'Machine Learning' o cómo hacer que una máquina aprenda a la velocidad de la luz

Cada vez escuchamos más eso de “Machine Learning”, un concepto con el que no todo el mundo está familiarizado. En la última WWDC de Apple, los chicos de la compañía de Cupertino nombraron este concepto en numerosas y diversas ocasiones, en el seno de la presentación de varios de sus productos tanto de hardware como de software. Según los expertos, Apple se está centrando en explotar tecnologías como Machine Learning, Realidad Aumentada y Realidad Virtual. Lo que hace Apple con el desarrollo de estas tecnologías es anticipar a sus productos futuros a estas nuevas tecnologías con la integración en los dispositivos actuales de nuevas capacidades. Este tipo de tecnología alcanzará un valor de hasta 132.000 millones de dólares en 2020, según las estimaciones de firmas especializadas como Markets&Markets y Digi Capital. Pero, ¿cómo funciona, en qué se aplica y qué supone este concepto?

Así funciona

Esto del Machine Learning puede sonar a chino para el común de los mortales. Se trata, grosso modo, de una disciplina científica dentro del ámbito de la Inteligencia Artificial que crea sistemas que aprenden automáticamente. Aprender consiste, en este contexto y a grandes rasgos, en identificar patrones complejos en millones de datos para interpretarlos. La máquina que aprende es un algoritmo que revisa los datos y es capaz de predecir comportamientos futuros. Automáticamente, esta tecnología deriva en la mejora autónoma con el tiempo, sin intervención humana.

Básicamente, la máquina aprende sola porque su algoritmo de aprendizaje automático se basa en ejemplos de actuación, ejemplos que clasifica y optimiza para futuras respuestas. Es decir, que la máquina adquiere su propia experiencia y aprende de ella para mejorar. El aprendizaje puede ser supervisado, en mayor o menor medida, por un humano, o puede no ser supervisado. Lo normal es que sí esté supervisado, ya que para que el Machine Learning funcione, los programadores trabajan en perfeccionar estos algoritmos para que sean lo más precisos posible en una tarea en concreto, en cualquiera de sus aplicaciones. Por tanto, podríamos entender este proceso como un entrenamiento de la máquina a base de grandes cantidades de datos que van perfeccionando los algoritmos.

Diferentes aplicaciones

El aprendizaje automático -así se llama en castellano- puede aplicarse a muchos y diferentes sectores, desde el ocio a la sanidad y pasando por el deporte. Una de esas aplicaciones resulta realmente interesante: la ciberseguridad. El Machine Learning puede usarse para detectar fraudes en transacciones digitales, predecir el tráfico urbano, predecir fallos en equipos tecnológicos, detectar intrusiones en una red de comunicaciones de datos, entre otras muchas cosas.

El Machine Learning puede mejorar nuestra existencia notablemente

El Machine Learning, como la mayoría de tecnologías que hemos ido integrando en nuestra vida cotidiana, puede mejorar nuestra existencia notablemente. Por ejemplo, en la cirugía puede resultar muy útil a la hora de decidir si es conveniente llevar a cabo una operación partiendo de la tasa de éxito de la intervención, relacionándola con las características personales de pacientes anteriores. En el mundo del marketing, del consumo, de los negocios… la máquina puede pensar por nosotros en todo aquello a lo que nuestras humildes -aunque potentes- mentes no llegan.

Deep Learning, un paso más allá

En tecnología, cuando se habla mucho de un concepto, suele significar que éste ya está medio desfasado. Es el caso del Machine Learning, que aunque Apple lo mencione en sus conferencias y nosotros le dediquemos artículos, empezó a trabajarse en la década de los años 80 y ya en 2010 estaba un poco demodé. No es que ya no exista, sino que se ha mejorado tanto, que ahora se está desarrollando otro tipo de tecnología más sofisticada, el Deep Learning. Se trata un subconjunto dentro del campo del aprendizaje automático que se basa en la idea del aprendizaje desde el ejemplo.

Mientras que con el Machine Learning clásico los programadores deben surtir a las máquinas de grandes cantidades de datos y reglas precisas para poder solventar un problema y aprender de la situación, con el Deep Learning no es necesaria tamaña intervención. Este aprendizaje profundo consiste en aprender a base de representaciones de datos y ejemplos, por lo que el trabajo del programador es, en principio, menor. Esta tecnología está aprovechando diversas arquitecturas de aprendizaje profundo, como las redes neuronales profundas, las redes neuronales profundas convolucionales, o las redes de creencia profundas -todas estas herramientas muy avanzadas en el campo de la Inteligencia Artificial- para aplicarlas en campos como la visión por ordenador, el reconocimiento automático del habla o el reconocimiento de señales de audio y música.

El Deep Learning, básicamente, es el camino por el que recorreremos el futuro de la Inteligencia Artificial. Mientras que el Machine Learning más clásico ha logrado ayudarnos en muchas tareas, pero no logra ser del todo preciso, el Deep Learning puede llegar a ofrecer una precisión del 99,99%. Esto se revela fundamental cuando hablamos de sectores como el de la automoción automática. Si vamos a dejar que un coche conduzca por nosotros, tendremos que asegurarnos de que es mucho más preciso que nosotros mismos.

Las máquinas aprenden solas y se supone que lo hacen para mejorar nuestra experiencia, y no para invadirnos como en incontables ocasiones nos han relatado los libros y las películas de ciencia ficción. El control humano sobre ellas debe primar, pero sin desdeñar lo que nos pueden ofrecer. El futuro ha llegado y aprende más rápido que nosotros.