Aprendizaje automático (AA): todo lo que hay que saber

Las experiencias humanas se ven moldeadas desde hace muchos años por la manera en que convivimos y trabajamos con las máquinas. Ahora más que nunca, nuestro mundo crecientemente digital redefine rápidamente la manera en que hacemos nuestro trabajo, interactuamos en sociedad e incluso percibimos el mundo. El solapamiento entre lo que las personas son capaces de hacer y las capacidades de las computadoras crece a un ritmo extraordinario.

Incluso el aprendizaje de nuevas habilidades –que antes se percibía como algo reservado a los seres humanos y a otras criaturas inteligentes y sintientes– se adentra cada vez más en el dominio de la informática. La causa está en el reciente impulso de la intelligencia artificial (IA), el desarrollo de programas informáticos que emulan el pensamiento humano y ejecutan tareas complejas. El aprendizaje automático (AM), una subárea de la IA, se ha identificado como un componente clave del mundo futuro, pero ¿qué significa y cómo nos afecta?

Índice

Enable Javascript to view table

¿Qué es el AA?

Elegir claramente una definición de aprendizaje automático puede ser todo un desafío. El aprendizaje automático (AA) es un tipo de inteligencia artificial que permite a las máquinas aprender de los datos sin necesidad de programarlas explícitamente. Para ello, optimiza los parámetros del modelo (es decir, variables internas) mediante cálculos, de manera que el comportamiento del modelo refleje los datos o la experiencia. Como paso siguiente, el algoritmo de aprendizaje actualiza continuamente los valores de los parámetros a medida que el aprendizaje progresa, lo que permite al modelo de AA aprender y hacer predicciones o tomar decisiones basadas en la ciencia de datos.

Las aplicaciones del aprendizaje automático son muy amplias y abarcan sectores como la salud, las finanzas, el marketing, el transporte, etc. Los modelos de aprendizaje automático ya se utilizan para el reconocimiento de imágenes, el procesamiento del lenguaje natural, la detección de fraudes, los sistemas de recomendación, los vehículos autónomos y la medicina personalizada.

Globalmente, el aprendizaje automático desempeña un papel crucial ya que permite a las computadoras aprender de las experiencias y los datos para mejorar su desempeño en tareas específicas sin necesidad de programarlas. Alberga el potencial de revolucionar diversas industrias al automatizar procesos complejos y realizar predicciones o tomar decisiones inteligentes al «digerir» grandes cantidades de información.

¿Cómo se compara el aprendizaje automático con el aprendizaje profundo y las redes neuronales?

El aprendizaje profundo es un subconjunto del aprendizaje automático que se enfoca en el entrenamiento de redes neuronales artificiales. Con sus múltiples capas, las redes neuronales se inspiran en la estructura y el funcionamiento del cerebro humano. Al igual que nuestro cerebro, están formadas por nodos interconectados (neuronas) que transmiten señales.

Estos algoritmos complejos dominan el reconocimiento de imágenes y del habla, en el procesamiento del lenguaje natural y en otros muchos campos al extraer automáticamente características de los datos en bruto a través de múltiples capas de abstracción. El aprendizaje profundo es capaz de manejar conjuntos de datos de una escala masiva y con entradas pluridimensionales. Para ello, necesita una potencia de cálculo considerable y un amplio entrenamiento.

Suscríbase para recibir actualizaciones por correo electrónico

¡Manténgase al día sobre la inteligencia artificial y las normas relacionadas!

* Boletín de noticias en inglés
Cómo se utilizarán sus datos

Consulte nuestro aviso de privacidad. Este sitio está protegido por reCAPTCHA. Se aplican la Política de privacidad y las Condiciones del servicio de Google

Cómo funciona el aprendizaje automático

El primer paso del aprendizaje automático es recoger datos relevantes que pueden proceder de fuentes tales como bases de datos, sensores o Internet.

  • Preprocesamiento de datos: una vez recogidos los datos, es necesario preprocesarlos para garantizar su calidad e idoneidad para el análisis.
  • Entrenamiento del modelo: el siguiente paso es entrenar un modelo de aprendizaje automático, un algoritmo o representación matemática que aprende a hacer predicciones o tomar decisiones a partir de los datos de entrada.
  • Selección e ingeniería de características: a continuación, el modelo de aprendizaje automático selecciona las características más relevantes de los datos de entrada que tendrán un impacto significativo en el desempeño del modelo.
  • Evaluación y optimización del modelo: una vez entrenado un modelo, es necesario evaluarlo para valorar su desempeño y determinar si satisface los criterios deseados.
  • Implementación y supervisión: tras un entrenamiento y una evaluación satisfactorios, el modelo puede implementarse en aplicaciones de aprendizaje automático del mundo real.

Modelos de aprendizaje automático

El aprendizaje automático desarrolla la informática existente apoyándose en gran medida en la estadística, la teoría de la probabilidad y las técnicas de optimización. Existen tres principales tipos de modelos de aprendizaje automático:

Aprendizaje supervisado

El aprendizaje automático supervisado se basa en conjuntos de datos de entrenamiento etiquetados y se utiliza para predecir resultados o clasificar datos. Según se proporcionan los datos al modelo de AA, pasan por un proceso de validación cruzada que ajusta su ponderación hasta que se adaptan adecuadamente. Este modelo admite funciones como reconocimiento facial, detección de objetos o control de calidad.

Aprendizaje no supervisado

Al contrario que el aprendizaje supervisado, el aprendizaje no supervisado se basa en conjuntos de datos no etiquetados. El objetivo del aprendizaje no supervisado es enseñar a los modelos de AA a detectar patrones o estructuras ocultas sin supervisión humana. Por esto, las empresas pueden utilizar aprendizaje no supervisado para respaldar la segmentación de clientes, estrategias de venta cruzada o análisis de datos.

Aprendizaje por refuerzo

El aprendizaje por refuerzo es parecido al aprendizaje supervisado, pero utiliza el método de ensayo y error. Sin conjuntos de datos de entrenamiento etiquetados, el aprendizaje por refuerzo enseña a los modelos de AA a desarrollar las mejores recomendaciones en función de una serie de resultados satisfactorios.

Diferencias entre un modelo de aprendizaje automático y un algoritmo de aprendizaje automático

En resumen, un modelo de aprendizaje automático es un producto final. Es la representación de lo que ocurre cuando se aplica un algoritmo de aprendizaje automático a un conjunto de datos. Su objetivo es generalizar más allá de los datos de entrenamiento en lugar de simplemente memorizar los ejemplos con los que se le ha entrenado. En otras palabras, el modelo es una herramienta que se puede utilizar para cosas como predecir resultados e identificar patrones.

En cambio, el algoritmo de aprendizaje automático es la técnica utilizada para entrenar un modelo de aprendizaje automático. Hay diversos algoritmos (regresión lineal, máquinas de vectores de soporte, redes neuronales artificiales) y cada uno tiene sus propias formulaciones y complejidades. Sin embargo, todos ellos tienen como propósito reducir el margen de error entre las predicciones de los modelos y el resultado deseado de los conjuntos de datos de entrenamiento.

En un sistema de clasificación de imágenes, por ejemplo, el modelo de aprendizaje automático es la función matemática que identifica si una imagen contiene un gato o un perro, habiendo aprendido patrones a través de los datos de entrenamiento. El algoritmo de aprendizaje automático es el método que se utiliza para entrenar dicho modelo, optimizando sus parámetros para mejorar su precisión al clasificar. Una vez entrenado, el modelo podrá usarse para clasificar nuevas imágenes no vistas antes en función de si contienen un gato o un perro.

¿Cuáles son las ventajas del aprendizaje automático?

El aprendizaje automático brinda una amplia gama de ventajas en diversos sectores y aplicaciones. Por su capacidad para procesar ingentes cantidades de datos en tiempo real, el aprendizaje automático también es capaz de identificar ineficiencias en los procesos, optimizar los flujos de trabajo y mejorar la productividad general.

Aquí enumeramos más específicamente algunas de las ventajas del aprendizaje automático:

  • Automatización de tareas repetitivas para ahorrar tiempo y recursos: Así, las personas pueden enfocarse en los aspectos más complejos y creativos de su trabajo.
  • Personalización y recomendaciones: al analizar las preferencias y el comportamiento de los usuarios, el aprendizaje automático potencia las experiencias personalizadas. Plataformas como Netflix, Amazon y Spotify lo emplean ya para sugerir contenidos en función de los patrones individuales de los usuarios.
  • Análisis de datos y reconocimiento de patrones: el aprendizaje automático brinda excelentes resultados en el análisis de grandes conjuntos de datos a la hora de identificar patrones y tendencias que quizá no sean evidentes a través de los métodos tradicionales. Puede dar lugar a valiosas perspectivas y a una toma de decisiones informada.
  • Mejora de la toma de decisiones: al ofrecer perspectivas precisas y basadas en datos, el aprendizaje automático ayuda a tomar decisiones más informadas en diversos ámbitos, desde las estrategias de marketing hasta la optimización de las cadenas de suministro.
  • Análisis predictivo: los algoritmos de aprendizaje automático pueden hacer predicciones basadas en datos históricos, anticipando las tendencias futuras, el comportamiento de los clientes y las dinámicas de los mercados. Esta cualidad resulta especialmente útil en las previsiones financieras, la predicción de la demanda y la gestión de riesgos.
  • Mejora de las experiencias de los clientes: el aprendizaje automático hace posible que los chatbots y los asistentes virtuales interactúen con los usuarios en un formato de lenguaje natural, para brindar respuestas más rápidas y personalizadas que mejoran la atención y la interacción hacia el cliente.
  • Detección de fraudes y ciberseguridad: los algoritmos de aprendizaje automático son capaces de detectar patrones y comportamientos inusuales en los datos, lo que ayuda en la detección del fraude en las transacciones financieras y refuerza la ciberseguridad mediante la identificación de amenazas potenciales.
  • Diagnóstico médico y asistencia sanitaria: el aprendizaje automático ayuda a predecir los resultados de los pacientes y a personalizar los planes de tratamiento. Es capaz de analizar imágenes médicas, tales como radiografías y resonancias magnéticas, para ayudar en la detección de enfermedades.
  • Asignación optimizada de recursos: el aprendizaje automático predice la demanda, gestiona los inventarios y agiliza los procesos de las cadenas de suministros, una cualidad crucial en aquellas industrias que trabajan con productos perecederos o con fluctuaciones de la demanda del mercado.
  • Procesos eficientes de selección de personal y RR. HH.: los algoritmos de aprendizaje automático son capaces de acelerar el proceso de selección de personal en el análisis de currículums, la identificación de los candidatos adecuados y la predicción del desempeño de los empleados.

Aprendizaje automático: promesas y desafíos

El aprendizaje automático de la inteligencia artificial abre todo un abanico de posibilidades para las empresas y la sociedad. Además de las amplias ventajas ya mencionadas, entronca con un panorama de IA que promete una innovación mundial transformadora en el campo de la resiliencia y la mitigación del cambio climático al impulsar la aceleración de las soluciones de algunos de los problemas más graves que afronta el planeta.

Sin embargo, no está exenta de riesgos. Resulta esencial abordar las consideraciones éticas, la privacidad de los datos y los posibles sesgos para garantizar un uso responsable y ecuánime de estas tecnologías. Además, la eficacia de las aplicaciones de aprendizaje automático depende de la calidad de los datos y de lo apropiados que sean los algoritmos elegidos para tareas concretas.

Aquí es donde las Normas Internacionales desempeñan un papel fundamental al ofrecer una orientación y regulación clara que previene los usos indebidos y protege a los usuarios. ISO, en colaboración con la Comisión Electrotécnica Internacional (IEC), ha publicado una serie de normas relacionadas con el aprendizaje automático a través de su grupo de expertos especializado en la inteligencia artificial (ISO/IEC JTC 1/SC 42). Su norma más reciente en este ámbito es ISO/IEC 23053, que brinda un marco para los sistemas de IA que emplean el aprendizaje automático.

Historia del aprendizaje automático

Para dar una respuesta completa a la pregunta «¿qué es el aprendizaje automático?», debemos mirar al pasado. El AA se originó en la década de 1950. Desde sus primeras iteraciones hasta la tecnología en rápida evolución que conocemos hoy en día, el AA se ha moldeado (y se sigue moldeando) con décadas de avances y dificultades.

Origen humilde (1950-1960)

En 1950, Arthur Samuel dio el primer paso en el camino de la inteligencia artificial y el aprendizaje automático. Su trabajo demostró la capacidad de aprender de las computadoras cuando enseñó a un programa a jugar a las damas. Sin embargo, no era un programa diseñado explícitamente para ejecutar instrucciones específicas. Este programa podría aprender de los errores del pasado y actuar para mejorar su desempeño. Más tarde, Samuel creó el término «aprendizaje automático» y lo definió como «el campo de estudio que da a las computadoras la capacidad de aprender sin ser explícitamente programadas».

Tan solo ocho años más tarde, en 1958, Frank Rosenblatt introdujo el Perceptrón, un modelo simplificado de una neurona artificial. Este algoritmo podía aprender a reconocer patrones en datos y fue la primera iteración de una red neuronal artificial. Evgenii Lionudov y Aleksey Lyapunov complementaron estas innovaciones en la década de 1960 a través de su trabajo sobre algoritmos de retropropagación y la teoría de aprendizaje automático. En la década de 1980, existía un algoritmo capaz de entrenar redes neuronales multicapa con eficiencia.

Los años perdidos (1960-1970)

Perceptrons, de Marvin Minsky y Seymour Papert, publicado en 1969, mostró las limitaciones de las redes neuronales. Combinado con la potencia de cálculo limitada, una falta de datos disponibles y otros factores, este influyente libro contribuyó sin querer al primer «invierno de la IA», caracterizado por una financiación mínima y un escaso interés en la investigación.

El renacimiento (1980-1990)

John Hopfield le puso fin a este «invierno de la IA» con la introducción de su red neuronal recurrente, la red de Hopfield, en 1982. Así, David Rumelhart, Geoffrey Hinton, Ronald Williams y otros se animaron a revivir los estudios de retropropagación y redes neuronales multicapa. En 1989 se dio el primer gran avance en el campo de la visión artificial gracias al trabajo de Yann LeCun sobre redes neuronales convolucionales (CNN, por sus siglas en inglés).

La introducción de las máquinas de vectores de soporte (SVM, por sus siglas en inglés) por parte de Vladimir Vapnik en 1995 y el desarrollo de redes «Long short-term memory» (LSTM) por parte de Sepp Hochreiter y Jürgen Schmidhuber en 1997 aceleró todavía más este campo en auge.

Los grandes avances (2010)

El aprendizaje automático logró una victoria decisiva sobre las computadoras tradicionales en 2012 cuando AlexNet, una red neuronal convolucional, superó a los métodos tradicionales de visión artificial en la competición ImageNet de 2012.

A partir de entonces, se sucedieron una serie de avances históricos. En 2014, las redes generativas adversativas (GAN, por sus siglas en inglés) de Ian Goodfellow permitirían a los investigadores generar datos sintéticos realistas. En 2016, el sistema AlphaGo de DeepMind venció al campeón mundial del juego de mesa japonés Go. Y en 2017, los modelos transformadores revolucionaron la capacidad de procesamiento de lenguaje natural.

Acontecimientos recientes (2010-presente)

Desde entonces, este campo ha seguido desarrollando arquitecturas de aprendizaje profundo y expandido las aplicaciones del aprendizaje automático a sectores como la asistencia sanitaria, las finanzas e incluso el entretenimiento. El aprendizaje automático ha comenzado a integrarse en dispositivos de Internet de las Cosas (IdC) y otros campos como la computación cuántica, la neurociencia y la física.

Entre todo este rápido progreso, también viene un énfasis creciente en reflexiones acerca de un uso responsable de los sistemas de aprendizaje automático. Además, los avances en cuanto a técnicas de aprendizaje no supervisado y autoaprendizaje han dado más importancia a la gestión de datos y cómo los modelos de AA se aplican en la vida real.

¿Será el aprendizaje automático el futuro de la IA?

La meta última de la IA es diseñar máquinas capaces de razonar, aprender y adaptarse a diversos dominios. Exigirá capacidades avanzadas en una variedad de subáreas de la IA y el aprendizaje automático es una parte vital de todo ello.

El futuro del aprendizaje automático, como parte del campo más amplio de la IA, es apasionante para muchos y preocupante para algunos. El desarrollo de Normas Internacionales es crucial si queremos minimizar sus riesgos y maximizar sus múltiples beneficios en todos los ámbitos de nuestra vida.