¿Qué es machine learning?

Podríamos definir Machine Learning como "un campo de estudio que da posibilita a las máquinas aprender sin estar específicamente programadas", siguiendo la explicación de machine learning que hizo Arthur Samuel (1901-1990), uno de los pioneros de esta tecnología. Se refiere a la capacidad de las máquinas para analizar fuentes de datos y extraer de ellas patrones y tendencias que permitan anticipar acciones y comportamientos. En un plano superior, la máquina podría aplicar a nuevos casos o campos el conocimiento acumulado en otros sectores o incluso tomar sus propias decisiones.

Inteligencia Artificial y Machine Learning

El machine learning está íntimamente relacionado con la inteligencia artificial, pero no son lo mismo. De hecho, Inteligencia Artificial sería un término más o menos genérico que engloba muchas otras realidades, entre ellas el machine learning, la inteligencia cognitiva o las redes neuronales, que ahora explicaremos.

El machine learning tiene su origen en una escisión de las investigaciones sobre inteligencia artificial, alrededor de 1980. Los científicos se centraron en la alimentación de una inteligencia artificial con fuentes de datos, lo que dio origen al machine learning como nueva rama de conocimiento, no obstante dentro del campo de la IA.

La complejidad de la inteligencia artificial, que busca emular en máquinas el funcionamiento de la inteligencia humana, ha llevado a este campo a dividir sus investigaciones en distintas áreas. Aparte del machine learning están la inteligencia cognitiva, que "intenta simular la forma de pensar de un humano, es decir, razonar para que se tomen decisiones basadas en otros factores fuera de patrones comunes", en palabras de Xabi Uribe-Etxebarria, fundador y CEO de Sherpa, un asistente virtual desarrollado en Bilbao (España) que utiliza estas técnicas. "Te ayuda a tomar decisiones en lugar de decirte qué decisión tomar", añade.

Por su parte, las redes neuronales son una "técnica dentro de la inteligencia artificial que trata de simular el comportamiento de las neuronas en un cerebro", relata Xabi Uribe-Etxebarria. Una aproximación aún más específica al comportamiento de la inteligencia artificial como lo hace el cerebro humano. Técnicas que están en desarrollo en la actualidad y que presentan un increíble potencial que iremos viendo durante los próximos años.

¿Cómo funciona el machine learning?

La inteligencia artificial tiene que ser alimentada con datos que permitan la consecución de los objetivos para los que ha sido creada. El machine learning es la técnica que entrena a la IA, pero existen varias formas de hacerlo. Una de ellas es mediante aprendizaje supervisado: la máquina recibe grandes cantidades de información clasificada para que pueda aprender las características y diferencias de cada elemento. Un ejemplo sería intentar enseñar a la IA a diferenciar entre un perro y un gato. En este caso, la máquina recibiría cientos de imágenes de perros y gatos etiquetadas como tales, de manera que podrá observar características y asociarlas a una etiqueta para poder reconocerlos en el futuro.

Otra modalidad, el aprendizaje no supervisado, implica crear un algoritmo capaz de identificar características de algo y aplicarlas a lo que observa. En este caso, es necesario que la cantidad de datos incluidos en la máquina sean aún mayores, dado que cuanta más información posea, mayor porcentaje de éxito arrojará. Siguiendo con el caso anterior, debería recibir miles de imágenes de perros y gatos, que analizaría hasta el punto de aprender coincidencias y características útiles para diferenciarlas: podría etiquetarlas en diferentes grupos automáticamente.

Además de las anteriores está el aprendizaje reforzado. Esta técnica es la que ha permitido a 'AlphaGO', una máquina desarrollada por Google, ganar al campeón mundial de GO, un juego de mesa muy popular en Asia. Los ingenieros cargan cientos de partidas del juego en la memoria de la máquina distinguiendo las que acabaron con triunfo o con derrota, así como los movimientos que se hicieron (pero sin especificar si fueron buenos o malos). La máquina analiza la información hasta ser capaz de identificar qué movimientos proporcionan mayor probabilidad de ganar el juego.

¿Para qué sirve el machine learning?

La respuesta más sencilla es también la más compleja y enigmática: todavía no lo sabemos, principalmente porque su potencial es casi ilimitado. Sí sabemos que ayudará a detectar y tratar enfermedades (podrá relacionar síntomas con males concretos, y estos con tratamientos que ofrezcan mayores posibilidades de curación), a detectar fraudes (determinados comportamientos podrían indicar que está sucediendo algo, basándose en casos anteriores), reconocimiento de voz (al identificar palabras con acciones) y un sinfín de campos en los que los datos puedan aportar patrones y tendencias que permitan planear e incluso adelantar acciones. Es decir: a casi todo lo imaginable.