Pensar que en un futuro las computadoras podrían hablar y pensar de forma independiente o que la inteligencia artificial superaría la del hombre, parecía algo que ocurriría en un futuro muy lejano o tal vez imposible. La realidad es que esa posibilidad cada día se hace más presente en nuestros tiempos y lo hace a través del “Machine Learning”.

Este término se utiliza desde los años 50, sin embargo, en los últimos años ha tomado gran relevancia debido al incremento de las capacidades de las computadoras y la gran generación de datos por el humano y sus empresas.

James Cameron, creador de las películas de “Terminator”, nos alertó por primera vez en 1984, sobre la posibilidad de que las máquinas dirigidas por la inteligencia artificial de “Skynet” (nombre que recibe la inteligencia artificial que lidera al ejército de las máquinas en la saga de películas Terminator) hicieran una rebelión contra el mundo convencional, idea que solo parecía un guion de película, pero en realidad esta teoría ya había sido fijada por Arthur Samuel en 1959. El científico e investigador en inteligencia artificial, había formulado que mientras el procesamiento tradicional se basa en seguir una serie de instrucciones estáticas, previamente programadas, los sistemas inteligentes se basan en algoritmos que se auto-modifican (o aprenden) de forma dinámica en función de la información que van recibiendo.

En base a esto, surge Machine Learning, que es una disciplina científica que dota a los ordenadores la capacidad de aprender sin necesidad de ser programados, es decir, aprenden automáticamente sin intervención humana. Machine Learning se ha convertido en la herramienta protagonista del comercio electrónico. Actualmente, ya es utilizada por las empresas con el fin de pronosticar acciones de mercadotecnia convenientes, conseguir clientes y prevenir fracasos en el mercado.

Javier Goilenberg, Co-fundador de Real Trends (plataforma líder en herramientas de análisis y gestión para vendedores de Mercado Libre) es uno de los pioneros en utilizar herramientas de Machine Learning en su campo de trabajo.

Goilenberg atribuye al tema que:  “Sin ir más lejos, hoy está presente en el día a día de plataformas de entretenimiento tales como Spotify, que recomienda listas y artistas a partir de lo que un usuario escucha anteriormente, en otro caso como Netflix, que sugiere las series y películas que nos pueden gustar. De igual forma, en redes sociales como Facebook, Instagram o LinkedIn, nos sugieren personas o marcas que pueden resultarnos atractivas para agregar a nuestra red de contactos.”

¿Cómo funciona Machine Learning?

El funcionamiento de las herramientas de Machine Learning, están inspiradas en las estructuras del procesamiento del cerebro humano. Las máquinas analizan datos y reconocen patrones para luego reproducirlos. La información en el cerebro humano, viaja de neurona a neurona hasta llegar a una final, que permita la interpretación o expresión de la misma, a través de los sentidos. Es así, como funciona el manejo de información en un ordenador tecnológico aplicado al aprendizaje.

Machine Learning se clasifica en “supervising learning” (supervisado) y “unsupervising learning” (no supervisado). En la primera clasificación, se proporciona a la red una serie de datos de entrenamiento junto con el resultado esperado tras procesarlos. De este modo, la red ajusta sus propios pesos para obtener dichos resultados, como es el caso de, Google SPAM. Por otra parte, en la segunda clasificación, la propia red se auto-organiza a partir de los datos que recibe sin ninguna directriz externa, lo que resulta muy útil para problemas cuyas soluciones o resultados se desconoce. El aprendizaje no supervisado, es usado en el análisis de datos científicos, pues ayuda a clasificar patrones o anomalías de grandes volúmenes, como segmentación de clientes, análisis de redes sociales, basándose en comportamientos o tendencias.

En el Grupo de Sistemas Neuromórficos del Instituto de Microelectrónica de Sevilla (IMSE), tiene experiencia en investigación Machine Learning y trabaja con un modelo que se puede describir mediante la operación matemática de la convolución, la cual, transforma dos funciones f y g en una tercera función que en cierto sentido, representa la magnitud en la que se superponen f y una versión trasladada e invertida de g.

IMSE, trabaja en la implementación hardware de redes neuronales convolucionales y en métodos de aprendizaje automático. Mientras que en una red genérica cada neurona de una capa se conecta con todas las neuronas de la capa siguiente, en una red convolucional cada neurona de una capa se conecta solamente a un subconjunto de neuronas de la siguiente capa mediante un campo proyectivo.

Aplicaciones de Machine Learning

Actualmente, el uso de Machine Learning es aplicable en el sector empresarial y resulta ser sumamente conveniente, ya que, permite predecir comportamientos y posibilidades de acción de cualquier sucursal de la empresa.

Por ejemplo, una empresa telefónica puede saber cuáles clientes podrían estar en peligro de perderse o cancelar su servicio. Sin embargo, el uso de esta disciplina es más notable en las páginas de compras online y en las redes sociales, al generar recomendaciones de páginas, productos, videos que son del gusto del usuario, ubicar anuncios publicitarios que sean más atractivos para el usuario de internet, entre otras funciones.

Así también, el uso de Machine Learning, puede ser utilizado para predecir el tráfico urbano, fallos en equipos tecnológicos, prever empleados rentables para una empresa, generar ventas de productos en redes sociales, seleccionar los horarios de mayor interacción en redes sociales y hacer pre diagnósticos médicos.

¿Cuál es el futuro de Machine Learning?

De acuerdo a la compañía española Adinton, el comercio digital combinado con la inteligencia artificial incrementa hasta un 100 por ciento la interacción en las ventas, lo que representa una tendencia a que el Machine Learning, cada vez se hará más presente en cualquier ámbito.

Por otra parte, Juniper Research, ha pronosticado que para el 2021, se destinarán a asistentes digitales (como Siri), 12 mil millones de dólares del gasto publicitario y que además, se generará una cantidad de datos en tiempo real que será imposible de contabilizar.

Aunque todavía parezca lejana la posibilidad de que las máquinas sean conscientes y se rebelen en el mundo, las aplicaciones técnicas y algoritmos que trabajan para Machine Learning, serán más extensos en los próximos años y se estima que se incremente la capacidad de autoaprendizaje de las redes neuronales artificiales, convirtiendo a Machine Learning en una herramienta fundamental para el desarrollo de cualquier ámbito del mundo real.

Estefanía López (Comunicación y Difusión PIT-UAS)