Aprendizaje automático

El aprendizaje automático es el proceso mediante el cual una computadora puede reconocer patrones y hacer predicciones, sin ser programada explícitamente. La IA ha estado imitando a los humanos durante mucho tiempo, pero el aprendizaje automático está llevando la IA al siguiente nivel. Dicho de otro modo, los sistemas de aprendizaje automático pueden automatizar tareas repetitivas al refinar constantemente sus métodos.

¿Qué es el aprendizaje automático?

machine-learning

El aprendizaje automático es un subcampo muy prometedor de la inteligencia artificial , donde los sistemas tienen la capacidad de «aprender» a través de datos, estadísticas y prueba y error para optimizar procesos e innovar a un ritmo más rápido.

Las computadoras y las máquinas se han vuelto cada vez más inteligentes y más capaces. Con el aprendizaje automático, las computadoras ahora pueden completar tareas que les parecían imposibles en el pasado. Permite entrenar a las computadoras en una tarea o función en particular, y luego pueden llevar a cabo estas tareas con poca o ninguna supervisión. Como por ejemplo, resolver problemas como la investigación del cáncer hasta temas como el cambio climático.

¿Cómo, exactamente, el aprendizaje automático hace que las computadoras se parezcan más a los humanos? La mayoría de los programas de computadora dependen del código para decirles qué ejecutar o qué información retener (mejor conocido como conocimiento explícito). Este conocimiento contiene todo lo que se escribe o graba fácilmente, como libros de texto, videos o manuales. Con el aprendizaje automático, las computadoras ahora obtienen conocimiento tácito, o el conocimiento que obtenemos de la experiencia personal y el contexto. Este tipo de conocimiento es difícil de transferir de una persona a otra a través de la comunicación verbal o escrita.

Por ejemplo, el reconocimiento facial es un tipo de conocimiento tácito. Reconocemos el rostro de una persona, pero es difícil para nosotros describir con precisión cómo o por qué lo reconocemos. Confiamos en nuestros bancos de conocimiento personal para conectar tácitamente los puntos para reconocer de inmediato a una persona en función de su rostro. Otro ejemplo es andar en bicicleta. Es mucho más fácil mostrarle a alguien cómo andar en bicicleta que explicárselo.

Las computadoras ya no tienen que depender de miles de millones de líneas de código para realizar cálculos. El aprendizaje automático le da a las computadoras el poder del conocimiento tácito que les permite hacer conexiones, descubrir patrones y hacer predicciones basadas en lo que aprendieron en el pasado. El uso del aprendizaje automático del conocimiento tácito lo ha convertido en una tecnología de referencia para casi todas las industrias, desde fintech hasta el clima y el gobierno.

¿Qué es el aprendizaje profundo?

El aprendizaje profundo es un subcampo dentro del aprendizaje automático que está ganando terreno por su capacidad única para extraer datos con altas tasas de precisión. Utiliza redes neuronales artificiales (ANN) para extraer características de nivel superior a partir de datos sin procesar. Las ANN, aunque muy diferentes de los cerebros humanos, se inspiraron en la forma en que los humanos procesan biológicamente la información. El aprendizaje que hace una computadora se considera «profundo» porque las redes usan capas para aprender e interpretar información sin procesar.

Por ejemplo, el aprendizaje profundo es un activo importante para el procesamiento de imágenes en todo, desde el comercio electrónico hasta las imágenes médicas. Google está equipando sus programas con aprendizaje profundo para descubrir patrones en las imágenes a fin de mostrar la imagen correcta para cualquier cosa que busque. Si busca una chaqueta de invierno, la máquina de Google y el aprendizaje profundo se unirán para descubrir patrones en imágenes (tallas, colores, formas, títulos de marcas relevantes, etc.) que muestren chaquetas pertinentes que satisfagan su consulta. El aprendizaje profundo también está generando vientos en contra en radiología, patología y cualquier sector médico que dependa en gran medida de las imágenes. La tecnología se basa en su conocimiento tácito (del estudio de millones de otros escaneos) para reconocer de inmediato enfermedades o lesiones, ahorrando tiempo y dinero a médicos y hospitales.

Tipos populares de aprendizaje automático

aprendizaje-automatico-algoritmos

Como todos los sistemas con IA, el aprendizaje automático necesita algoritmos para establecer parámetros, acciones y valores finales. Los programas habilitados para el aprendizaje automático utilizan estos algoritmos como guía cuando exploran diferentes opciones y evalúan diferentes factores. Hay cientos de algoritmos que usan las computadoras en función de varios factores, como el tamaño y la diversidad de los datos. A continuación se muestran algunos de los tipos más populares de algoritmos de aprendizaje automático.

Contenido relacionado

Aprendizaje supervisado

Los algoritmos de aprendizaje supervisado construyen modelos matemáticos de datos que contienen información tanto de entrada como de salida. Los algoritmos de aprendizaje supervisado se denominan datos de entrenamiento porque el programa conoce los resultados iniciales y finales de los datos. Solo tiene que descubrir cómo llegar al resultado final de la manera más eficiente. Los programas informáticos de aprendizaje automático se alimentan constantemente de estos conjuntos de algoritmos, por lo que los programas pueden eventualmente predecir resultados basados ​​en un nuevo conjunto de entradas.

Los algoritmos de regresión y clasificación son dos de los algoritmos de aprendizaje supervisado más populares. El análisis de regresión se utiliza para descubrir y predecir las relaciones entre las variables de resultado y una o más variables independientes. Comúnmente conocido como regresión lineal, este algoritmo se usa como datos de entrenamiento para ayudar a los sistemas a predecir y pronosticar. Los algoritmos de clasificación se utilizan para entrenar sistemas para identificar un objeto y colocarlo en una subcategoría. Por ejemplo, los filtros de correo electrónico utilizan el aprendizaje automático para automatizar los flujos de correo electrónico entrantes para las bandejas de entrada principales, de promoción y de spam.

Aprendizaje sin supervisión

Los algoritmos de aprendizaje no supervisados ​​toman datos que solo contienen entradas y luego agregan estructura a los datos en forma de agrupación o agrupación. Los algoritmos aprenden de los datos de pruebas anteriores que no han sido etiquetados o categorizados y luego agruparán los datos sin procesar en función de los puntos en común (o la falta de ellos). El análisis de conglomerados utiliza el aprendizaje no supervisado para clasificar lagos gigantes de datos sin procesar para agrupar ciertos puntos de datos. La agrupación en clústeres es una herramienta popular para la extracción de datos y se utiliza en todo, desde la investigación genética hasta la creación de comunidades virtuales de redes sociales con personas de ideas afines.

Aprendizaje semisupervisado

El aprendizaje semisupervisado cae directamente entre el aprendizaje no supervisado y el supervisado. En lugar de proporcionar a un programa todos los datos etiquetados (como en el aprendizaje supervisado) o sin datos etiquetados (como en el aprendizaje no supervisado), estos programas reciben una mezcla de datos que no solo acelera el proceso de aprendizaje automático, sino que ayuda a las máquinas a identificar objetos y aprender. con una mayor precisión.

Por lo general, los programadores introducen una pequeña cantidad de datos etiquetados con un gran porcentaje de información no etiquetada, y la computadora tendrá que usar los grupos de datos estructurados para agrupar el resto de la información. Esto se ve como un algoritmo prometedor porque el etiquetado de datos supervisados ​​se considera una tarea enorme debido a los altos costos y cientos de horas invertidas.

Aquí hay una forma práctica de recordar algoritmos de aprendizaje automático en términos sencillos. El aprendizaje supervisado es como ser un estudiante y tener al maestro vigilándote constantemente en la escuela y en casa. El aprendizaje no supervisado le dice a un estudiante que descubra un concepto por sí mismo. El aprendizaje semisupervisado es como darle una lección a un estudiante y luego evaluarlo con preguntas pertinentes a ese tema. Cada tipo de algoritmo tiene sus ventajas y desventajas en el aprendizaje automático y se utilizan en función de los parámetros y las necesidades del científico o ingeniero de datos.

Ejemplos y aplicaciones de aprendizaje automático

aprendizaje-automatico-ejemplos

Todos los ejemplos

Servicios financieros

La industria de servicios financieros está defendiendo el aprendizaje automático por su capacidad única para acelerar los procesos con una alta tasa de precisión y éxito. La tecnología se está empleando en prácticamente todos los aspectos de nuestros sistemas financieros. Lo que a los humanos les ha llevado horas, días o incluso semanas, ahora se puede ejecutar en minutos. American Express maneja más de $1 billón en transacciones de más de 110 millones de sus tarjetas de crédito cada año. La empresa se basa en el aprendizaje automático para administrar sus datos, descubrir tendencias de gasto y ofrecer a los clientes ofertas individualizadas.

Además, las empresas de préstamos y tarjetas de crédito utilizan el aprendizaje automático para gestionar y predecir el riesgo. Estos programas de computadora toman en cuenta el historial de crédito anterior de un solicitante de préstamo, junto con miles de otros puntos de datos como teléfono celular y pagos de alquiler, para evaluar el riesgo de la compañía prestamista. Al tener en cuenta otros puntos de datos, los prestamistas pueden ofrecer préstamos a una gama mucho más amplia de personas que no podrían obtener préstamos con los métodos tradicionales.

Las empresas comerciales están utilizando el aprendizaje automático para acumular una gran cantidad de datos y determinar los puntos de precio óptimos para ejecutar operaciones. Estos complejos algoritmos comerciales de alta frecuencia tienen en cuenta miles, si no millones, de puntos de datos financieros para comprar y vender acciones en el momento adecuado.

Contenido relacionado

Cuidado de la salud

La industria de la salud está defendiendo el aprendizaje automático como una herramienta para administrar información médica, descubrir nuevos tratamientos e incluso detectar y predecir enfermedades. Los profesionales médicos, equipados con sistemas informáticos de aprendizaje automático, tienen la capacidad de ver fácilmente los registros médicos de los pacientes sin tener que buscar en los archivos o tener cadenas de comunicación con otras áreas del hospital. Los sistemas médicos actualizados ahora pueden obtener información de salud pertinente de cada paciente en un abrir y cerrar de ojos.

Se prevé que la IA y el aprendizaje automático ahorren a la industria de la salud alrededor de $ 150 mil millones anuales debido al tiempo y los recursos que ahorran en el desarrollo de fármacos. Las herramientas de inteligencia artificial habilitadas para el aprendizaje automático están trabajando junto con los desarrolladores de fármacos para generar tratamientos farmacológicos a un ritmo más rápido que nunca. Esencialmente, estas herramientas de aprendizaje automático se alimentan de millones de puntos de datos y los configuran de manera que ayudan a los investigadores a ver qué compuestos son exitosos y cuáles no. En lugar de gastar millones de horas humanas en cada ensayo, las tecnologías de aprendizaje automático pueden producir compuestos farmacológicos exitosos en semanas o meses.

El aprendizaje automático ha hecho que la detección y predicción de enfermedades sea mucho más precisa y rápida. En este momento, los departamentos de radiología y patología de todo el mundo están empleando el aprendizaje automático para analizar tomografías computarizadas y rayos X y encontrar enfermedades. Después de recibir miles de imágenes de enfermedades a través de una combinación de algoritmos supervisados, no supervisados ​​o semisupervisados, algunos sistemas de aprendizaje automático son tan avanzados que pueden detectar y diagnosticar enfermedades (como cáncer o virus) a un ritmo mayor que los humanos. El aprendizaje automático también se ha utilizado para predecir virus mortales, como el ébola y la malaria, y los CDC lo utilizan para rastrear casos del virus de la gripe cada año.

Redes sociales

Las empresas de redes sociales están empleando el aprendizaje automático por dos razones principales: crear un sentido de comunidad y eliminar a los malos actores y la información maliciosa. El aprendizaje automático fomenta el primero al mirar páginas, tweets, temas, etc. que le gustan a un individuo y sugerir otros temas o páginas de la comunidad en función de esos gustos. Básicamente, utiliza sus preferencias como una forma de impulsar un motor de recomendación de redes sociales.

La difusión masiva de «noticias falsas» en las elecciones de 2016 llevó a las empresas de redes sociales, como Facebook y Twitter, a poner el aprendizaje automático al frente de sus sistemas. Las máquinas simplemente son más rápidas que los humanos para identificar noticias falsas y eliminarlas antes de que se conviertan en un problema. Tanto Twitter como Facebook están utilizando sistemas informáticos actualizados para identificar rápidamente patrones dañinos de información falsa, marcar bots maliciosos, ver contenido denunciado y eliminarlo cuando sea necesario para construir comunidades en línea basadas en la verdad.

Comercio minorista y comercio electrónico

La industria minorista confía rápidamente en el aprendizaje automático por su capacidad para optimizar las ventas y recopilar datos sobre preferencias de compra individualizadas. El aprendizaje automático ofrece a los minoristas y las tiendas en línea la capacidad de hacer sugerencias de compra basadas en los clics, los Me gusta, las compras anteriores, etc. de un usuario. Una vez que los clientes sienten que los minoristas entienden sus necesidades, es menos probable que se alejen de esa empresa y comprarán más artículos. . Este uso del aprendizaje automático aumenta la satisfacción del cliente y maximiza las ganancias para los minoristas.

La búsqueda visual se está convirtiendo en una gran parte de la experiencia de compra. En lugar de escribir consultas, los clientes ahora pueden cargar una imagen para mostrarle a la computadora exactamente lo que están buscando. El aprendizaje automático analizará la imagen (usando capas) y producirá resultados de búsqueda basados ​​en sus hallazgos. Por ejemplo, puedes subir una foto de un suéter rojo que encontraste en Instagram. A partir de ahí, el sistema basado en el aprendizaje automático extraerá ese suéter exacto y luego otras sugerencias basadas en el mismo aspecto en milisegundos.

El aprendizaje automático también ha sido un activo en la predicción de tendencias y comportamientos de los clientes. Estas máquinas analizarán de manera integral las compras individuales para determinar qué tipos de artículos se venden (y qué artículos se venderán en el futuro). Por ejemplo, tal vez un nuevo alimento se haya considerado un «súper alimento». Los sistemas de una tienda de abarrotes pueden identificar mayores compras de ese producto y pueden enviar cupones a los clientes (o crear anuncios dirigidos) para todas las variaciones de ese artículo. Además, un sistema podría analizar las compras individuales para enviarle futuros cupones. Tal vez, por ejemplo, has estado buscando ropa para bebés recién nacidos. Los sistemas de aprendizaje automático de un minorista identificarán que usted está embarazada o es un nuevo padre y le ofrecerán artículos que cree que serían útiles para su nuevo hijo.

Continua leyendo