¿Cómo te das cuenta de que ingresaste al perfil equivocado de la cuenta familiar de Netflix? Además de que no está el siguiente capítulo de la serie que te obsesionó esta semana, las recomendaciones no tienen nada que ver con lo que te gusta. Es como si estuvieras hablando de cine frente a alguien que no te conoce, y es un primer acercamiento al mundo del machine learning.

Gracias al machine learning Netflix sabe qué puede interesarte. Quizá al principio, cuando recién abriste tu perfil, te mostraba lo mismo que a todos, pero cuando empezaste a seleccionar títulos, la plataforma aprendió cuáles géneros llaman tu atención, cuáles nombres de actrices buscas con frecuencia y las series que abandonaste a la mitad. Es decir, aprendió de ti.

<< Mejora la calidad de los datos de tu empresa con un ecosistema digital  integrado [Guía gratis] >> 

En este artículo vamos a contarte de qué se trata el machine learning y por qué es tan importante que lo tengas en cuenta para el futuro (y presente) de tu negocio.

La estadística es una de las bases del machine learning, pues gracias a esa información se crean algoritmos que calculan el mejor resultado para una tarea en cuestión de minutos y horas (cuando antes llevaba días o semanas enteras, según el volumen de información). Aunque es una habilidad que se comenzó a explorar de forma profunda desde mediados del siglo XX, la llegada del internet la convirtió en un aspecto importante de la automatización de procesos. Las computadores se hicieron más potentes y rápidas para la gestión de datos ingentes que se obtienen en el entorno digital.

La repetición es un elemento clave del machine learning. Las máquinas reciben nuevos datos a los que se adaptan independientemente y descubren patrones que luego aplican a distintos escenarios. Los cálculos que aprenden ayudan a tomar decisiones, considerar predicciones y así obtener datos y resultados más confiables.

¿Para qué sirve el machine learning?

El machine learning les enseña a las máquinas a procesar la información con distintos algoritmos como los de regresión o árboles de decisión, que ayudan a que aprendan con ejemplos que aplicarán cuando lo necesiten.

Por lo tanto, el machine learning sirve para procesar grandes volúmenes de información que ayuden a resolver problemas de distinta complejidad, por ejemplo:  

  • Las rutas que Waze traza a los usuarios para evitar embotellamientos y demoras en su camino. 
  • Identificar tendencias en enfermedades de una comunidad, como síntomas, edad de los pacientes o tiempo de recuperación.
  • Prevenir fraudes en instituciones bancarias.
  • Hallar oportunidades de inversión para empresas.
  • Mejorar la seguridad pública al encontrar patrones entre sitios con alta criminalidad.

En general, el machine learning optimiza el análisis de información y reduce los errores o vulnerabilidades en actividades de la vida diaria.

Subtipos del machine learning

Aprendizaje supervisado

Como lo indica su nombre, la máquina aprende con problemas cuyas respuestas ya conoce el programador. El sistema se alimenta entonces con datos etiquetados por el usuario y ejemplos con soluciones para que analice e identifique patrones de los que pueda aprender. El algoritmo hace predicciones y el programador verifica que sean correctas, y mientras haya más repeticiones, los errores pueden reducirse y se llega al nivel deseado.

Aprendizaje no supervisado

A diferencia del algoritmo de aprendizaje supervisado, en el no supervisado se utilizan datos que casi no cuentan con etiquetas. No existe verificación por parte de un usuario o programador, sino que la máquina debe determinar los patrones analizando los datos con los que se le alimenta.

Aprendizaje semisupervisado

Combina los dos algoritmos anteriores; por lo tanto, tiene en cuenta datos marcados y no marcados.

Aprendizaje reforzado

Este se basa en el ensayo y el error. Tiene reglas establecidas, con un conjunto de acciones, parámetros y valores finales. El algoritmo elige una acción y analiza las consecuencias, aprendiendo cada vez cuál es el mejor resultado.

Al tener esto como base, entonces ya podemos mencionar los tipos de algoritmos:

Los 8 tipos de algoritmos del machine learning

Ejemplos de algoritmos de machine learning

1. Algoritmos de reducción de dimensión

Como lo indica su nombre, estos algoritmos son especialistas en reducir el número de variables en un conjunto de datos mediante dos formas: selección de características o extracción de características. Ayudan a limpiar la información y son más precisos. 

2. Algoritmos de árbol de decisión

Son similares a un diagrama de flujo y muestran los posibles resultados según el camino que se tome en cada decisión posible. Cada nodo equivale a una prueba en una variable y cada rama es su resultado. Ayudan a sugerir artículos de compra a clientes o a seleccionar un vuelo para reservar.

3. Algoritmos bayesianos

Se basan en el teorema de probabilidad de Bayes y clasifica los valores como independientes unos de otros para predecir una categoría en función de un conjunto de características. Es útil para encontrar la probabilidad de que que ocurra un evento A, porque ya ocurrió un evento B. Se implementa para clasificar artículos de un medio por el tema o en el software de reconocimiento facial.

4. Algoritmos de agrupación o cluster

Sirven para categorizar datos no etiquetados según la similitud que el algoritmo encuentra dentro de ellos. Funcionan para detectar correo spam o clasificar películas por su género.

5. Algoritmos de regresión

Se enfocan en una variable dependiente y varias independientes, ya que intentan encontrar la relación que hay entre ellas, como la forma en que se impactan, para hacer predicciones. Este tipo de algoritmos se puede utilizar para predicciones de ventas, evaluar riesgos y otras clases de análisis predictivos.

6. Algoritmos de redes neuronales

Estos son los algoritmos que utiliza el deep learning. El modelo se basa en el cerebro humano y consiste, por simplificarlo de alguna manera, en puntos interconectados que transmiten información entre ellos. Aprenden con el ejemplo, pero también son capaces de encontrar patrones y analizar relaciones no lineales, en donde la correlación entre variables es más complicado de identificar. Funcionan en la minería de datos y sistemas de ciberseguridad.

7. Algoritmos de aprendizaje profundo

Se encargan de procesar datos dentro de algoritmos de redes neuronales, con la intención de «simplificar» los que encuentra en una de sus capas para transmitirlos a la siguiente. A medida que va de una capa a otra, estos algoritmos aprenden y detectan elementos más sofisticados con su progreso.

8. Algoritmos a priori

Estos algoritmos buscan conjuntos comunes de elementos en agrupaciones de datos para hacer una asociación entre ellos. Cuanto más se repite su aplicación, más coincidencias encontrarán en un conjunto tan grande como sea posible. Son ideales para identificar tendencias de compra.

Las diferencias entre machine learning y deep learning

El deep learning es una rama del machine learning que ya no funciona mediante algoritmos de regresión o árboles de decisiones, sino que se asemeja más a la manera en que el cerebro humano funciona: con redes neuronales y aprendizaje profundo, tal y como viste más arriba.  

Por lo tanto, puede procesar datos más sofisticados y pesados, y no necesita que una persona se lo indique, pero sí que se le nutra con una gran cantidad de información para lograrlo.

Diferencias entre machine learning y deep learning

Finalmente, te compartimos algunas aplicaciones reales y muy interesantes del machine learning en empresas que seguro ya conoces.

5 ejemplos de aplicaciones del machine learning en las empresas

1. BenchSci

Establecida en Toronto, es una empresa que quiso hacer con la comunidad científica lo que Google hace con los usuarios comunes: encontrar lo necesario para acelerar el proceso de desarrollo de medicinas. ¿Cómo funciona? Para que una nueva medicina sea candidata a pruebas clínicas, los científicos deben llevar a cabo experimentos que cuestan dinero y consumen tiempo. BenchSci pensó que quizá podría darle información valiosa a sus colegas, obtenida de estudios y experimentos que ya existen para simplificar algunos pasos.

Es decir, utilizaron técnicas de machine learning para leer, clasificar y presentar conclusiones de investigaciones científicas fáciles de encontrar, casi como si usaran un motor de búsqueda para identificar reactivos sin invertir en búsquedas excesivas o experimentaciones.

2. The North Face

Para reducir la cantidad de carritos abandonados en su tienda en línea, y de paso mejorar la experiencia del usuario, la marca de ropa para actividades en la naturaleza le pidió ayuda a IBM. Gracias a la implementación de Watson, la inteligencia artificial de IBM, en su app móvil, los usuarios podían ingresar a la tienda y, en lugar de buscar entre todas las opciones existentes para comprarse una chaqueta, le decían directamente a Watson para qué la usarían y cuál estilo buscaban para que el asistente redujera la selección a una muestra que se acercara más a las preferencias del cliente.

3. Traductor de Google

Si ya era un buen ejemplo la función de traducción automática de texto de Google, ya existen nuevas formas de implementar esta herramienta. Según ha compartido en su blog de noticias, Google está haciendo innovaciones para traducir audios o notas de voz, e imágenes, como letreros de señalización o menús de restaurantes que reconocen caracteres y traducen las palabras de inmediato.

4. Metro de Barcelona

Para optimizar el aire que se respira dentro de las instalaciones del metro de Barcelona, se creó el sistema RESPIRA que regula el sistema de ventilación analizando diferentes variables: la sensación térmica, la temperatura, la humedad, la calidad del aire interior de las estaciones y el consumo eléctrico de la ventilación. RESPIRA es una plataforma de inteligencia artificial de SENER, compañía de ingeniería, que funciona con un algoritmo dinámico de predicción de las condiciones ambientales en el interior de las estaciones. La intención principal es mantener las instalaciones bien ventiladas y libres de covid-19, pero también ayuda a reducir el calor en el interior. 

5. Coursera

Amazon es conocido por ser un gigante de las ventas. Y gran parte de su éxito está en el sistema de recomendaciones de productos que da a sus usuarios. Así que creó una plataforma, Amazon Personalize, para que otras empresas aprovechen su algoritmo para lograr más ventas.

Coursera, uno de los sitios más visitados para la gente que desea ampliar su educación y conocimientos, lo tiene en su sitio para adaptarse a las preferencias individuales, en tiempo real, de sus visitantes. De esa manera logran ofrecer recomendaciones relevantes que resuenan en los aspirantes, que además no se pierden entre todas las opciones que existen gracias a la colaboración del sitio con más de 200 universidades y empresas.

Esperamos que con este panorama quede más claro en qué consiste el machine learning y las distintas ventajas que ofrece a negocios y organizaciones para alcanzar sus objetivos. No esperes más y conviértelo en uno de tus aliados más cercanos. 

Ecosistema digital guía

 Datos calidad guía

Publicado originalmente el 12 de julio de 2021, actualizado el 12 de julio de 2021

Topics:

Transformación digital