El Machine Learning es una de las tecnologías que más está dando que hablar, y no solo en círculos técnicos: también en sectores tan alejados de la informática como la industria o las fábricas. Para entender por qué, primero hay que saber qué es el Machine Learning, para qué se usa y cómo funciona por dentro. A continuación repasamos los datos más importantes, sin tecnicismos innecesarios.
Qué es el Machine Learning (y por qué se ha vuelto tan popular)
Dentro de la Inteligencia Artificial hay varias ramas o enfoques. Una de ellas es el Machine Learning, que en español se traduce como aprendizaje automático. Se lleva teorizando y desarrollando desde hace décadas, pero solo en los últimos años ha ganado la popularidad suficiente como para salir del ámbito puramente científico y colarse en el lenguaje empresarial y en los medios generalistas.
Parte de esa popularidad viene de que el Machine Learning ya forma parte de la vida cotidiana de casi cualquiera. Muchas empresas de producto y servicio presumen de usarlo como ventaja competitiva, y eso ha ayudado a que el término se vuelva familiar incluso para quien nunca ha escrito una línea de código.
Dónde te encuentras el Machine Learning en tu día a día
El Machine Learning está mucho más cerca de lo que parece. Estos son algunos de los ejemplos más habituales:
- Recomendaciones personalizadas: plataformas como Netflix lo usan para sugerir contenido a partir de lo que ya has visto antes.
- Asistentes y sugerencias de texto: desde los asistentes virtuales del móvil hasta Gmail, que te sugiere frases justo cuando ibas a escribirlas tú mismo.
- Seguridad e identificación: sistemas captcha que distinguen personas de bots con mucha fiabilidad, y algoritmos de reconocimiento facial que desbloquean el móvil o catalogan fotos.
También está detrás de usos menos visibles pero igual de relevantes: detección temprana de enfermedades, previsiones financieras, meteorológicas o deportivas, y cada vez más, la modernización de software que necesita algún tipo de automatización basada en la experiencia.
Desde cuándo se usa el Machine Learning: una breve historia
Hay mucha teoría escrita sobre esta rama de la computación: desde los años 50 se ha ido construyendo la base que hace posible todo esto. Sin embargo, las aplicaciones prácticas fueron muy limitadas hasta las últimas décadas, cuando el aumento de capacidad de proceso y, sobre todo, la caída de las barreras de acceso, marcaron un salto real.
Un buen ejemplo son los buscadores de Internet. A principios de los 90 eran poco más que catálogos hechos a mano. Cuando la red creció, eso dejó de ser viable, y empezaron a aparecer los crawlers: bots que rastreaban e indexaban contenido. Google fue quien primero logró puntuar esos contenidos por relevancia con PageRank, sentando las bases de lo que hoy damos por hecho al buscar algo online.
Hoy los buscadores usan Inteligencia Artificial para identificar de qué trata una página analizando su contenido real, algo que antes se hacía con etiquetas que el propio creador de la web rellenaba y que resultaron fáciles de manipular. También aprenden del comportamiento de los usuarios: si alguien entra en el primer resultado y vuelve atrás enseguida, el sistema toma nota para mejorar la próxima vez.
Cómo funciona el Machine Learning: la lógica detrás del aprendizaje
Existen distintas técnicas algorítmicas para que una máquina aprenda, pero la mayoría de métodos parten del teorema de Bayes: la capacidad de calcular la probabilidad condicionada de que ocurra un suceso determinado. En la práctica, casi todo se reduce a prueba y error.
La máquina analiza los datos disponibles y busca correlaciones que, para un analista humano, tal vez no tendrían ningún sentido. Después contrasta esa hipótesis con otro conjunto de datos para comprobar si acierta más que el azar. Repitiendo este proceso una y otra vez, el algoritmo afina las correlaciones que mejor funcionan. En los casos más avanzados, ni siquiera hace falta construir el algoritmo a partir de conclusiones fijas: el propio sistema se retroalimenta y se ajusta solo con el tiempo.
Checklist: ¿tiene sentido el Machine Learning en tu empresa?
- ¿Alguno de tus sistemas necesita automatizar decisiones basadas en la experiencia acumulada, no solo en reglas fijas?
- ¿Generas datos suficientes como para que un algoritmo pueda encontrar correlaciones útiles en ellos?
- ¿Tienes procesos manuales que hoy dependen de la intuición de una persona con experiencia?
- ¿Alguno de tus sistemas legacy podría beneficiarse de una capa de predicción o recomendación?
- ¿Sabrías distinguir un buen caso de uso de Machine Learning de una moda pasajera?
Preguntas frecuentes sobre machine learning
¿Qué es el Machine Learning en términos sencillos?
Es una rama de la Inteligencia Artificial, también llamada aprendizaje automático, en la que una máquina aprende a partir de datos y ejemplos en lugar de seguir reglas fijas escritas por una persona.
¿Qué ejemplos de Machine Learning uso sin darme cuenta?
Las recomendaciones de Netflix, las sugerencias de texto de Gmail, los asistentes virtuales del móvil, los sistemas captcha y el reconocimiento facial son ejemplos que casi todo el mundo usa a diario sin pensar en la tecnología que hay detrás.
¿Desde cuándo existe el Machine Learning?
La teoría se remonta a los años 50, pero las aplicaciones prácticas eran muy limitadas hasta que la capacidad de proceso aumentó y el acceso a la tecnología se abarató, ya entrado el siglo actual.
¿Cómo aprende una máquina en Machine Learning?
Analizando datos y buscando correlaciones mediante prueba y error. Contrasta esas correlaciones con nuevos datos para comprobar si aciertan más que el azar, y repite el proceso hasta afinar un algoritmo que haga predicciones fiables.
¿Es lo mismo Machine Learning que Inteligencia Artificial?
No exactamente. La Inteligencia Artificial es el campo general, y el Machine Learning es una de sus ramas: la que se centra en que los sistemas aprendan de los datos en lugar de seguir instrucciones programadas de forma explícita.
¿Puede el Machine Learning ayudar a modernizar sistemas legacy?
Sí, sobre todo cuando el software necesita algún tipo de automatización basada en la experiencia acumulada: detección de patrones, predicciones o recomendaciones que antes dependían por completo de reglas fijas o de la intuición de una persona.
