Cuántos datos para el aprendizaje automático
Las aplicaciones de aprendizaje automático pueden aportarle más clientes, aumentar las ventas y reducir los costes empresariales. Sin embargo, si no se utilizan correctamente, pueden provocar la pérdida de clientes, de dinero y de reputación. ¿Cuándo debe utilizar el ML en su negocio y cuándo es mejor seguir con los métodos informáticos tradicionales?
Los datos son la clave del éxito (o de la falta de él) de las aplicaciones de aprendizaje automático. En pocas palabras: en el desarrollo de software tradicional, los humanos crean sistemas informáticos y las máquinas se limitan a seguir esas reglas preprogramadas. Así, la parte crucial de la aplicación es el algoritmo que lleva dentro.
El aprendizaje automático es diferente. Es un conjunto de técnicas de inteligencia artificial que permite a los sistemas aprender directamente de los datos. ¿Cómo? Un programador escribe un algoritmo de aprendizaje. Entonces el ordenador recibe un conjunto de datos y ejemplos de entrenamiento, y comienza a aprender por sí mismo, cambiando el algoritmo a medida que aprende más sobre la información que está procesando. Esto significa que es el ordenador el que crea el sistema. También significa que la forma final del sistema depende de los datos. Si la calidad de los datos es pobre, o si los datos están sesgados, entonces también lo está el sistema, como en el caso de Tay de Microsoft.
Aplicaciones de aprendizaje automático
El aprendizaje automático está detrás de los chatbots y del texto predictivo, de las aplicaciones de traducción de idiomas, de los programas que te sugiere Netflix y de la forma en que se presentan tus contenidos en las redes sociales. Es el motor de los vehículos autónomos y de las máquinas que pueden diagnosticar enfermedades a partir de imágenes.
Cuando las empresas despliegan hoy en día programas de inteligencia artificial, lo más probable es que utilicen el aprendizaje automático, hasta el punto de que a menudo los términos se utilizan indistintamente, y a veces de forma ambigua. El aprendizaje automático es un subcampo de la inteligencia artificial que da a los ordenadores la capacidad de aprender sin ser programados explícitamente.
Con la creciente omnipresencia del aprendizaje automático, es probable que todo el mundo en la empresa se encuentre con él y necesite algún conocimiento práctico sobre este campo. Una encuesta realizada por Deloitte en 2020 reveló que el 67% de las empresas están utilizando el aprendizaje automático, y el 97% lo están utilizando o planean utilizarlo en el próximo año.
Aunque no todo el mundo tiene que conocer los detalles técnicos, debe entender lo que hace la tecnología y lo que puede y no puede hacer, añadió Madry. «No creo que nadie pueda permitirse no estar al tanto de lo que está ocurriendo».
Tipos de aprendizaje automático
A medida que introduces más datos en una máquina, esto ayuda a los algoritmos a enseñar al ordenador, mejorando así los resultados entregados. Cuando le pides a Alexa que reproduzca tu emisora de música favorita en Amazon Echo, irá a la emisora que hayas reproducido con más frecuencia. Puedes mejorar y perfeccionar aún más tu experiencia de escucha diciéndole a Alexa que salte canciones, que ajuste el volumen y muchos más comandos posibles. El aprendizaje automático y el rápido avance de la inteligencia artificial hacen que todo esto sea posible.
Para empezar, el aprendizaje automático es una subárea central de la Inteligencia Artificial (IA). Las aplicaciones de ML aprenden de la experiencia (o, para ser exactos, de los datos) como lo hacen los humanos sin necesidad de programación directa. Cuando se exponen a nuevos datos, estas aplicaciones aprenden, crecen, cambian y se desarrollan por sí mismas. En otras palabras, el aprendizaje automático consiste en que los ordenadores encuentren información útil sin que se les diga dónde buscar. En cambio, lo hacen aprovechando algoritmos que aprenden de los datos en un proceso iterativo.
El concepto de aprendizaje automático existe desde hace mucho tiempo (pensemos en la máquina Enigma de la Segunda Guerra Mundial, por ejemplo). Sin embargo, la idea de automatizar la aplicación de cálculos matemáticos complejos a los grandes datos sólo existe desde hace varios años, aunque ahora está ganando más impulso.
Ventajas del aprendizaje automático
El aprendizaje profundo está de moda hoy en día, ya que los grandes avances en el campo de las redes neuronales artificiales en los últimos años han llevado a empresas de todos los sectores a implementar soluciones de aprendizaje profundo como parte de su estrategia de IA. Desde los chatbots en la atención al cliente hasta el reconocimiento de imágenes y objetos en el comercio minorista, y mucho más, el aprendizaje profundo ha desbloqueado una miríada de nuevas y sofisticadas aplicaciones de IA. Pero, ¿es siempre el camino correcto?
El excelente rendimiento de los algoritmos de aprendizaje profundo en tareas complejas que requieren enormes cantidades de datos, junto con la creciente disponibilidad de modelos preentrenados en datos disponibles públicamente, han hecho que el aprendizaje profundo sea especialmente atractivo para muchas organizaciones en los últimos años. Sin embargo, esto no significa que el aprendizaje profundo sea la respuesta a todos los problemas relacionados con el aprendizaje automático (ML).
Pero, ¿cómo saber cuándo es necesario el aprendizaje profundo y cuándo no? Obviamente, cada caso de uso es muy individual y dependerá de los objetivos específicos de su negocio, la madurez de la IA, la línea de tiempo, los datos y los recursos, entre otras cosas. A continuación se exponen algunas de las consideraciones generales que hay que tener en cuenta antes de decidir si se utiliza o no el aprendizaje profundo para resolver un determinado problema.