Índice analítico[Ocultar][Mostrar]
Agora podemos calcular a extensión do espazo e as diminutas complejidades das partículas subatómicas grazas aos ordenadores.
Os ordenadores vencen aos humanos á hora de contar e calcular, ademais de seguir procesos lóxicos de si/non, grazas aos electróns que viaxan á velocidade da luz a través dos seus circuítos.
Non obstante, non adoitamos velas como "intelixentes" xa que, no pasado, os ordenadores non podían realizar nada sen ser ensinados (programados) polos humanos.
Aprendizaxe automática, incluíndo aprendizaxe profunda e intelixencia artificial, converteuse nunha palabra de moda nos titulares científicos e tecnolóxicos.
A aprendizaxe automática parece ser omnipresente, pero moitas persoas que usan a palabra terán dificultades para definir adecuadamente o que é, o que fai e para que se usa mellor.
Este artigo trata de aclarar a aprendizaxe automática ao tempo que ofrece exemplos concretos e reais de como funciona a tecnoloxía para ilustrar por que é tan beneficiosa.
Despois, analizaremos as distintas metodoloxías de aprendizaxe automática e veremos como se están a utilizar para afrontar os desafíos empresariais.
Finalmente, consultaremos a nosa bola de cristal para obter algunhas predicións rápidas sobre o futuro da aprendizaxe automática.
Que é Machine Learning?
A aprendizaxe automática é unha disciplina da informática que permite ás computadoras inferir patróns a partir de datos sen que se lles enseñe expresamente cales son eses patróns.
Estas conclusións baséanse frecuentemente no uso de algoritmos para avaliar automaticamente as características estatísticas dos datos e no desenvolvemento de modelos matemáticos para representar a relación entre varios valores.
Contrasta isto coa informática clásica, que se basea en sistemas deterministas, nos que damos explícitamente ao ordenador un conxunto de regras a seguir para que realice unha determinada tarefa.
Esta forma de programar ordenadores coñécese como programación baseada en regras. A aprendizaxe automática difire e supera a programación baseada en regras en que pode deducir estas regras por si mesma.
Supoña que es un xestor de banco que quere determinar se unha solicitude de préstamo fallará no seu préstamo.
Nun método baseado en regras, o director do banco (ou outros especialistas) informaría expresamente ao ordenador de que se a puntuación de crédito do solicitante está por debaixo dun determinado nivel, a solicitude debería ser rexeitada.
Non obstante, un programa de aprendizaxe automática simplemente analizaría os datos previos sobre as cualificacións crediticias dos clientes e os resultados dos préstamos e determinaría cal debería ser este limiar por si só.
A máquina aprende dos datos anteriores e crea as súas propias regras deste xeito. Por suposto, esta é só unha introducción á aprendizaxe automática; Os modelos de aprendizaxe automática do mundo real son significativamente máis complicados que un limiar básico.
Non obstante, é unha excelente demostración do potencial da aprendizaxe automática.
Como funciona a máquina aprender?
Para simplificar as cousas, as máquinas "aprenden" detectando patróns en datos comparables. Considera que os datos son información que recompilas do mundo exterior. Cantos máis datos se alimenta unha máquina, máis "intelixente" se fai.
Non obstante, non todos os datos son iguais. Supoña que es un pirata co propósito de descubrir as riquezas enterradas na illa. Quererá unha cantidade substancial de coñecementos para localizar o premio.
Este coñecemento, como os datos, pode levarte de forma correcta ou incorrecta.
Canto maior sexa a información/datos adquiridos, menor será a ambigüidade, e viceversa. Como resultado, é fundamental ter en conta o tipo de datos dos que estás alimentando a túa máquina para aprender.
Non obstante, unha vez que se proporciona unha cantidade substancial de datos, o ordenador pode facer predicións. As máquinas poden anticipar o futuro sempre que non se desvíe moito do pasado.
As máquinas "aprenden" analizando datos históricos para determinar o que é probable que suceda.
Se os datos antigos se asemellan aos novos, é probable que o que poida dicir sobre os datos anteriores se aplique aos novos datos. É coma se mirases atrás para ver cara adiante.
Cales son os tipos de aprendizaxe automática?
Os algoritmos para a aprendizaxe automática clasifícanse con frecuencia en tres grandes tipos (aínda que tamén se utilizan outros esquemas de clasificación):
- Aprendizaxe supervisada
- Aprendizaxe sen supervisión
- Aprendizaxe de reforzo
Aprendizaxe supervisada
A aprendizaxe automática supervisada refírese a técnicas nas que o modelo de aprendizaxe automática recibe unha colección de datos con etiquetas explícitas para a cantidade de interese (esta cantidade denomínase a miúdo como resposta ou obxectivo).
Para adestrar modelos de IA, a aprendizaxe semisupervisada emprega unha mestura de datos etiquetados e sen etiquetar.
Se estás a traballar con datos sen etiquetar, terás que realizar algunhas etiquetas de datos.
A etiquetaxe é o proceso de etiquetar as mostras para axudar adestrar unha aprendizaxe automática modelo. A etiquetaxe realízaa principalmente persoas, o que pode ser custoso e lento. Non obstante, existen técnicas para automatizar o proceso de etiquetaxe.
A situación da solicitude de préstamo que comentamos antes é unha excelente ilustración da aprendizaxe supervisada. Tiñamos datos históricos sobre as cualificacións crediticias dos antigos solicitantes de préstamos (e quizais os niveis de ingresos, a idade, etc.), así como etiquetas específicas que nos indicaban se a persoa en cuestión incumpriu ou non o seu préstamo.
A regresión e a clasificación son dous subconxuntos de técnicas de aprendizaxe supervisada.
- Clasificación – Fai uso dun algoritmo para categorizar correctamente os datos. Os filtros de spam son un exemplo. O "spam" pode ser unha categoría subxectiva (a liña entre as comunicacións de spam e non spam é borrosa) e o algoritmo de filtro de spam está a perfeccionarse constantemente dependendo dos teus comentarios (é dicir, o correo electrónico que os humanos marcan como spam).
- Regresión – É útil para comprender a conexión entre variables dependentes e independentes. Os modelos de regresión poden prever valores numéricos en función de varias fontes de datos, como as estimacións de ingresos por vendas dunha determinada empresa. A regresión lineal, a regresión loxística e a regresión polinómica son algunhas técnicas de regresión destacadas.
Aprendizaxe sen supervisión
Na aprendizaxe sen supervisión, dannos datos sen etiquetas e só buscamos patróns. Imos finxir que es Amazon. Podemos atopar algún clúster (grupos de consumidores similares) en función do historial de compras dos clientes?
Aínda que non dispoñamos de datos explícitos e concluíntes sobre as preferencias dunha persoa, neste caso, simplemente saber que un conxunto específico de consumidores compra bens comparables permítenos facer suxestións de compra en función do que tamén compraron outros individuos do clúster.
O carrusel de Amazon "tamén pode estar interesado" funciona con tecnoloxías similares.
A aprendizaxe non supervisada pode agrupar datos mediante agrupación ou asociación, dependendo do que queiras agrupar.
- Agrupamento – A aprendizaxe non supervisada tenta superar este desafío buscando patróns nos datos. Se hai un clúster ou grupo similar, o algoritmo clasificaraos dunha determinada maneira. Tentar clasificar os clientes en función do historial de compras anteriores é un exemplo diso.
- Asociación – A aprendizaxe sen supervisión tenta abordar este desafío tratando de comprender as regras e os significados que subxacen a varios grupos. Un exemplo frecuente dun problema de asociación é a determinación dun vínculo entre as compras dos clientes. As tendas poden estar interesadas en saber que produtos compraron xuntos e poden utilizar esta información para organizar o posicionamento destes produtos para facilitar o acceso.
Aprendizaxe de reforzo
A aprendizaxe por reforzo é unha técnica para ensinar modelos de aprendizaxe automática para tomar unha serie de decisións orientadas a obxectivos nun entorno interactivo. Os casos de uso dos xogos mencionados anteriormente son excelentes ilustracións diso.
Non tes que introducir miles de partidas de xadrez anteriores de AlphaZero, cada unha cun movemento "bo" ou "malo" etiquetado. Simplemente ensínalle as regras do xogo e o obxectivo, e despois deixa que probe actos aleatorios.
O reforzo positivo dáselle ás actividades que achegan o programa ao obxectivo (como desenvolver unha posición de peón sólida). Cando os actos teñen o efecto contrario (como cambiar prematuramente o rei), gañan un reforzo negativo.
O software pode finalmente dominar o xogo usando este método.
Aprendizaxe de reforzo úsase amplamente en robótica para ensinar aos robots accións complicadas e difíciles de enxeñeir. Ás veces utilízase xunto coa infraestrutura viaria, como os sinais de tráfico, para mellorar o fluxo de tráfico.
Que se pode facer coa aprendizaxe automática?
O uso da aprendizaxe automática na sociedade e na industria está a producir avances nunha ampla gama de esforzos humanos.
Na nosa vida diaria, a aprendizaxe automática controla agora os algoritmos de busca e imaxes de Google, o que nos permite facer coincidir con máis precisión a información que necesitamos cando a necesitamos.
En medicina, por exemplo, a aprendizaxe automática aplícase aos datos xenéticos para axudar aos médicos a comprender e predecir como se propaga o cancro, o que permite desenvolver terapias máis eficaces.
Os datos do espazo profundo recóllense aquí na Terra a través de radiotelescopios masivos e, tras ser analizados coa aprendizaxe automática, están a axudarnos a desvelar os misterios dos buracos negros.
A aprendizaxe automática no comercio polo miúdo vincula aos compradores coas cousas que desexan mercar en liña e tamén axuda aos empregados da tenda a adaptar o servizo que ofrecen aos seus clientes no mundo do ladrillo e morteiro.
A aprendizaxe automática emprégase na batalla contra o terror e o extremismo para anticipar o comportamento dos que desexan ferir aos inocentes.
O procesamento da linguaxe natural (PNL) refírese ao proceso de permitir que os ordenadores entendan e se comuniquen connosco en linguaxe humana mediante a aprendizaxe automática, e deu como resultado avances na tecnoloxía de tradución, así como nos dispositivos controlados por voz que usamos cada día máis, como por exemplo. Alexa, Google dot, Siri e asistente de Google.
Sen dúbida, a aprendizaxe automática está demostrando que é unha tecnoloxía transformadora.
Os robots capaces de traballar xunto a nós e de potenciar a nosa propia orixinalidade e imaxinación coa súa lóxica impecable e a súa velocidade sobrehumana xa non son unha fantasía de ciencia ficción, están a converterse nunha realidade en moitos sectores.
Casos de uso de Machine Learning
1. Ciberseguridade
A medida que as redes se complicaron, os especialistas en ciberseguridade traballaron incansablemente para adaptarse á gama cada vez maior de ameazas de seguridade.
Contrarrestar o malware e as tácticas de hackeo en rápida evolución é un desafío suficiente, pero a proliferación de dispositivos de Internet das cousas (IoT) transformou fundamentalmente o ambiente de ciberseguridade.
Os ataques poden producirse en calquera momento e en calquera lugar.
Afortunadamente, os algoritmos de aprendizaxe automática permitiron que as operacións de ciberseguridade se manteñan ao día destes rápidos desenvolvementos.
Analíticas predictivas permite unha detección e mitigación máis rápidas dos ataques, mentres que a aprendizaxe automática pode analizar a túa actividade dentro dunha rede para detectar anomalías e debilidades nos mecanismos de seguridade existentes.
2. Automatización da atención ao cliente
Xestionar un número crecente de contactos de clientes en liña tense moito a organización.
Simplemente non teñen suficiente persoal de atención ao cliente para xestionar o volume de consultas que están recibindo e o enfoque tradicional de terceirização a un centro de contacto é simplemente inaceptable para moitos dos clientes actuais.
Os chatbots e outros sistemas automatizados agora poden abordar estas demandas grazas aos avances nas técnicas de aprendizaxe automática. As empresas poden liberar persoal para realizar un servizo de atención ao cliente de alto nivel automatizando actividades mundanas e de baixa prioridade.
Cando se usa correctamente, a aprendizaxe automática nos negocios pode axudar a axilizar a resolución de problemas e ofrecer aos consumidores o tipo de apoio útil que os converte en campións de marca comprometidos.
3 Comunicación
Evitar erros e equívocos é fundamental en calquera tipo de comunicación, pero máis nas comunicacións empresariais actuais.
Os erros gramaticais sinxelos, o ton incorrecto ou as traducións erróneas poden causar unha serie de dificultades no contacto por correo electrónico, nas avaliacións dos clientes, videoconferencia, ou documentación baseada en texto en moitas formas.
Os sistemas de aprendizaxe automática teñen unha comunicación avanzada moito máis aló dos días embriagadores de Clippy de Microsoft.
Estes exemplos de aprendizaxe automática axudaron ás persoas a comunicarse de forma sinxela e precisa mediante o procesamento da linguaxe natural, a tradución da lingua en tempo real e o recoñecemento de voz.
Aínda que a moitas persoas non lles gustan as capacidades de corrección automática, tamén valoran estar protexidas de erros vergoñentos e dun ton inadecuado.
4. Recoñecemento de obxectos
Aínda que a tecnoloxía para recoller e interpretar datos existe desde hai un tempo, ensinar aos sistemas informáticos a comprender o que están mirando resultou ser unha tarefa enganosamente difícil.
As capacidades de recoñecemento de obxectos engádense a un número crecente de dispositivos debido ás aplicacións de aprendizaxe automática.
Un automóbil autónomo, por exemplo, recoñece outro coche cando ve un, aínda que os programadores non lle deron un exemplo exacto dese coche para usar como referencia.
Esta tecnoloxía utilízase agora en empresas de venda polo miúdo para axudar a acelerar o proceso de compra. As cámaras identifican os produtos nos carros dos consumidores e poden facturar automaticamente as súas contas cando saen da tenda.
5. Marketing dixital
Gran parte do marketing actual realízase en liña, utilizando unha serie de plataformas dixitais e programas de software.
A medida que as empresas recollen información sobre os seus consumidores e os seus comportamentos de compra, os equipos de mercadotecnia poden utilizar esa información para crear unha imaxe detallada do seu público obxectivo e descubrir cales son as persoas máis proclives a buscar os seus produtos e servizos.
Os algoritmos de aprendizaxe automática axudan aos comerciantes a dar sentido a todos eses datos, descubrindo patróns e atributos significativos que lles permiten categorizar con precisión as posibilidades.
A mesma tecnoloxía permite unha gran automatización do marketing dixital. Pódense configurar sistemas de anuncios para descubrir novos consumidores potenciais de forma dinámica e proporcionarlles contido de márketing relevante no momento e lugar axeitados.
Futuro do Machine Learning
A aprendizaxe automática está gañando popularidade a medida que máis empresas e grandes organizacións usan a tecnoloxía para afrontar desafíos específicos ou impulsar a innovación.
Este investimento continuo demostra a comprensión de que a aprendizaxe automática está a producir un ROI, especialmente a través dalgúns dos casos de uso establecidos e reproducibles anteriormente mencionados.
Despois de todo, se a tecnoloxía é o suficientemente boa para Netflix, Facebook, Amazon, Google Maps, etc., é probable que poida axudar á túa empresa a sacar o máximo proveito dos seus datos.
Como novo aprendizaxe de máquina se desenvolvan e lanzan modelos, asistiremos a un aumento no número de aplicacións que se utilizarán en todas as industrias.
Isto xa está a pasar con recoñecemento facial, que antes era unha función nova no teu iPhone pero que agora se está a implementar nunha ampla gama de programas e aplicacións, en particular aqueles relacionados coa seguridade pública.
A clave para a maioría das organizacións que intentan comezar coa aprendizaxe automática é mirar máis aló das brillantes visións futuristas e descubrir os verdadeiros desafíos empresariais cos que a tecnoloxía pode axudarche.
Conclusión
Na era postindustrializada, científicos e profesionais estiveron tentando crear un ordenador que se comporte máis como humanos.
A máquina de pensar é a contribución máis importante da IA á humanidade; a fenomenal chegada desta máquina autopropulsada transformou rapidamente a normativa de funcionamento das empresas.
Os vehículos autónomos, os asistentes automatizados, os empregados de fabricación autónoma e as cidades intelixentes demostraron ultimamente a viabilidade das máquinas intelixentes. A revolución da aprendizaxe automática e o futuro da aprendizaxe automática estarán connosco durante moito tempo.
Deixe unha resposta