Global
Español
English
Contáctanos
enfermera enseñando a una mujer anciana a usar un ordenador

Qué es el Machine learning y qué usos tiene en la actualidad

El futuro de la tecnología en la sociedad

Tiempo de lectura: 5 min

Tu aplicación de música favorita te sugiere canciones afines a tus gustos; la plataforma en la que ves series y películas te hace propuestas que pueden ser de tu agrado, y tu tienda de ropa en línea preferida te recomienda prendas y accesorios que van en línea con tu estilo. ¿Cómo se explica esto? ¿Acaso las máquinas son capaces de leerte la mente? Aún no llegan a tanto; detrás de estas indicaciones está el Machine Learning o aprendizaje automático, una rama de la inteligencia artificial que permite a los ordenadores aprender de manera autónoma y realizar acciones sin necesidad de ser programados. 

¿Qué es Machine Learning o aprendizaje automático?

El Machine Learning es una rama de la inteligencia artificial que hace posible el aprendizaje autónomo de las máquinas, sin necesidad de ser programadas expresamente para ello.

El machine learning como concepto no es algo novedoso. La historia del machine learning comienza con un empleado de IBM, Arthur Samuel, quien acuñó esta expresión en 1959. Arthur fue pionero en el campo de los juegos de ordenador y logró una de las historias del machine learning más conocidas hasta la fecha. Consiguió que un ordenador IBM 701 ganase a un humano al juego de las damas. En los años 90 del siglo pasado, sobre todo a raíz del desarrollo de Internet y el aumento de los datos a los que era posible acceder, el Machine Learning experimentó un notable crecimiento. Entre otros logros, un ordenador llamado Deep Blue fue capaz de ganar al ajedrez al mismísimo Gary Kaspárov en 1996. Estamos frente a la Cuarta Revolución Industrial de la tecnología.

Hoy día se utiliza en una amplísima variedad de ámbitos, como el reconocimiento facial a través de software, la detección de spam por parte del proveedor de correo electrónico o el reconocimiento de la voz, entre otros.

Diferencias Machine Learning y Deep Learning

Tanto el Machine Learning como el Deep Learning (o aprendizaje profundo) son ramas de la inteligencia artificial. Aunque ambos conceptos se utilizan a veces de forma indistinta, lo cierto es que el Deep Learning es un subtipo del Machine Learning. 

De modo muy simple, son algoritmos de aprendizaje (regresión o clasificación) cuyo objetivo es obtener un resultado dependiente de las variables de entrada (datos), es decir, a modo conceptual sería algo similar a: si tenemos “a” y “b”, entonces el resultado es “x”, pero si tenemos “a” y “b” más “c”, entonces el resultado es “y”.

La diferencia fundamental entre ambos conceptos radica en la forma en que aprenden los respectivos algoritmos. 

robot pensando

Machine Learning

Se necesita asistencia humana para indicar a los algoritmos como ‘aprender’ a determinar qué características de entrada tienen que darse para obtener un resultado concreto y, en el proceso de aprendizaje, necesita más datos etiquetados (que hacen referencia a resultados ya conocidos).

cerebro humano iluminado sobre un chip

Deep Learning

La extracción de características del proceso para el aprendizaje por parte del algoritmo se automatiza en buena medida, lo que implica un grado de intervención humana mucho menor. Además, permite el uso de conjuntos de datos mucho más amplios. 

cara humana escaneada

Reinforcement Learning

Se enfrentan los algoritmos con el objetivo de que uno aprenda del avance del otro (vía ensayo-error) obteniendo resultados más complejos y óptimos, pudiendo llegar a los métodos generativos, destinados a la generación automática de objetos y experiencias a partir de muestras.

Métodos y tipos de Machine Learning

Existen tres métodos principales de Machine Learning, basados en los algoritmos que emplean (es decir, los conjuntos de operaciones que se ejecutan de forma sistemática y realizan cálculos para hallar la solución a un problema): 

representación de un cerebro con forma de chip

  • Aprendizaje supervisado: los algoritmos deducen la información a partir de datos a los que se les han asignado valores. Estos datos sirven para entrenar un modelo, mientras que un segundo conjunto de datos de prueba, permite determinar hasta qué punto es eficaz el modelo creado. Un ejemplo sería el cálculo del precio de una vivienda a partir de sus características. Presenta similitudes con un nuevo método denominado “aprendizaje por refuerzo”. En este tipo, el sistema aprende de los errores que comete hasta que encuentra la forma óptima de ejecutar una tarea. 
  • Aprendizaje no supervisado: los datos de entrenamiento se utilizan sin etiquetar. Los algoritmos detectan agrupaciones de datos o patrones ocultos sin que se precise intervención humana. Resultan muy útiles para descubrir semejanzas y diferencias en la información, de manera que se pueden aplicar a procesos como la segmentación de clientes o el reconocimiento de imágenes.
  • Aprendizaje semisupervisado: se utilizan datos de entrenamiento con y sin etiquetas; normalmente el conjunto de datos etiquetados es mucho más reducido. Se utilizan, por ejemplo, en el análisis de conversaciones de un centro de llamadas, a fin de deducir fácilmente las características de los interlocutores y su estado de ánimo, entre otros aspectos.

Usos y aplicaciones del Machine Learning

En la actualidad, cada vez hay más campos en los que puede utilizarse el Machine Learning (con todas sus subdisciplinas). Veamos algunos de los más conocidos:

Pictograma Reciclaje

Finanzas

Detectar prácticas fraudulentas de manera automática, como el blanqueo de capitales. Optimizar los trámites administrativos o interactuar mediante chatbots con los clientes, así como predecir de qué forma se comportarán los mercados de valores en el ámbito bursátil.

Pictograma Reciclaje

Salud

Es posible detectar cada vez más enfermedades de manera temprana, como ciertos tipos de cáncer. Además, es posible prever la posibilidad de reingreso de un paciente o pautar el tratamiento más adecuado.

Pictograma Combustibles

Transporte y movilidad

Predecir qué rutas son más rápidas, dónde se producen más atascos o qué trayecto consume menos combustible, a fin de ofrecer la alternativa más eficiente. Además, el desarrollo de sistemas de conducción autónoma también está relacionado con el aprendizaje automático. 

Marketing, comunicación y redes

Llegar a más clientes, segmentar a los que ya se tienen, ofrecer los productos más adecuados para cada usuario, o sugerir quiénes son las personas más compatibles en aplicaciones de citas. Otras aplicaciones muy prácticas son el reconocimiento de voz o la traducción automática. 

Tecnología

El Machine Learning posibilita, por ejemplo, el reconocimiento del rostro del propietario de un teléfono para que solo pueda desbloquearlo esta persona. Asimismo, permite detectar con facilidad el spam, el malware y los virus. 

Repsol y el Machine Learning

persona escribiendo en el teclado

En Repsol, tenemos un compromiso firme con la tranformación digital. Por eso, hemos apostado por el desarrollo de ARiA (Advanced Repsol Intelligence & Analytics), una plataforma de datos y analítica basada en la nube. 

Esta plataforma, creada en colaboración con Accenture, incluye modelos de Machine Learning, alternativas de configuración en la nube de Microsoft Azure, herramientas para el gobierno de datos de su laboratorio de desarrollo y soluciones para la ingesta de datos. 

Gracias a ella, los empleados podrán tomar decisiones fundamentadas en los datos, con capacidades de autodescubrimiento y con independencia de los conocimientos analíticos que posean.

Una mujer trabajando frente a un ordenador con dos pantallas

¿Cuánto sabes sobre tecnología?

Participa en este juego online y demuestra todos tus conocimientos sobre el tema. ¡Además, puedes retar a tus amigos!