Saltar al contenido
Mano robótica que utiliza una computadora portátil

¿Qué es 

machine learning?

Machine learning es un subconjunto de inteligencia artificial (IA). Se centra en enseñar a las computadoras a aprender de los datos y mejorar con la experiencia –en lugar de ser explícitamente programadas para hacerlo–. En machine learning, los algoritmos se capacitan para encontrar patrones y correlaciones en grandes conjuntos de datos y para tomar las mejores decisiones y predicciones basadas en ese análisis. Las aplicaciones de machine learning mejoran con el uso y se vuelven más precisas a medida que tienen acceso a más datos. Las aplicaciones de machine learning están a nuestro alrededor –en nuestras casas, nuestros carritos de compra, nuestros medios de entretenimiento y nuestro cuidado de la salud–.

Machine learning –y sus componentes de aprendizaje profundo y redes neuronales– todos encajan como subconjuntos concéntricos de IA. IA procesa datos para tomar decisiones y proyecciones. Los algoritmos de machine learning permiten que la IA no solo procese esos datos, sino que los use para aprender y ser más inteligente, sin necesidad de programación adicional. La inteligencia artificial es la madre de todos los subconjuntos de machine learning subyacentes. Dentro del primer subconjunto está machine learning; dentro de eso está el aprendizaje profundo, y luego las redes neuronales dentro de eso.

Machine learning se compone de diferentes tipos de modelos de aprendizaje automático, utilizando varias técnicas algorítmicas. Dependiendo de la naturaleza de los datos y el resultado deseado, se puede utilizar uno de los cuatro modelos de aprendizaje: supervisado, no supervisado, semi-supervisado o de refuerzo. Dentro de cada uno de esos modelos, se pueden aplicar una o más técnicas algorítmicas, en relación con los datasets en uso y los resultados que se buscan. Los algoritmos de machine learning básicamente están diseñados para clasificar cosas, encontrar patrones, predecir resultados y tomar decisiones fundamentadas. Los algoritmos pueden utilizarse uno a la vez o combinarse para lograr la mayor precisión posible cuando se trata de datos complejos y más impredecibles. 

Los algoritmos de machine learning reconocen patrones y correlaciones, lo cual significa que son muy buenos a la hora de analizar su propio ROI. Para las empresas que invierten en tecnologías de machine learning, esta función permite realizar una evaluación casi inmediata del impacto operativo. A continuación se incluye una pequeña muestra de algunas de las áreas de crecimiento en aplicaciones de machine learning empresariales.

Vea las tecnologías inteligentes de SAP, incluyendo IA y machine learning en acción 

En su libro "Spurious Correlations", el científico de datos y graduado de Harvard, Tyler Vigan, señala que "no todas las correlaciones son indicativas de una conexión causal subyacente". Para ilustrar eso, incluye un gráfico que muestra una correlación aparentemente fuerte entre el consumo de margarina y la tasa de divorcio en el estado de Maine. Por supuesto, dicho gráfico pretende señalar una alusión humorística. Sin embargo, como reflexión más seria, las aplicaciones de machine learning son vulnerables al sesgo humano y algorítmico y al error. Y debido a su propensión a aprender y adaptarse, los errores y las correlaciones falsas pueden propagarse rápidamente y contaminar los resultados a través de la red neuronal.

Un desafío adicional proviene de los modelos de machine learning, donde el algoritmo y su resultado son tan complejos que no pueden ser explicados ni entendidos por los humanos. Esto se llama un modelo de "caja negra" y supone un riesgo para las empresas cuando son incapaces de determinar cómo y por qué un algoritmo llegó a una conclusión o decisión en particular.

 

Afortunadamente, a medida que aumenta la complejidad de los datasets y los algoritmos de machine learning, también lo hacen las herramientas y los recursos disponibles para gestionar el riesgo. Las mejores empresas están trabajando para eliminar errores y sesgos estableciendo directrices de control de IA sólidas y actualizadas y protocolos de mejores prácticas.

Preguntas frecuentes sobre machine learning

Volver al inicio