El Aprendizaje Automático o Machine Learning (ML) es el estudio de algoritmos informáticos que mejoran automáticamente a través de la experiencia y mediante el uso de datos.
El aprendizaje automático surgió de la búsqueda de Inteligencia Artificial. Algunos investigadores estaban interesados en que las máquinas aprendieran a partir de los datos. Intentaron abordar el problema de varias formas, con métodos simbólicos, así como con lo que entonces se denominó cómo "redes neuronales"; estos eran en su mayoría perceptrones y otros modelos lineales generalizados de estadística. También se empleó el razonamiento probabilístico, especialmente en el diagnóstico médico automatizado.
Por ende, los algoritmos de Aprendizaje Automático construyen un modelo basado en datos de muestra, conocidos como "datos de entrenamiento", con el fin de hacer predicciones o decisiones sin estar programados explícitamente para hacerlo.
Los algoritmos de aprendizaje automático se utilizan en una amplia variedad de aplicaciones, como el filtrado de correo electrónico, traductores, chatbots, detección de rostros y la visión por computadora, como es nuestro caso, entre otros muchos, donde es difícil o inviable desarrollar algoritmos convencionales (creados a partir de la algoritmia tradicional) para realizar las tareas necesarias o alcanzar los objetivos planteados.
Programación tradicional frente Aprendizaje Automático
La programación tradicional es lo que en general conocemos como programación, este término se asocia a un trabajo manual realizado generalmente por personas, se deberá codificar una serie de reglas para que a partir de unos datos entrantes se pueda hallar los resultados deseados.
Ilustración 10: Representación de la programación tradicional
Por otra parte, el Aprendizaje Automático consiste en la “alimentación” de un algoritmo a partir de los datos entrantes y los resultados, en este caso el programa no recibe unas reglas específicas escritas por una persona, sino que a partir de una del entrenamiento genera estas reglas matemáticas, durante el entrenamiento se usa cómo “estimulo” o base de aprendizaje tanto los resultados como los datos de entrada.
Ilustración 11: Representación esquemática del Machine Learning
De manera resumida tendríamos que la programación tradicional se ve premiada por el desarrollo de una buena lógica que lleva a cabo un procesamiento sobre los parámetros de entrada y genera unos datos de manera automática y por otra parte el ML se ve premiado por una buena recopilación y preparación de datos. El ML no tiene como tarea sustituir la programación tradicional, el Machine Learning se emplea en casos en la que la programación tradicional queda obsoleta y es imposible implementar una lógica que sirva plenamente en una tarea.
El Aprendizaje Profundo (Deep Learning) es parte de una familia más amplia de métodos de Machine Learning, también se puede ver como una función de Inteligencia Artificial que imita el funcionamiento del cerebro humano en el procesamiento de datos y la creación de patrones para su uso en la toma de decisiones.
El DL le ha dado mucha fama al ML en la última década, esto se debe a un modelo computacional del que hablaremos más adelante llamado red neuronal.
Volviendo al Deep Learning, este ha evolucionado de la mano de la era digital, que ha provocado una explosión de datos en todas las formas y en todas las regiones del mundo. Estos datos, conocidos simplemente como Big data, se obtienen de fuentes como las redes sociales, los motores de búsqueda de Internet, las plataformas de comercio electrónico y los cines en línea, entre otros. Esta enorme cantidad de datos es fácilmente accesible y se puede compartir a través de la computación en la nube. Sin embargo, los datos, que normalmente no están estructurados, son tan amplios que los humanos podrían tardar décadas en comprenderlos y extraer información relevante. Las empresas se han dado cuenta del increíble potencial que puede resultar desentrañar esta gran cantidad de información y se están adaptando cada vez más a los sistemas de inteligencia artificial para el soporte automatizado.
Terminos:
Big Data
Campo que trata las formas de analiza, tratar y extraer sistemáticamente información de conjuntos de datos que son muy grandes o complejos como para ser tratado por humanos y/o software tradicional.
Comments