e interpretar datos ha existido por un tiempo, enseñar a los sistemas informáticos a comprender lo que están viendo ha demostrado ser una tarea engañosamente difícil.
Las capacidades de reconocimiento de objetos se están agregando a un número cada vez mayor de dispositivos debido a las aplicaciones de aprendizaje automático.
Un automóvil autónomo, por ejemplo, reconoce otro automóvil cuando ve uno, incluso si los programadores no le dieron un ejemplo exacto de ese automóvil para usarlo como referencia.
Esta tecnología ahora se está utilizando en negocios minoristas para ayudar a acelerar el proceso de pago. Las cámaras identifican los productos en los carritos de los consumidores y pueden facturar automáticamente sus cuentas cuando salen de la tienda.
5. Marketing digital
Gran parte del marketing actual se realiza en línea, utilizando una variedad de plataformas digitales y programas de software.
A medida que las empresas recopilan información sobre sus consumidores y sus comportamientos de compra, los equipos de marketing pueden usar esa información para crear una imagen detallada de su público objetivo y descubrir qué personas están más dispuestas a buscar sus productos y servicios.
Los algoritmos de aprendizaje automático ayudan a los especialistas en marketing a dar sentido a todos esos datos, descubriendo patrones y atributos significativos que les permiten categorizar estrechamente las posibilidades.
La misma tecnología permite una gran automatización del marketing digital. Los sistemas de anuncios se pueden configurar para descubrir nuevos consumidores potenciales de forma dinámica y proporcionarles contenido de marketing relevante en el momento y lugar adecuados.
Futuro del aprendizaje automático
Sin duda, el aprendizaje automático está ganando popularidad a medida que más empresas y grandes organizaciones utilizan la tecnología para abordar desafíos específicos o impulsar la innovación.
Esta inversión continua demuestra una comprensión de que el aprendizaje automático está produciendo ROI, particularmente a través de algunos de los casos de uso establecidos y reproducibles mencionados anteriormente.
Después de todo, si la tecnología es lo suficientemente buena para Netflix, Facebook, Amazon, Google Maps, etc., es probable que también pueda ayudar a su empresa a aprovechar al máximo sus datos.
Como nuevo máquina de aprendizaje se desarrollan y lanzan modelos, seremos testigos de un aumento en la cantidad de aplicaciones que se utilizarán en todas las industrias.
Esto ya está pasando con Reconocimiento facial, que alguna vez fue una nueva función en su iPhone pero ahora se está implementando en una amplia gama de programas y aplicaciones, particularmente aquellos relacionados con la seguridad pública.
La clave para la mayoría de las organizaciones que intentan comenzar con el aprendizaje automático es mirar más allá de las brillantes visiones futuristas y descubrir los desafíos comerciales reales con los que la tecnología puede ayudarlo.
Conclusión
En la era posindustrializada, los científicos y profesionales han estado tratando de crear una computadora que se comporte más como los humanos.
La máquina pensante es la contribución más importante de la IA a la humanidad; la llegada fenomenal de esta máquina autopropulsada ha transformado rápidamente las normas operativas corporativas.
Los vehículos autónomos, los asistentes automáticos, los empleados de fabricación autónomos y las ciudades inteligentes han demostrado últimamente la viabilidad de las máquinas inteligentes. La revolución del aprendizaje automático y el futuro del aprendizaje automático estarán con nosotros durante mucho tiempo.
Deje un comentario