Por Daniel Salazar.
La capacidad de las máquinas para aprender está presente en muchos aspectos de la vida cotidiana. Por esto, el machine learning está detrás de las recomendaciones de películas en plataformas digitales, del reconocimiento por voz de los asistentes virtuales o la capacidad de los coches autónomos para ver la carretera. Sin embargo, el origen de esta disciplina data de varias décadas atrás.
El machine learning (aprendizaje automático) es una rama de la inteligencia artificial que permite que las máquinas aprendan sin ser expresamente programadas para ello. Una habilidad indispensable para hacer sistemas capaces de identificar patrones entre los datos para hacer predicciones. Esta tecnología está presente en un sinfín de aplicaciones como las recomendaciones de Netflix o Spotify, las respuestas de Gmail o el habla de Siri y Alexa.
¿Como funciona el machine learning?
En la informática clásica, el único modo de conseguir que un sistema informático hiciera algo era escribiendo un algoritmo que definiera el contexto y detalles de cada acción.
En cambio, los algoritmos que se usan en el desarrollo de machine learning realizan buena parte de estas acciones por su cuenta. Obtienen sus propios cálculos según los datos que se recopilan en el sistema y cuantos más datos obtienen, mejores y más precisas serán las acciones resultantes.
Los computadores se programan a sí mismos, hasta cierto punto, usando dichos algoritmos. Estos funcionan como ingenieros que pueden diseñar nuevas respuestas informáticas, como respuesta a la información que se les suministra a través de su interfaz u otros medios. Todo nuevo dato se convierte en un nuevo algoritmo y a más datos, mayor complejidad y efectividad de cálculo puede proporcionar el sistema informático.
Tipos de machine learning:
- Aprendizaje supervisado: este tipo de aprendizaje se basa en lo que se conoce como información de entrenamiento, ya que se entrena al sistema en un tema específico.
- Aprendizaje no supervisado: estos sistemas tienen como finalidad la comprensión y abstracción de patrones de información.
- Aprendizaje por esfuerzo: los sistemas aprenden a través de la experiencia.
