El nacimiento del machine learning

El machine learning, conocido en español como aprendizaje automático o aprendizaje de

máquina, nació como una idea ambiciosa de la IA en la década de los 60. Para ser más exactos,
fue una subdisciplina de la IA, producto de las ciencias de la computación y las neurociencias.

Lo que esta rama pretendía estudiar era el reconocimiento de patrones (en los procesos de
ingeniería, matemáticas, computación, etc.) y el aprendizaje por parte de las computadoras. En
los albores de la IA, los investigadores estaban ávidos por encontrar una forma en la cual las
computadoras pudieran aprender únicamente basándose en datos.

Sucedió con el paso de los años que el machine learning comenzó a enfocarse en
diferentes asuntos, tales como el razonamiento probabilístico, investigación basada en
la estadística, recuperación de información, y continuó profundizando cada vez más en
el reconocimiento de patrones (todos estos asuntos aplicados a procesos de ingeniería,
matemáticas, computación y otros campos relacionados con objetos físicos o
abstractos).

Esto ocasionó que en los 90 se separara de la IA para convertirse en una disciplina por
sí sola, aunque muchos puristas aún la consideran como parte de la IA. Ahora, el
principal objetivo del machine learning es abordar y resolver problemas prácticos en
donde se aplique cualquiera de las disciplinas numéricas antes mencionadas.

¿Qué es exactamente?
Como establecimos previamente, es un campo de las ciencias de la computación que, de
acuerdo a Arthur Samuel en 1959, le da a las computadoras la habilidad de aprender sin
ser explícitamente programadas.

Si esta definición resultó muy trivial, pongámoslo de esta forma: es la idea de que existen
algoritmos que pueden darte hallazgos o conclusiones relevantes obtenidas de un
conjunto de datos, sin que el ser humano tenga que escribir instrucciones o códigos para
esto.

De acuerdo, pero ¿qué es un algoritmo? Pues no es otra cosa que una secuencia o serie
de instrucciones, que representan la solución a un determinado problema

El propósito del machine learning es que las personas y las máquinas trabajen de la
mano, al éstas ser capaces de aprender como un humano lo haría. Precisamente esto es
lo que hacen los algoritmos, permiten que las máquinas ejecuten tareas, tanto generales
como específicas.

Si bien al principio sus funciones eran básicas y se limitaban a filtrar emails, hoy en día puede
hacer cosas tan complejas como predicciones de tráfico en intersecciones muy transitadas,
detectar cáncer, mapear sitios para generar proyectos de construcción en tiempo real, e
incluso, definir la compatibilidad entre dos personas.

¿Cómo funciona?
El principal objetivo de todo aprendiz (learner) es desarrollar la capacidad de
generalizar y asociar. Cuando traducimos esto a una máquina o computadora, significa
que éstas deberían poder desempeñarse con precisión y exactitud, tanto en tareas
familiares, como en actividades nuevas o imprevistas.

¿Y cómo es posible esto? Haciendo que repliquen las facultades cognitivas del ser
humano, formando modelos que “generalicen” la información que se les presenta para
realizar sus predicciones. Y el ingrediente clave en toda esta cuestión son los datos.

En realidad, el origen y el formato de los datos no es tan relevante, dado que

el machine learning es capaz de asimilar una amplia gama de éstos, lo que se conoce
como big data, pero éste no los percibe como datos, sino como una enorme lista de
ejemplos prácticos.

Podríamos decir que sus algoritmos se dividen principalmente en tres grandes

categorías: supervised learning (aprendizaje supervisado), unsupervised
learning (aprendizaje no supervisado) y reinforcement learning (aprendizaje por
refuerzo). A continuación, detallaremos las diferencias entre éstas.

Tipos de machine learning

Supervised learning

Depende de datos previamente etiquetados, como podría ser el que una computadora
logré distinguir imágenes de coches, de las de aviones. Para esto, lo normal es que
estas etiquetas o rótulos sean colocadas por seres humanos para asegurar la
efectividad y calidad de los datos.

En otras palabras, son problemas que ya hemos resuelto, pero que seguirán surgiendo
en un futuro. La idea es que las computadoras aprendan de una multitud de ejemplos,
y a partir de ahí puedan hacer el resto de cálculos necesarios para que nosotros no
tengamos que volver a ingresar ninguna información.

Ejemplos: reconocimiento de voz, detección de spam, reconocimiento de escritura,

entre otros.

Unsupervised learning

En esta categoría lo que sucede es que al algoritmo se le despoja de cualquier etiqueta,

de modo que no cuenta con ninguna indicación previa. En cambio, se le provee de una
enorme cantidad de datos con las características propias de un objeto (aspectos o
partes que conforman a un avión o a un coche, por ej.), para que pueda determinar qué
es, a partir de la información recopilada.

Ejemplos: detectar morfología en oraciones, clasificar información, etc.

Reinforcement learning

En este caso particular, la base del aprendizaje es el refuerzo. La máquina es capaz de

aprender con base a pruebas y errores en un número de diversas situaciones.

Aunque conoce los resultados desde el principio, no sabe cuáles son las mejores
decisiones para llegar a obtenerlos. Lo que sucede es que el algoritmo progresivamente
va asociando los patrones de éxito, para repetirlos una y otra vez hasta perfeccionarlos
y volverse infalible.

Ejemplos: navegación de un vehículo en automático, toma de decisiones, etc.

Existen otros enfoques más complejos para tareas más específicas, pero no vale la
pena ahondar en éstos. De momento no queremos complicar las cosas. De cualquier
forma, si estuvieras interesado en conocer más acerca de éstos, puedes ver algunos
ejemplos más concretos aquí.

¿Cuáles son sus perspectivas y aplicaciones actuales?

Una vez que compruebas lo fácil y práctico que resulta aplicar las técnicas de machine
learning a problemas que creías serían imposibles, es cuando empiezas a creer que
podría resolver prácticamente cualquier problema* -siempre y cuando existan
suficientes datos-.

*¡Ojo! Cabe recordar que esto solamente funciona si el problema en cuestión es

solucionable.

Para el consumidor moderno, el machine learning es un facilitador clave de muchas de

sus tareas cotidianas. Desde servicios de traducción, a predicciones climáticas, hasta
adivinar lo que los usuarios quieren con base a sus actividades recientes; las
prestaciones que ofrece son incomparables.

En lo que respecta a los negocios, muchas compañías han empezado a incorporar esta
tecnología a sus sistemas operativos, con grandes expectativas de mejorar y
automatizar sus procesos.
De acuerdo a la encuesta Global Digital IQ de este año, 54% de las organizaciones que
entrevistaron están haciendo inversiones significativas en IA y se prevé que ese
porcentaje incremente a 63% en menos de tres años. Por su parte, HubSpot reportó de
acuerdo a una encuesta sobre inteligencia artificial que realizó, que el 63% de las
personas utilizan IA diariamente, sin siquiera saberlo.

Pero, ¿exactamente a qué áreas puede aplicarse este tipo de tecnologías?

Dado que el machine learning es un sistema basado en el procesamiento y análisis de

datos que son traducidos a hallazgos, se puede aplicar a cualquier campo que cuente
con bases de datos lo suficientemente grandes. De momento, algunos de sus usos más
populares y desarrollados son:

 Clasificación de secuencias de DNA

 Predicciones económicas y fluctuaciones en el mercado bursátil

 Mapeos y modelados 3D

 Detección de fraudes

 Diagnósticos médicos

 Buscadores en Internet

 Sistemas de reconocimiento de voz

 Optimización e implementación de campañas digitales publicitarias

Un ejemplo del último punto es Adext. Adext es el primer y único AMaaS (Audience
Management as a Service) que aplica Inteligencia Artificial y Machine Learning a la
publicidad digital para encontrar la mejor audiencia o grupo demográfico para
cualquier anuncio. Maneja de forma automática los presupuestos alrededor de 20
públicos distintos por anuncio, dentro de diversas plataformas (Google AdWords,
Facebook e Instagram), optimizándolos varias veces al día.

Además, se les garantiza bajo contrato a las agencias que sean Adext Partners superar
el costo por conversión actual (costo por venta o costo por lead más bajo) de todas las
cuentas o campañas que lleven como agencia. De lo contrario, el servicio será GRATIS y
no se cobra el fee correspondiente.

Así que, lo único que estarías perdiendo sería la oportunidad de probarlo.

Y si quisieras saber con mayor detalle cómo Adext utiliza Machine Learning para
encontrar la mejor audiencia para cada anuncio, asegurando los mejores costos por
conversión, esta guía detallada es perfecta para ti. ¡Te encantará saber todo lo que hay
detrás!

El futuro del machine learning para los negocios

Aunque ya hemos visto lo que la IA es capaz de aportar a nuestras actividades del día a
día, ¿cómo podría esto beneficiar el mundo de los negocios?

Bueno, puesto que las conversaciones y comentarios de un sinfín de consumidores

digitales -cuyo número día con día sigue incrementando- le ofrecen a este tipo de
tecnologías una cantidad de información abrumadora, éstas continuamente obtienen
conocimientos nuevos y detectan tendencias más rápido de lo que cualquier humano
podría hacerlo.

Si bien es cierto que esta enorme cantidad de datos la volverá mucho más eficiente,
requerirá necesariamente de mucho talento humano para perfeccionarse, ya que
finalmente las computadoras no tienen un dominio tan elevado del lenguaje aplicado
al razonamiento. O lo que es, no son precisamente hábiles para determinar contextos.

Lo que significa que para que el machine learning se desarrolle en estas áreas, los
expertos en cada campo de trabajo tendrán que tomarse el tiempo para entrenar a las
máquinas e irlas incorporando paulatinamente a cada uno de los procesos que deseen
afinar.
Finalmente, como sucede con todas las tecnologías, los negocios tendrán que empezar
por entender los principios básicos de esta tecnología, para poder usarla a su favor
y mejorar la productividad de todas las operaciones de su negocio. Por lo pronto, se
estima que ésta -como muchos otros derivados de la IA- va a transformar por completo
el mundo como lo conocemos.

Como verás, esto fue sólo una introducción al intrincado mundo del machine learning.
En una época donde emergen tecnologías innovadoras cada vez que parpadeamos, es
fácil perderse en la avalancha de información y nuevos conceptos.

MACHINE LEARNING
El aprendizaje automático o aprendizaje automatizado o aprendizaje de máquinas (del
inglés, machine learning) es el subcampo de las ciencias de la computación y una rama
de la inteligencia artificial, cuyo objetivo es desarrollar técnicas que permitan que las
computadoras aprendan. Se dice que un agente aprende cuando su desempeño mejora
con la experiencia; es decir, cuando la habilidad no estaba presente en su genotipo o
rasgos de nacimiento.1 De forma más concreta, los investigadores del aprendizaje de
máquinas buscan algoritmos y heurísticas para convertir muestras de datos
en programas de computadora, sin tener que escribir los últimos explícitamente. Los
modelos o programas resultantes deben ser capaces de generalizar comportamientos e
inferencias para un conjunto más amplio (potencialmente infinito) de datos.
En muchas ocasiones el campo de actuación del aprendizaje automático se solapa con
el de la estadística inferencial, ya que las dos disciplinas se basan en el análisis de
datos. Sin embargo, el aprendizaje automático incorpora las preocupaciones de
la complejidad computacional de los problemas. Muchos problemas son de clase NP-
hard, por lo que gran parte de la investigación realizada en aprendizaje automático
está enfocada al diseño de soluciones factibles a esos problemas. El aprendizaje
automático también está estrechamente relacionado con el reconocimiento de
patrones. El aprendizaje automático puede ser visto como un intento de automatizar
algunas partes del método científico mediante métodos matemáticos. Por lo tanto es
un proceso de inducción del conocimiento.
El aprendizaje automático tiene una amplia gama de aplicaciones, incluyendo motores
de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de
crédito, análisis del mercado de valores, clasificación de secuencias de ADN,
reconocimiento del habla y del lenguaje escrito, juegos y robótica.
El Machine Learning (aprendizaje automático) es el término de moda. Todo el mundo está
hablando de ello, pero en realidad pocos saben con precisión qué es. En esta publicación te
contaremos de una manera sencilla de qué se trata todo este alboroto.
Para comenzar, Machine Learning (ML) es un campo de las ciencias de la computación que se
encarga de “aprender” dado un conjunto de datos. En otras palabras, se encarga de
representar la estructura y generalizar comportamientos de los datos dados.
Elementos de un modelo en el contexto de ML:
 Entradas (input) del modelo:
En ML también conocido como: Características, Atributos, Predictores, Entradas,
Variables independientes, Dimensiones, etc.

 Resultados (output) del modelo:

En ML también conocido como: Objetivo, Respuesta, Salida, Variable dependiente,
etc.

 Fila:(Incluye input y output) En ML también conocido como: Observación,

Registro, etc.

 Etiquetas (labels):
Los valores de la variable dependiente (en el contexto de aprendizaje supervisado
que explicaremos más abajo).

¿Cuál es la diferencia entre Machine Learning, Inteligencia Artificial y

Deep Learning?
Al igual que ML, los dos últimos también son términos que están de moda. Machine
Learning es una rama de la Inteligencia Artificial, la cual se encarga de programar a
las máquinas para que piensen y aprendan. Por el otro lado, Deep Learning es una
rama de Machine Learning que busca imitar el funcionamiento de las redes neuronales
de los seres humanos para que las máquinas aprendan a aprender, valga redundancia.

¿Y la ciencia de datos?
La ciencia de datos (data science) es la profesión que se encarga de extraer
conocimiento a partir de datos (incluyendo big data) y lo hace a través de varias
herramientas de distintos campos, tales como la estadística, el procesamiento de
imágenes, programación, y por supuesto, el Machine Learning, entre muchos otros
más.

Tipos de algoritmos en Machine Learning

¿Es un perro o es un muffin?

Supervisado
Esta rama del ML se encarga de los problemas que traen los datos con etiquetas. Por
ejemplo, intentar clasificar los perros y los muffins de la imagén de arriba. Este tipo de
algoritmos buscan generalizar y predecir a partir de la información suministrada.

No supervisado
A falta de un nombre más creativo, esta rama del ML se encarga justamente del resto
de los problemas, es decir, de los que no traen los datos con etiquetas. Por ejemplo,
dado un grupo de usuarios de una red social, agruparlos (clustering) en comunidades.
Este tipo de algoritmos buscan extraer estructura y encontrar patrones a partir de la
información suministrada.
Adicionalmente, cada uno de estos tipos de ML se subdividen según el tipo de datos que
manejan:
 Continuos: Información cuantitativa/numérica. Por ejemplo, predecir el precio de una casa.
 Discretos: Información cualitativa. Por ejemplo, predecir de qué equipo deportivo es hincha
una persona.
En conclusión, podemos clasificar los algoritmos de ML de la siguiente manera:

Finalmente, vale la pena resaltar que muchos de estos métodos y ramas se aplican en
conjunto para hallar mejores resultados, haciendo muchas veces difícil delimitar las
definiciones dadas. En adición, este es un campo en constante evolución.
APLICACIONES PRÁCTICAS DEL 'MACHINE LEARNING'

El Machine Learning es uno de los pilares sobre los que descansa la transformación
digital. En la actualidad, ya se está utilizando para encontrar nuevas soluciones en
diferentes campos, entre los que cabe destacar:

Recomendaciones: permite hacer sugerencias personalizadas de compra en

plataformas online o recomendar canciones. En su forma más básica analiza el
historial de compras y reproducciones del usuario y lo compara con lo que han hecho
otros usuarios con tendencias o gastos parecidos.
 Vehículos inteligentes: según el informe Automotive 2025: industry without
borders de IBM, en 2025 ya veremos coches inteligentes en las carreteras. Gracias al
aprendizaje automático, estos vehículos podrán ajustar la configuración
interna (temperatura, música, inclinación del respaldo, etc.) de acuerdo a las
preferencias del conductor e, incluso, mover el volante solos para reaccionar al
entorno.

Redes sociales: Twitter, por ejemplo, se sirve de algoritmos de Machine

Learning para reducir en gran medida el spam publicado en esta red social mientras
que Facebook, a su vez, lo utiliza para detectar tanto noticias falsas como contenidos
no permitidos en retransmisiones en directo que bloquea automáticamente.

Procesamiento de Lenguaje Natural (PLN): a través de la comprensión del

lenguaje humano, asistentes virtuales como Alexa o Siri pueden traducir
instantáneamente de un idioma a otro, reconocer la voz del usuario e incluso analizar
sus sentimientos. Por otro lado, el PLN también se utiliza para otras tareas complejas
como traducir la jerga legal de los contratos a un lenguaje sencillo o ayudar a los
abogados a ordenar grandes volúmenes de información relativos a un caso.

Búsquedas: los motores de búsqueda se sirven del aprendizaje automático

para optimizar sus resultados en función de su eficacia, midiendo la misma a través de
los clics del usuario.

Medicina: investigadores del Instituto de Tecnología de Massachusetts (MIT) ya

utilizan el Machine Learning para detectar con mayor antelación el cáncer de
mama, algo de vital importancia ya que su detección temprana aumenta las
probabilidades de curación. Asimismo, también se utiliza con una alta eficacia para
detectar neumonía y enfermedades de la retina que pueden provocar ceguera.

Ciberseguridad: los nuevos antivirus y motores de detección de malware ya se

sirven del aprendizaje automático para potenciar el escaneado, acelerar la detección y
mejorar la habilidad de reconocer anomalías.
 ¿Por qué es importante el machine learning?
El resurgimiento del interés en el aprendizaje basado en máquina se debe a los mismos
factores que han hecho la minería de datos y el análisis Bayesiano más populares que
nunca. Cosas como los volúmenes y variedades crecientes de datos disponibles,
procesamiento computacional más económico y poderoso, y almacenaje de datos
asequible.

Todas estas cosas significan que es posible producir modelos de manera rápida y
automática que puedan analizar datos más grandes y complejos y producir resultados
más rápidos y precisos – incluso en una escala muy grande. Y con la construcción de
modelos precisos, una organización tiene una mejor oportunidad de identificar
oportunidades rentables – o de evitar riesgos desconocidos.

¿Qué se requiere para crear buenos sistemas de machine learning?

 Recursos de preparación de datos.

 Algoritmos – básicos y avanzados.

 Automatización y procesos iterativos.

 Escalabilidad.

 Modelado en conjunto.

¿Lo sabía?

 En el aprendizaje basado en máquina, un destino se conoce como etiqueta.

 En estadística, un destino se conoce como variable dependiente.

 Una variable en estadística se conoce como característica en el machine learning.

 Una transformación en estadística se conoce como creación de característica en el machine

learning.