Se llama Machine Learning a la rama de la Inteligencia Artificial que consiste en darle a las computadoras la habilidad de aprender tareas para las que no necesariamente hayan sido programadas.

terminatorNada puede salir mal ¿No?

Dejando de lado la paranoia, el Machine Learning se basa en programas adaptativos que pueden modificarse a sí mismos y alterar sus parámetros cuando son aplicados a distintos conjuntos de información. El atractivo de esta tecnología se basa en que simplifica los procesos de reconocimiento de patrones, permite interpretar grandes volúmenes de datos en poco tiempo y tiene la capacidad de realizar predicciones y decisiones basadas en datos concretos con resultados predecibles.

Las sugerencias de series y películas de Netflix o de productos que pueden llegar a interesarte en Mercadolibre son casos claros del Machine Learning aplicado a la predicción de patrones de consumo. Facebook, por ejemplo, utiliza el ML para definir el Newsfeed, los amigos sugeridos y los Facebook Ads que ve cada usuario.

Todos estos casos tienen algo en común; las plataformas registran cada movimiento del usuario para generar grandes conjuntos de datos y luego aplican procesos de Machine Learning para intentar predecir comportamientos futuros.

Motores de búsqueda, análisis y predicciones bursátiles, marketing y publicidad online, reconocimiento de objetos, biotecnología y optimización de procesos son sólo una pequeña parte de los campos en los que el ML como herramientas tiene aplicaciones posibles. El avance de disciplinas como el Internet of Things y el Big Data hace que hoy en día tengamos a nuestra disposición un caudal de información imposible de interpretar con medios tradicionales y es aquí donde el Machine Learning surge como un potencial agente de cambio para una enorme gama de industrias y mercados.

Otro caso aún más complejo es el de Deep Learning, una rama del Machine Learning enfocada en la definición tradicional de Inteligencia Artificial; se centra en generar redes de neuronas, es decir modelos artificiales que emulan ciertos aspectos del funcionamiento del cerebro humano. Las redes neuronales están presentes en avances como el Self Driving Car de Google y es este software el que le permite incorporar, interpretar y procesar millones y millones de grupos de datos para luego tomar una decisión y realizar una acción en sólo fracciones de segundo.

A modo súper resumido se trata de unidades de entrada dedicadas a recopilar datos (sensores), unidades de procesamiento dedicadas a convertir esos datos en otros datos y unidades de salida dedicadas a transmitir los nuevos datos al próximo nodo de la red neuronal, así sucesivamente, exponencialmente. El avance de la tecnología permite a los sensores absorber cada vez mayores caudales de información en menor tiempo y a los procesadores interpretar y transformar estos petabytes de información en tiempos inconcebibles para el cerebro humano.

¿Puede usarse esta tecnología para mandar un robot desde el futuro y dominar al mundo? En principio no, por ahora. No hace falta ponerse el sombrero de aluminio para pensar en las implicaciones potencialmente nocivas que tiene enseñarle a una computadora a “entender” el mundo que la rodea y a comunicarse con otras computadoras a velocidades que el cerebro humano no es capaz de procesar, pero ese es un problema para otro día.

terminator 2Son conceptos mucho más complejos de lo explicado en este artículo. Quien suscribe no es matemático y no tiene conocimientos especializados del tema. Para los interesados, algunos de los proyectos más populares. en estas tecnologías son Watson (IBM)AWS (Amazon) Azure ML (Microsoft)

Imagen destacada