Ahora que las máquinas aprenden por sí mismas y las unas de las otras sin necesidad de intervención humana. Ahora que aprenden en un universo tecnológico que se desarrolla en paralelo al mundo tal y como lo conocemos, ¿qué papel jugaremos los de carne y hueso en el futuro?

Bueno, antes de echarnos las manos a la cabeza y viajar en el mítico DeLoreande “Regresa al Futuro” hacia una sociedad distópica gobernada por las máquinas al más puro estilo “Terminator”, vamos a tratar de entender qué es el machine learning o aprendizaje automático del que cada vez oímos hablar más.

El machine learning es un tipo de inteligencia artificial que permite a las máquinas aprender por sí mismas, sin necesidad de ser programadas por una persona previamente. Con el aprendizaje automático, las máquinas son capaces de aprender de forma constante y no solo para realizar las tareas para las que han sido creadas en un primer momento. El machine learning va mucho más allá.

Los programas informáticos que rigen el funcionamiento de estas máquinas, cambian y se adaptan ante nuevos entornos y retos. Al recibir nuevos datos, las máquinas consiguen procesarlos por sí mismas para adaptar su comportamiento. Por tanto, la propia máquina es capaz de analizar, desarrollar e implementar métodos que le permitirán evolucionar, siguiendo un proceso de aprendizaje propio.

Esta tecnología avanza sin descanso, tanto, que ya prácticamente no podemos considerarla una “nueva tecnología” porque su evolución es diaria. Como hemos detectado que existen algunas lagunas en este ámbito, hemos preparado esta guía básica para entender qué es el machine learning o aprendizaje automático en ocho conceptos.

La Singularidad Tecnológica

Para intentar descubrir hacia donde nos lleva el presente es recomendable coger impulso visitando el pasado. Por eso, en este viaje que estamos realizando en nuestro DeLorean particular, ahora viajamos hacia el pasado donde nos topamos con un concepto que ha sido bastante polémico desde que surgiera en 1965 partiendo de la Ley de Moore, actualizada posteriormente con la Ley de Rendimientos Acelerados por el ingeniero de Google, Ray Kurzweil: hablamos del concepto de Singularidad Tecnológica.

La singularidad tecnológicapretende predecir hacia donde nos lleva este desarrollo tecnológico. Kurzweil asegura que este avance de la tecnología provocará que la máquina supere en inteligencia al humano y se produzca una ruptura en la historia de la humanidad. Este proceso de cambio tecnológico sería tan acelerado que el humano no alcanzaría a comprenderlo y las consecuencias serían impredecibles. Algunos investigadores apuntan al año 2045 como el momento en el que se alcanzaría la Singularidad Tecnológica. Por el momento, tan solo es una hipótesis más o menos sensacionalista, pero es importante conocer este concepto cuando hablamos de machine learning e inteligencia artificial.

Deep Learning

El Deep Learning o aprendizaje profundo es otro concepto muy escuchado en machine learning que viene a referirse a lo que hemos estado comentando: las máquinas que aprenden por sí solas y se acercan a la lógica humana. El proyecto Blue Brain​ ya trabaja en esta dirección para entender el comportamiento del cerebro humano para crear una simulación en la máquina.

Redes neuronales artificiales

Dentro del Deep Learning encontramos las redes neuronales artificiales, el algoritmo más empleado hasta la fecha y, como los programas de software de machine learning,  están diseñados a imagen y semejanza del cerebro humano. De hecho, los imitan empleando millones de unidades computacionales que podríamos asemejar a las redes neuronales del cerebro humano.

Estas redes neuronales artificiales incrementan su capacidad de aprendizaje a cada minuto, y lo hacen de forma autónoma, sin necesidad de que nadie las supervise. Esta capacidad de aprendizaje se desarrolla en función de los estímulos externos que la red neuronal artificial esté recibiendo.

Esta red de unidades computacionales se organiza por capas a través de las cuales la información se propaga hasta llegar a una capa final en la que el sistema toma una decisión. Este aprendizaje, por el momento, puede estar supervisado o no supervisado, pero existe una tendencia creciente que apunta a un mayor desarrollo en el aprendizaje no supervisado por su utilidad para resolver problemas para los que no encontramos soluciones en la actualidad.

Algoritmos supervisados y no supervisados

Como decíamos, el aprendizaje de estas máquinas puede darse de forma supervisada o no supervisada. Es decir, en el aprendizaje supervisado el sistema recibe las directrices humanas a través de algoritmos que pautan una línea de entrenamiento, así como los resultados finales que queremos obtener.

En los algoritmos no supervisados, por el contrario, es el propio sistema el que se organiza de forma autónoma teniendo en cuenta los estímulos que recibe desde el exterior. En este tipo de aprendizaje no hay intervención humana.

La regresión lineal

La regresión lineal es un algoritmo de inteligencia artificial supervisada aplicable al machine learning. Realiza estimaciones a través de rutinas de cálculo. Estos cálculos se realizan automáticamente y pueden predecir, por ejemplo, los precios de las viviendas en una zona concreta dentro de unos años. Pronostica la demanda a través de una serie de variables independientes y se utiliza cada vez más en machine learning.

Árboles de decisión

El aprendizaje automático se basa en árboles de decisión. Estos árboles son representaciones gráficas que presentan posibles soluciones ante un problema concreto en función de unas condiciones y estímulos determinados. Es un algoritmo de aprendizaje automático muy utilizado en machine learning.

De hecho, esta estructura en árbol es la que empleamos los humanos para tomar decisiones a diario, sea cual sea su complejidad. Estos árboles funcionan desde un punto de vista probabilístico: a través de una serie de atributos (por ejemplo: edad de una persona, clima de un lugar, género, etc.) se otorgan diferentes variables a cada uno de estos atributos. En el caso de género, por ejemplo, serían las variables hombre y mujer. El algoritmo analiza todos estos datos de forma autónoma y llega al árbol de decisión ideal con la decisión que la probabilidad determina como más acertada.

NASNet

El modelo NASNet, desarrollado por Google, clasifica e identifica objetos en fotografías. Quizá esto no te sorprenda mucho, pero si te decimos que el súper algoritmo NASNet ha sido inventado por una máquina y no por un humano, la cosa empieza a cambiar…

NASNet es capaz de acertar el 82,7 % de los elementos que integran una imagen, siendo el algoritmo más potente creado hasta la fecha en este ámbito. Este algoritmo ha sido creado por AutoML —proyecto de Google sobre aprendizaje automático del que hablaremos a continuación— simulando una red neuronal pensada exclusivamente para identificar y reconocer imágenes.

AutoML

Lo prometido es deuda, así que pasamos a explicarte en qué consiste el proyecto AutoML y qué importancia tendrá en nuestro futuro. Como te decíamos antes, AutoML es un proyecto creado por la multinacional Google para impulsar y apoyar a las empresas en la incorporación del machine learning a su día a día.

El AutoML diseña redes neuronales artificiales y especializadas que pueden aplicarse para realizar muy variadas funciones. Estas redes neuronales ya venían diseñándose por parte de la mano humana, la novedad de AutoML radica en que ahora es la propia máquina la que es capaz de crearlas. Pero no solo eso. AutoML es capaz de entrenarse por sí mismo y mejorar de forma constante sus infraestructuras  a través de un proceso automático de prueba-error que se repite miles de veces y que logra que la máquina tome sus propias decisiones de mejora. Suena a pura ciencia ficción, pero es una realidad que ya está entre nosotros.

Cada vez más empresas de todos los ámbitos se están dando cuenta de la ventaja competitiva que pueden obtener aplicando el machine learning o el aprendizaje automático a sus procesos de negocio. La búsqueda de una mayor productividad está llevando a muchas compañías a apostar por soluciones que incorporan aprendizaje automático.

Sin embargo, el avance de esta tecnología es aún lento. Existe conocimiento necesario para que el avance pudiera ser más ágil, pero, tal y como recogía The New York Times en un reciente artículo, por el momento, únicamente existen 10.000 personas en todo el mundo capaces de dar forma a los complejos algoritmos del machine learning.