¿Qué es el machine learning?

El aprendizaje automático se ha convertido en un término común en los últimos años, ya que el concepto pasó de la ciencia ficción a ser un motor clave de cómo las empresas y organizaciones procesan la información. Con el ritmo de creación de datos creciendo exponencialmente, las herramientas de aprendizaje automático son fundamentales para las organizaciones que buscan descubrir patrones, identificar tendencias y trazar el camino más rentable hacia adelante.

¿Qué tan común es el aprendizaje automático? Si has hecho clic en una recomendación de un sitio de comercio electrónico o plataforma de streaming, recibido una notificación sobre posible uso indebido de una tarjeta de crédito, o usado software de transcripción, ya te has beneficiado del aprendizaje automático. Se utiliza en finanzas, salud, mercadeo, comercio minorista y muchas otras industrias para extraer información valiosa de los datos y automatizar procesos.

¿Qué es el machine learning?

El aprendizaje automático (ML) es una subcategoría de la inteligencia artificial que se enfoca en construir sistemas que aprenden —y mejoran— a medida que consumen más datos. La inteligencia artificial es un término más amplio que se refiere a sistemas o máquinas que imitan la inteligencia humana. Se suele mencionar al machine learning y a la IA de forma conjunta, y los términos a veces se usan indistintamente, pero no significan lo mismo.

En resumen, todo aprendizaje automático es IA, pero no toda IA es aprendizaje automático.

Conclusiones clave

• El aprendizaje automático es un subconjunto de la IA.
• Los cuatro tipos más comunes de aprendizaje automático son: supervisado, no supervisado, semi-supervisado y por refuerzo.
• Entre los tipos más populares de algoritmos de aprendizaje automático se encuentran las redes neuronales, árboles de decisión, agrupamiento (clustering) y bosques aleatorios.
• Los casos de uso comunes del aprendizaje automático en los negocios incluyen identificación y clasificación de objetos, detección de anomalías, procesamiento de documentos y análisis predictivo.

Explicación del aprendizaje automático

El aprendizaje automático es una técnica que descubre relaciones previamente desconocidas en los datos al explorar conjuntos de datos potencialmente muy grandes para encontrar patrones y tendencias que van más allá del análisis estadístico simple. El aprendizaje automático usa algoritmos sofisticados que se entrenan para identificar patrones en los datos, creando modelos. Esos modelos pueden usarse para hacer predicciones y clasificar datos.

Ten en cuenta que un algoritmo no es lo mismo que un modelo. Un algoritmo es un conjunto de reglas y procedimientos usados para resolver un problema específico o realizar una tarea particular, mientras que un modelo es el resultado de aplicar un algoritmo a un conjunto de datos.

Antes del entrenamiento, tienes un algoritmo. Después del entrenamiento, tienes un modelo.

Por ejemplo, el aprendizaje automático se utiliza ampliamente en la atención médica para tareas que incluyen análisis de imágenes médicas, análisis predictivo y diagnóstico de enfermedades. Los modelos de aprendizaje automático son ideales para analizar imágenes médicas como resonancias magnéticas, rayos X y tomografías para identificar patrones y detectar anomalías que tal vez no sean visibles para el ojo humano o que un especialista sobrecargado podría pasar por alto. Los sistemas de aprendizaje automático también pueden analizar síntomas, información genética y otros datos del paciente para sugerir pruebas para condiciones como cáncer, diabetes y enfermedades cardiacas.

Las características clave del aprendizaje automático son:

• Detección automática de patrones
• Predicción de resultados probables
• Creación de información procesable
• Capacidad para analizar volúmenes de datos muy grandes

Tipos de aprendizaje automático (ML)

Hay cuatro tipos principales de aprendizaje automático. Cada uno tiene sus propias fortalezas y limitaciones, por lo que es importante elegir el enfoque adecuado para la tarea específica.

• El aprendizaje automático supervisado es el tipo más común. Aquí, los datos etiquetados enseñan al algoritmo qué conclusiones debe sacar. Así como un niño aprende a identificar frutas memorizándolas en un libro ilustrado, en el aprendizaje supervisado el algoritmo se entrena con un conjunto de datos que ya están etiquetados. Un ejemplo de aprendizaje automático supervisado es un filtro de correo electrónico no deseado, donde el algoritmo se entrena con un conjunto de datos etiquetado en el que cada correo está marcado como spam o no spam. El modelo aprende de estos ejemplos etiquetados y luego puede predecir si los nuevos correos entrantes probablemente son spam o no, con base en los patrones que identificó. Este tipo de aprendizaje supervisado requiere que un experto humano proporcione las respuestas correctas etiquetando los datos para que el algoritmo pueda aprender y hacer predicciones precisas en el futuro.
  
  Ten en cuenta que el objetivo aquí no es entrenar con datos perfectos. Quieres imitar lo que el sistema verá en el mundo real —algunos correos no deseados son fáciles de detectar, pero otros son más sutiles o están en el límite. Datos demasiado limpios llevan al sobreajuste, lo que significa que el modelo solo identificará otras muestras igualmente limpias.
• El aprendizaje automático no supervisado emplea un enfoque más independiente, en el que una computadora aprende a identificar procesos y patrones complejos sin depender de datos previamente etiquetados. El aprendizaje automático no supervisado no solo implica entrenamiento basado en datos sin etiquetas; tampoco hay una salida específica y definida, como determinar si un correo es probablemente spam.
  
  El aprendizaje automático no supervisado tiende a detectar agrupaciones de datos similares, creando clústeres. Una vez entrenado, el modelo puede identificar patrones similares y agrupar esos datos en su categoría correspondiente. Un uso común del aprendizaje automático no supervisado son los motores de recomendación, que se usan en aplicaciones para consumidores para ofrecer sugerencias del tipo “los clientes que compraron eso también compraron esto”. Cuando se encuentran patrones discordantes, el algoritmo puede identificarlos como anomalías, lo cual es útil en la detección de fraudes.
• El aprendizaje automático semisupervisado aborda el problema de no tener suficientes datos etiquetados para entrenar completamente un modelo. Por ejemplo, podrías tener conjuntos de datos de entrenamiento grandes pero no querer incurrir en el tiempo y costo de etiquetar todo el conjunto. Al usar una combinación de métodos supervisados y no supervisados, a menudo puedes lograr un modelo completamente entrenado. El proceso de entrenamiento comienza como en el aprendizaje supervisado, usando datos etiquetados para obtener resultados iniciales y establecer directrices para el algoritmo. Cuando se agotan los datos etiquetados, se le entrega al modelo semientrenado los conjuntos de datos sin etiquetar. Usa el entrenamiento que tiene y examina los datos no etiquetados con el objetivo de añadirlos al conjunto etiquetado. Si el modelo puede encontrar una etiqueta apropiada para una muestra con alta certeza, esa muestra se añade a los datos etiquetados. El proceso de aprendizaje comienza de nuevo, pero ahora con un conjunto más grande de muestras etiquetadas. Mediante iteraciones, se etiquetan más muestras con lo que a menudo se llama "pseudo-etiquetas", y el modelo puede refinarse aún más.

  El aprendizaje automático por refuerzo, como el no supervisado, usa conjuntos de datos sin etiquetar y permite que los algoritmos evalúen los datos. Sin embargo, el aprendizaje por refuerzo se diferencia en que trabaja hacia un objetivo establecido en lugar de explorar datos para descubrir patrones existentes. Con un objetivo en mente, el algoritmo procede mediante prueba y error. Cada movimiento recibe retroalimentación positiva, negativa o neutral, que el algoritmo usa para perfeccionar su proceso general de toma de decisiones. Los algoritmos de aprendizaje por refuerzo pueden trabajar a nivel macro hacia el objetivo del proyecto, incluso si eso implica enfrentar consecuencias negativas a corto plazo. De esa manera, el aprendizaje por refuerzo maneja situaciones más complejas y dinámicas que otros métodos, porque permite que el contexto del objetivo del proyecto influya en el riesgo de las decisiones. Enseñar a una computadora a jugar ajedrez es un buen ejemplo. El objetivo general es ganar la partida, pero eso puede requerir sacrificar piezas a medida que avanza el juego.

¿Cuál es mejor para tus necesidades? Elegir un enfoque supervisado o uno de los otros tres métodos depende normalmente de la estructura y volumen de tus datos, el presupuesto y las horas que puedas dedicar al entrenamiento, y el caso de uso al que quieras aplicar el modelo final. Fallar en una sugerencia de blusa para combinar con una falda puede no importar. Pasar por alto un tumor, sí.

Cómo funciona el aprendizaje automático (ML)

Como su nombre lo indica, el aprendizaje automático funciona creando modelos estadísticos computarizados que se refinan para un propósito específico evaluando datos de entrenamiento, en lugar del enfoque clásico en el que los programadores desarrollan un algoritmo estático que intenta resolver un problema. A medida que los conjuntos de datos se procesan a través del modelo de ML, la salida resultante se evalúa en cuanto a precisión, lo que permite a los científicos de datos ajustar el modelo mediante una serie de variables establecidas, llamadas hiperparámetros, y variables ajustadas algorítmicamente, llamadas parámetros de aprendizaje.

Como el algoritmo se ajusta mientras evalúa datos de entrenamiento, el proceso de exposición y cálculo con nuevos datos entrena al algoritmo para que mejore en su tarea. El algoritmo es la parte computacional del proyecto, mientras que el término “modelo” es un algoritmo entrenado que puede usarse en casos reales.

El alcance, los recursos y los objetivos de los proyectos de aprendizaje automático determinarán el camino más adecuado, pero la mayoría involucra una serie de pasos.

1. Reunir y compilar datos

Entrenar modelos de ML requiere muchos datos de alta calidad. Encontrarlos a veces es difícil, y etiquetarlos, si es necesario, puede requerir muchos recursos. Después de identificar posibles fuentes de datos, evalúalas para determinar su calidad general y alineación con los recursos existentes de integración/repositorio de datos del proyecto. Esas fuentes forman la base de entrenamiento de un proyecto de aprendizaje automático.

2. Selecciona un algoritmo apropiado para obtener el modelo deseado

Dependiendo de si el proyecto planea usar aprendizaje supervisado, no supervisado o semisupervisado, los científicos de datos pueden seleccionar los algoritmos más apropiados. Por ejemplo, un proyecto más simple con un conjunto de datos etiquetado puede usar un árbol de decisión, mientras que el agrupamiento —dividir muestras de datos en grupos de objetos similares— requiere más recursos de cómputo, ya que el algoritmo trabaja sin supervisión para determinar el mejor camino hacia un objetivo.

3. Refina y prepara los datos para el análisis

Es probable que los datos entrantes no estén listos para usarse. La preparación de datos limpia los conjuntos para asegurar que todos los registros puedan procesarse fácilmente durante el entrenamiento. La preparación incluye una serie de tareas de transformación, como establecer formatos de fecha y hora, unir o separar columnas según sea necesario y definir otros parámetros de formato, como los dígitos significativos aceptables en datos de números reales. Otras tareas clave incluyen eliminar registros duplicados, también llamado "desduplicación" de datos, e identificar y posiblemente eliminar valores atípicos.

4. Entrena el modelo

Una vez seleccionado el modelo final deseado, comienza el proceso de entrenamiento. En el entrenamiento, se alimenta al algoritmo con un conjunto de datos curado, ya sea etiquetado o no. En las primeras ejecuciones, los resultados pueden no ser buenos, pero los científicos de datos ajustan lo necesario para mejorar el rendimiento y aumentar la precisión. Luego se le muestra nuevamente datos al algoritmo, generalmente en mayores cantidades para afinarlo con más precisión. Cuantos más datos vea el algoritmo, mejor será el modelo final para ofrecer los resultados deseados.

5. Evalúa el rendimiento y la precisión del modelo

Después de que el modelo ha sido entrenado con suficiente precisión, es momento de darle datos que no ha visto para probar su desempeño. A menudo, los datos usados para pruebas son un subconjunto del conjunto de entrenamiento reservado para después del entrenamiento inicial.

6. Ajusta y mejora los parámetros del modelo

El modelo probablemente ya esté cerca de la implementación. Las ejecuciones con conjuntos de datos de prueba deberían producir resultados muy precisos. Las mejoras se logran mediante entrenamiento adicional con datos específicos —a menudo únicos de las operaciones de una empresa— para complementar los datos generalizados usados en el entrenamiento original.

7. Lanza el modelo

Con los resultados optimizados, el modelo ahora está listo para enfrentar datos no vistos en su uso normal en producción. Cuando el modelo está en vivo, los equipos del proyecto recopilan datos sobre cómo se desempeña este en escenarios reales. Esto puede hacerse mediante la supervisión de métricas clave de rendimiento, como la precisión, la corrección general de las predicciones del modelo, la recuperación y la proporción de observaciones positivas correctamente predichas. También considera cómo las predicciones del modelo están afectando los resultados del negocio sobre el terreno —¿están generando valor, ya sea en un aumento en las ventas de blusas o en mejores diagnósticos?

Realizar auditorías y revisiones periódicas del desempeño del modelo puede ayudarte a identificar problemas o distorsiones que puedan haber surgido tras la implementación y son esenciales para asegurar que el modelo funcione eficazmente y cumpla con los objetivos deseados.

Algoritmos de machine learning

Los algoritmos son la parte computacional de un proyecto de aprendizaje automático. Una vez entrenados, los algoritmos producen modelos con una probabilidad estadística de responder a una pregunta o lograr un objetivo. Ese objetivo puede ser encontrar ciertas características en imágenes, como “identifica todos los gatos”, o detectar anomalías en datos que podrían indicar fraude, spam o una falla en una máquina. Otros algoritmos pueden intentar hacer predicciones, como qué artículos de ropa podría gustarle también a una compradora con base en lo que ya tiene en su carrito.

Algunos de los algoritmos más comunes en el aprendizaje automático son los siguientes:

• Redes neuronales: el cerebro humano funciona creando redes de nodos que realizan funciones tan variadas como procesar imágenes de nuestros ojos, almacenar recuerdos y controlar nuestros músculos. Las redes neuronales basadas en computadora están modeladas según esta arquitectura cerebral, creando capas de nodos que ponderan las relaciones entre los datos que han analizado y los datos en nodos adyacentes. Trabajando como una red, estos nodos pueden determinar características de los datos, como elementos dentro de una imagen.
• Regresión lineal: los algoritmos de regresión lineal toman puntos de datos y construyen una ecuación matemática para una línea que mejor respalde los resultados predichos. Esto a veces se conoce como la “línea de mejor ajuste”. La regresión lineal funciona ajustando variables en la ecuación para minimizar los errores en las predicciones. Un ejemplo de regresión lineal se ve en la pediatría, donde distintos puntos de datos pueden predecir la estatura y el peso de un niño con base en datos históricos. De forma similar, el IMC es una regresión lineal que intenta correlacionar estatura y peso con grasa corporal total. Como el algoritmo usa una línea simple para sus predicciones, las tasas de error pueden ser altas. Por ejemplo, un IMC de 30 indica obesidad. Eso suele ser cierto para el público general, pero definitivamente no para atletas de fuerza como los linebackers de la NFL.
• Regresión logística: se utiliza mejor para resultados binarios; la regresión logística es como la lineal, pero con consideraciones especiales en los límites de los rangos posibles de datos. Un ejemplo de regresión logística incluye análisis de éxito/fracaso sobre la probabilidad de convertir a un cliente potencial en uno que paga. La regresión logística se usa a menudo en diagnósticos médicos —por ejemplo, concentraciones de glucosa en plasma por encima de cierto rango se usan como un fuerte indicador de diabetes. La regresión logística también puede usarse para predecir si un correo electrónico es spam o no, o si una transacción con tarjeta de crédito es fraudulenta.
• Agrupamiento: el agrupamiento es una forma de aprendizaje no supervisado que expone al algoritmo a conjuntos de datos no etiquetados en los que los datos pueden caer en grupos distintos o clústeres. A medida que el algoritmo evalúa los datos de entrenamiento, busca patrones y detalles coincidentes entre los datos, y crea grupos. Digamos que el algoritmo está analizando el valor nutricional de una gran variedad de frutas. Podría encontrar que los cítricos forman un grupo, las bayas otro y los melones un tercero. Esto permite entender con mayor facilidad qué hace único a cada clúster. El agrupamiento es particularmente útil para cualquier tipo de proyecto de categorización, como la segmentación de mercados.
• Árboles de decisión: los árboles de decisión usan aprendizaje supervisado y progresiones básicas del tipo "si-entonces" para hacer predicciones. Dependiendo de la complejidad del proyecto, los árboles de decisión pueden ser ideales como algoritmos ligeros en recursos que producen resultados directos. Por ejemplo, si una universidad quisiera determinar qué estudiantes pueden omitir el curso de inglés de primer año, podría usar un árbol de decisión que primero pregunte si el estudiante tomó cuatro años de inglés en la secundaria y, en ese caso, si obtuvo al menos un promedio de 3,6 en esas clases. Otro camino podría simplemente preguntar si el estudiante obtuvo una puntuación superior a cierto umbral en las secciones de lectura, escritura y lenguaje del SAT.
• Bosques aleatorios: por sí solos, los árboles de decisión tienen limitaciones debido a sus flujos de trabajo rígidos y al requisito de que se respondan todas las preguntas de evaluación. En nuestro ejemplo del árbol de decisión anterior, la universidad podría requerir que ambas condiciones se cumplan, aunque con cumplir solo una quizá sería suficiente. Y podrían existir otros factores a considerar, como el desempeño del estudiante en el ensayo de admisión. Si se requieren los tres factores, la universidad tendría un problema de “sobreajuste” al árbol de decisión. Los estudiantes que cumplen con los tres criterios probablemente estén bien sin tomar el curso de inglés básico. Sin embargo, otros que también estarían bien igual tendrán que tomar la clase. Los bosques aleatorios reúnen colecciones de árboles de decisión que ponderan resultados de forma acumulativa para presentar una perspectiva más amplia. Con los bosques aleatorios, los proyectos pueden seguir usando la mecánica central de los árboles de decisión mientras consideran relaciones más matizadas entre puntos de datos relevantes. Así, nuestra universidad podría dividir estos tres criterios en árboles de decisión separados y luego usar ponderaciones para decidir quién puede omitir el curso de inglés básico con base en el hallazgo, por ejemplo, de que haber tenido buen desempeño en inglés en secundaria es el indicador más predictivo, y que el desempeño en el ensayo es el menos.

Más allá de las redes neuronales

El aprendizaje automático utiliza una gran variedad de algoritmos. Aunque los mencionados arriba son los más populares, aquí tienes cinco algoritmos menos comunes pero aún útiles.

Beneficios del aprendizaje automático

El aprendizaje automático permite a las organizaciones extraer conocimientos de sus datos que de otro modo podrían no descubrir. Algunos de los beneficios más comunes de integrar aprendizaje automático en los procesos incluyen los siguientes:

• Optimización de la toma de decisiones y análisis predictivo: las decisiones basadas en datos comienzan con el análisis de datos. Eso es evidente, pero cuando se hace manualmente, el proceso de análisis consume mucho tiempo y recursos, y puede que no arroje conocimientos lo suficientemente profundos como para justificar el costo. El aprendizaje automático puede examinar grandes volúmenes de datos para identificar tendencias y patrones, de modo que tú puedas centrarte en consultas y resultados accionables en lugar de optimizar procesos de datos manuales. Dependiendo de la herramienta de análisis, el aprendizaje automático puede generar predicciones e identificar conocimientos difíciles de detectar en los datos, lo que permite un análisis más profundo y mayor valor para la organización.
• Mejora de la eficiencia y automatización de tareas: el aprendizaje automático es la base de muchas de las tecnologías que hacen más eficientes a los trabajadores. Muchas tareas repetitivas de baja exigencia cognitiva —como la corrección ortográfica, la digitalización de documentos y la clasificación— ahora son realizadas por computadoras, gracias al aprendizaje automático.
  
  El aprendizaje automático también destaca en el análisis de datos en tiempo real, lo cual es extremadamente difícil para los humanos. ¿Esa transacción es fraudulenta? ¿Ese correo es un intento de phishing? Los sistemas de aprendizaje automático a menudo pueden determinar con precisión la respuesta en segundos y tomar medidas automáticamente. Al combinar tecnologías de ML, pueden hacerse predicciones a partir de los datos, acompañadas por explicaciones de los factores que influyeron en la predicción, ayudando a las y los ejecutivos a trazar los mejores caminos para sus organizaciones.
• Personalización e innovación en servicios: el aprendizaje automático ha abierto una nueva puerta a las experiencias del cliente a través de la personalización. El historial de compras, el historial de navegación, los datos demográficos y otra información adicional pueden usarse para construir un perfil individual del cliente, que luego puede compararse con perfiles similares para predecir intereses. Esto permite ofrecer motores de sugerencias, descuentos generados automáticamente y otros tipos de interacción personalizada para que las personas regresen.
  
  Usando la nomenclatura discutida aquí: los árboles de decisión pueden ayudarte a clasificar a los clientes. Quizás un cliente prefiere la moda vintage y de segunda mano, mientras otro prefiere prendas de diseñadores vanguardistas. Agrupar a cada cliente con personas similares puede ayudar a identificar los productos en los que probablemente harán clic o si es probable que se motiven con descuentos. Entonces, el aprendizaje automático puede predecir las mejores ofertas para cada cliente según los grupos en los que encajan.

Desafíos del aprendizaje automático

Los proyectos de aprendizaje automático son tan efectivos como el sistema y los recursos con los que se construyen. Eso resalta la necesidad de invertir en una planificación y preparación adecuadas.

Estos son algunos de los desafíos más comunes que enfrentan los proyectos de aprendizaje automático:

• Calidad de los datos: el dicho “basura entra, basura sale” se aplica al aprendizaje automático: la calidad de los datos es fundamental, tanto en la fase de entrenamiento como en producción. Los datos de alta calidad pueden generar resultados más precisos de manera oportuna y eficiente; los datos de baja calidad pueden provocar imprecisiones y distorsiones en los modelos resultantes. Ten en cuenta que “calidad” puede significar cosas distintas según el proyecto. Para entrenar sistemas de reconocimiento de imágenes, los datos deben representar lo que el modelo verá en el mundo real. Eso incluye sujetos en sombras, ligeramente desenfocados y sin mirar directamente a la cámara. Para fines de entrenamiento, cuanto más se parezcan los datos a lo que verá el sistema en producción, mejor.
  
  Para ello, debes evaluar las fuentes de datos, transformar los conjuntos de datos a formatos consistentes y compatibles, ejecutar procedimientos de limpieza y eliminación de duplicados, capacitar a las personas usuarias en procesos y protocolos, e integrar herramientas para evaluar la calidad y adecuación.
• Sesgo: los datos pueden estar limpios, pero ¿están libres de sesgo? Como ejemplo evidente, supón que quieres entrenar un sistema de aprendizaje automático para detectar perros en fotos y tienes un conjunto robusto de fotos solo de labradores y poodles. Tras el entrenamiento, el modelo detecta muy bien estos perros —podrías decir que está sesgado para hacerlo. Pero al mostrarle la foto de un bulldog, dice que no encuentra ningún perro. Claro que no, no fue entrenado para eso.
  
  Crear el conjunto de datos adecuado para el entrenamiento es uno de los aspectos más complicados y costosos de construir herramientas de ML que funcionen como deseas. La dificultad para encontrar ciertos tipos de datos a menudo genera una fuente no intencionada de sesgo. Por ejemplo, el mastín tibetano es una raza poco común, pero se parece a un terranova marrón anaranjado. Entonces, si no hay suficientes muestras del mastín tibetano, no sorprendería que un modelo de ML lo identifique como un Terranova.
• Seguridad de los datos: a pesar de sus muchos beneficios, el aprendizaje automático puede introducir una variedad de problemas de seguridad. Los datos usados en el análisis de ML pueden contener información confidencial o propietaria que no está destinada al público. Del mismo modo, los datos pueden ser el objetivo de un ciberataque destinado a envenenar el modelo y generar desinformación en los resultados. Los pasos de preparación de datos pueden tanto exponer como abordar vulnerabilidades de seguridad, especialmente cuando los conjuntos de datos pasan por procesos de exportación o importación entre sistemas. Para mitigar los problemas de seguridad, debes implementar una serie de políticas, procedimientos y controles de seguridad, incluida la capacitación práctica del personal.
• Privacidad de los datos: asegurar que los datos sensibles no se divulguen es un esfuerzo constante. La anonimización de datos es una práctica emergente, pero puede no estar siempre disponible o ser suficiente. Por ejemplo, supón que una empresa quiere ofrecer un servicio que permita a sus clientes comerciales conocer más sobre sus consumidores finales con base en los datos que ha recopilado. Este tipo de información debe protegerse y usarse de forma coherente con los requisitos legales, y las empresas deben considerar cuidadosamente nuevas vías de ataque que puedan intentar comprometer los datos a través de un sistema de ML.

Casos de uso de aprendizaje automático

El aprendizaje automático puede proporcionar beneficios significativos para casi cualquier industria y cualquier departamento dentro de una organización. Si hay cifras que analizar y existen datos, el aprendizaje automático ofrece una forma de aumentar la eficiencia y generar nuevas formas de interacción. Estos son algunos casos de uso comunes del aprendizaje automático en diversas industrias:

• Retail: para los minoristas, el aprendizaje automático puede ayudar en operaciones, ventas y más. A nivel operativo, el aprendizaje automático puede analizar datos de la cadena de suministro para ayudar a optimizar la gestión de inventarios e identificar posibles retrasos desde el inicio. Para ayudar a aumentar las ventas, el aprendizaje automático puede examinar el historial de búsqueda y navegación de una persona junto con datos demográficos para construir un perfil que sirva como base para futuras interacciones.
• Medios de transmisión: al igual que los minoristas, tanto los servicios de audio como de video en streaming pueden construir perfiles de clientes basados en la interacción del usuario, su historial de navegación y datos demográficos. Este perfil puede alimentar motores de recomendación que faciliten el descubrimiento de contenido y promuevan más interacción.
• Finanzas: uno de los usos más poderosos y sencillos del aprendizaje automático es la detección de fraudes en la industria financiera. Con el aprendizaje automático, los algoritmos pueden identificar el comportamiento general de una cuenta y luego comenzar a marcar conductas anómalas para posibles investigaciones de fraude.
• Salud: el sector salud está preparado para usar el aprendizaje automático en casi todos los aspectos de sus operaciones. Los perfiles de pacientes a través de historias clínicas electrónicas pueden identificar posibles problemas con anticipación, comparando patrones con datos demográficos similares. Los datos de dispositivos del internet de las cosas, como un dispensador de medicamentos inteligente, pueden señalar errores rápidamente, y los datos operativos sobre el flujo de pacientes o uso de camas pueden informar sobre la necesidad de ajustar el personal.

Aprendizaje automático más rápido y seguro con Oracle

El aprendizaje automático en Oracle Database ofrece un conjunto de funcionalidades y características para acelerar el proceso de aprendizaje automático. Al mantener los datos dentro de la base de datos, puedes simplificar tu flujo de trabajo y aumentar la seguridad mientras aprovechas más de 30 algoritmos integrados de alto rendimiento; compatibilidad con lenguajes populares como R, SQL y Python; capacidades automatizadas de aprendizaje automático; e interfaces sin necesidad de código.

Para organizaciones con grandes conjuntos de datos, el aprendizaje automático dentro de la base de datos con HeatWave MySQL elimina la necesidad de mover los datos a un sistema separado para el aprendizaje automático, lo cual puede ayudarte a aumentar la seguridad, reducir costos y ahorrar tiempo. HeatWave AutoML automatiza el ciclo de vida del aprendizaje automático, incluida la selección de algoritmos, el muestreo inteligente de datos para el entrenamiento, la selección de características y el ajuste, lo que a menudo ahorra aún más tiempo y esfuerzo.

La recompensa del aprendizaje automático es la capacidad de analizar e interpretar grandes cantidades de datos de forma rápida y precisa. Una vez entrenados, los modelos de aprendizaje automático pueden identificar en segundos o minutos patrones, tendencias y hallazgos que a las personas les tomaría semanas detectar, o que podrían nunca salir a la luz. El resultado es una toma de decisiones más informada, una mejor resolución de problemas y la posibilidad de hacer predicciones basadas en datos. Además, los modelos de aprendizaje automático pueden automatizar procesos repetitivos, ahorrando tiempo y recursos. El aprendizaje automático está alcanzando su potencial para revolucionar el lugar de trabajo e impulsar la innovación.

Preguntas frecuentes sobre el aprendizaje automático

¿Cuál es la diferencia entre IA y ML?

La inteligencia artificial es el nombre que se le da al amplio campo de la computación que se enfoca en construir y perfeccionar sistemas que piensen como humanos. El aprendizaje automático es un subconjunto de este campo que se enfoca específicamente en el aspecto computacional del proceso de aprendizaje. Los dos términos se usan a menudo de forma intercambiable y enfrentan desafíos similares, pero existen por separado a pesar de esa conexión.

¿Cuáles son los cuatro tipos principales de aprendizaje automático?

Los cuatro tipos de aprendizaje automático son:

• Supervisado. El aprendizaje supervisado usa conjuntos de datos etiquetados para entrenar el algoritmo hacia un objetivo específico.
• No supervisado. El aprendizaje no supervisado usa conjuntos de datos no etiquetados que permiten al algoritmo explorar e identificar patrones.
• Semisupervisado. El aprendizaje semisupervisado usa conjuntos de datos etiquetados para el entrenamiento inicial y establecer los parámetros generales del proyecto. Luego, el algoritmo usa ese entrenamiento para evaluar muestras no etiquetadas y ver si puede etiquetarlas con alta probabilidad. Ese proceso puede repetirse, y el conjunto de muestras etiquetadas se amplía en cada iteración.
• Por refuerzo. El aprendizaje por refuerzo actúa de forma similar al aprendizaje no supervisado en cuanto a que usa conjuntos de datos no etiquetados. Sin embargo, el aprendizaje por refuerzo se enfoca en aprender el mejor camino para lograr un objetivo específico a través de retroalimentación positiva, negativa y neutral, en lugar de buscar patrones.

¿Es difícil aprender aprendizaje automático?

Como cualquier habilidad técnica, aprender los entresijos del aprendizaje automático es un proceso iterativo que requiere tiempo y dedicación. Un buen punto de partida es tener una base en lenguajes de programación como Python o R, junto con un conocimiento de estadística. Muchos de los elementos que intervienen en la evaluación de los resultados del aprendizaje automático requieren comprender conceptos estadísticos como regresión, clasificación, ajuste y parámetros.

¿Cuál es un ejemplo de aprendizaje automático?

Uno de los ejemplos más comunes de aprendizaje automático es un motor de sugerencias. En el comercio electrónico, esto se ve como una sugerencia de productos “también te puede gustar...”. En medios de transmisión de video, esto se ve como ideas de qué ver a continuación. En estos casos, el algoritmo toma el historial del usuario y genera predicciones sobre lo que puede resultarle interesante; y cuanta más información proporcione la persona, más puede afinar el algoritmo sus predicciones.