El aprendizaje automático (ó ML, por sus siglas en inglés) es un tipo de inteligencia artificial (IA) que se centra en la creación de sistemas informáticos que aprenden de los datos. La amplia gama de técnicas que engloba el ML permite a las aplicaciones informáticas mejorar su rendimiento con el tiempo.
Los algoritmos de aprendizaje automático se entrenan para encontrar relaciones y patrones en los datos. Utilizan datos históricos como entrada para hacer predicciones, clasificar información, agrupar puntos de datos, reducir la dimensionalidad e incluso ayudar a generar contenido nuevo, como demuestran nuevas aplicaciones impulsadas por el ML como ChatGPT, Dall-E 2 y GitHub Copilot.
El aprendizaje automático es ampliamente aplicable en muchos sectores. Los motores de recomendación, por ejemplo, se utilizan en el comercio electrónico, las redes sociales y las organizaciones de noticias para sugerir contenidos basados en el comportamiento anterior del cliente. Los algoritmos de aprendizaje automático y la visión artificial son un componente esencial de los coches autónomos, que les ayudan a circular por las carreteras con seguridad. En sanidad, el aprendizaje automático se utiliza para diagnosticar y sugerir planes de tratamiento. Otros casos habituales de uso del ML son la detección de fraudes, el filtrado de spam, la detección de amenazas de malware, el mantenimiento predictivo y la automatización de procesos empresariales.
Aunque el aprendizaje automático es una potente herramienta para resolver problemas, mejorar las operaciones empresariales y automatizar tareas, también es una tecnología compleja y difícil, que requiere profundos conocimientos y recursos significativos. Elegir el algoritmo adecuado para una tarea requiere un gran dominio de las matemáticas y la estadística. El entrenamiento de algoritmos de aprendizaje automático suele requerir grandes cantidades de datos de buena calidad para producir resultados precisos. Los propios resultados pueden ser difíciles de entender, sobre todo los producidos por algoritmos complejos, como las redes neuronales de aprendizaje profundo inspiradas en el cerebro humano. Y los modelos de aprendizaje automático pueden resultar costosos de ejecutar y ajustar.
Aun así, la mayoría de las organizaciones, ya sea directa o indirectamente a través de productos con ML, están adoptando el aprendizaje automático. Según el informe «2023 AI and Machine Learning Research Report» de Rackspace Technology, el 72% de las empresas encuestadas afirmó que la IA y el aprendizaje automático forman parte de sus estrategias empresariales y de TI, y el 69% describió la IA/ML como la tecnología más importante. Las empresas que la han adoptado afirman utilizarla para mejorar los procesos existentes (67%), predecir el rendimiento empresarial y las tendencias del sector (60%) y reducir el riesgo (53%).
Esta guía es un manual básico sobre este importante campo de la informática, que explica en detalle qué es el aprendizaje automático, cómo se hace y cómo se aplica en las empresas. Encontrará información sobre los distintos tipos de algoritmos de aprendizaje automático, los retos y las mejores prácticas asociadas al desarrollo y la implantación de modelos de aprendizaje automático, y lo que depara el futuro para el aprendizaje automático. A lo largo de la guía, hay hipervínculos a artículos relacionados que tratan los temas con mayor profundidad.
¿Por qué es importante el aprendizaje automático?
El aprendizaje automático ha desempeñado un papel progresivamente central en la sociedad humana desde sus inicios a mediados del siglo XX, cuando pioneros de la IA como Walter Pitts, Warren McCulloch, Alan Turing y John von Neumann sentaron las bases de la computación. El entrenamiento de las máquinas para que aprendan de los datos y mejoren con el tiempo ha permitido a las organizaciones automatizar tareas rutinarias que antes hacían los humanos, lo que en principio nos libera para realizar un trabajo más creativo y estratégico.
El aprendizaje automático también realiza tareas manuales que están más allá de nuestra capacidad de ejecución a escala, por ejemplo, el procesamiento de las enormes cantidades de datos que generan hoy en día los dispositivos digitales. La capacidad del aprendizaje automático para extraer patrones y conocimientos de grandes conjuntos de datos se ha convertido en un diferenciador competitivo en campos que van desde las finanzas y el comercio minorista hasta la atención sanitaria y los descubrimientos científicos. Muchas de las principales empresas actuales, como Facebook, Google y Uber, hacen del aprendizaje automático una parte fundamental de sus operaciones.
A medida que siga proliferando el volumen de datos generados por las sociedades modernas, el aprendizaje automático será probablemente aún más vital para los humanos y esencial para la propia inteligencia de las máquinas. La tecnología no sólo nos ayuda a dar sentido a los datos que creamos, sino que, sinérgicamente, la abundancia de datos que creamos refuerza aún más las capacidades de aprendizaje basadas en datos del ML.
¿Qué saldrá de este bucle de aprendizaje continuo? El aprendizaje automático es un camino hacia la inteligencia artificial, que a su vez alimenta los avances en ML que mejoran igualmente la IA y difuminan progresivamente los límites entre la inteligencia de las máquinas y el intelecto humano.
¿Cuáles son los diferentes tipos de aprendizaje automático?
El aprendizaje automático clásico se suele clasificar según la forma en que un algoritmo aprende a ser más preciso en sus predicciones. Hay cuatro tipos básicos de aprendizaje automático: aprendizaje supervisado, aprendizaje no supervisado, aprendizaje semi-supervisado y aprendizaje por refuerzo.
El tipo de algoritmo que eligen los científicos de datos depende de la naturaleza de los datos. Muchos de los algoritmos y técnicas no se limitan a uno solo de los tipos principales de ML enumerados aquí. A menudo se adaptan a varios tipos, en función del problema que haya que resolver y del conjunto de datos. Por ejemplo, los algoritmos de aprendizaje profundo, como las redes neuronales convolucionales y las redes neuronales recurrentes, se utilizan en tareas de aprendizaje supervisado, no supervisado y de refuerzo, en función del problema específico y de la disponibilidad de datos.
Aprendizaje automático vs redes neuronales de aprendizaje profundo
El aprendizaje profundo es un subcampo del aprendizaje automático que se ocupa específicamente de las redes neuronales que contienen múltiples niveles, es decir, redes neuronales profundas. Los modelos de aprendizaje profundo pueden aprender y extraer automáticamente características jerárquicas de los datos, haciéndolos efectivos en tareas como el reconocimiento de imágenes y voz.
¿Cómo funciona el aprendizaje automático supervisado?
En el aprendizaje supervisado, los científicos de datos proporcionan a los algoritmos datos de entrenamiento etiquetados y definen las variables que quieren que el algoritmo evalúe en busca de correlaciones. Tanto la entrada como la salida del algoritmo se especifican en el aprendizaje supervisado. Al principio, la mayoría de los algoritmos de aprendizaje automático funcionaban con aprendizaje supervisado, pero los enfoques no supervisados se están popularizando.
Los algoritmos de aprendizaje supervisado se utilizan para varias tareas, entre ellas las siguientes:
- Clasificación binaria. Divide los datos en dos categorías.
- Clasificación multiclase. Elige entre más de dos tipos de respuestas.
- Ensamblaje. Combina las predicciones de varios modelos ML para obtener una predicción más precisa.
- Modelado de regresión. Predice valores continuos basándose en relaciones dentro de los datos.
¿Cómo funciona el aprendizaje automático no supervisado?
Los algoritmos de aprendizaje automático no supervisado no requieren que los datos estén etiquetados. Tamizan los datos sin etiquetar para buscar patrones que puedan utilizarse para agrupar puntos de datos en subconjuntos. La mayoría de los tipos de aprendizaje profundo, incluidas las redes neuronales, son algoritmos no supervisados.
Los algoritmos de aprendizaje no supervisado son buenos para las siguientes tareas:
- Agrupación. Dividir el conjunto de datos en grupos basados en la similitud utilizando algoritmos de agrupación.
- Detección de anomalías. Identificar puntos de datos inusuales en un conjunto de datos mediante algoritmos de detección de anomalías.
- Reglas de asociación. Descubrimiento de conjuntos de elementos de un conjunto de datos que frecuentemente ocurren juntos mediante la minería de reglas de asociación.
- Reducción de la dimensionalidad. Reducción del número de variables de un conjunto de datos mediante técnicas de reducción de la dimensionalidad.
¿Cómo funciona el aprendizaje semi-supervisado?
El aprendizaje semi-supervisado funciona alimentando un algoritmo con una pequeña cantidad de datos de entrenamiento etiquetados. A partir de estos datos, el algoritmo aprende las dimensiones del conjunto de datos, que luego puede aplicar a nuevos datos no etiquetados. El rendimiento de los algoritmos suele mejorar cuando se entrenan con conjuntos de datos etiquetados. Pero etiquetar datos puede llevar mucho tiempo y resultar caro. Este tipo de aprendizaje automático logra un equilibrio entre el rendimiento superior del aprendizaje supervisado y la eficacia del aprendizaje no supervisado.
El aprendizaje semisupervisado puede utilizarse, entre otras, en las siguientes áreas:
- Traducción automática. Enseña a los algoritmos a traducir el lenguaje basándose en menos de un diccionario completo de palabras.
- Detección de fraudes. Identifica casos de fraude cuando sólo hay unos pocos ejemplos positivos.
- Etiquetado de datos. Los algoritmos entrenados en pequeños conjuntos de datos aprenden a aplicar automáticamente etiquetas de datos a conjuntos más grandes.
¿Cómo funciona el aprendizaje por refuerzo?
El aprendizaje por refuerzo funciona programando un algoritmo con un objetivo definido y un conjunto de reglas para alcanzarlo. Un científico de datos también programará el algoritmo para que busque recompensas positivas por realizar una acción que sea beneficiosa para alcanzar su objetivo final y para que evite castigos por realizar una acción que lo aleje de su objetivo.
El aprendizaje por refuerzo se utiliza a menudo en las siguientes áreas:
- Robótica. Los robots aprenden a realizar tareas en el mundo físico.
- Videojuego. Enseña a los robots a jugar a videojuegos.
- Gestión de recursos. Ayuda a las empresas a planificar la asignación de recursos.
¿Cómo elegir y construir el modelo de aprendizaje automático adecuado?
Desarrollar el modelo de aprendizaje automático adecuado para resolver un problema puede ser complejo. Requiere diligencia, experimentación y creatividad, como se detalla en un plan de siete pasos sobre cómo construir un modelo de ML, cuyo resumen se presenta a continuación:
1. Comprender el problema empresarial y definir criterios de éxito. El objetivo es convertir los conocimientos del grupo sobre el problema empresarial y los objetivos del proyecto en una definición adecuada del problema para el aprendizaje automático. Las preguntas deben incluir por qué el proyecto requiere aprendizaje automático, qué tipo de algoritmo es el más adecuado para el problema, si hay requisitos de transparencia y reducción de sesgos, y cuáles son las entradas y salidas esperadas.
2. Comprender e identificar las necesidades de datos. Determine qué datos son necesarios para construir el modelo y si están en condiciones para la ingestión del modelo. Las preguntas deben incluir cuántos datos se necesitan, cómo se dividirán los datos recopilados en conjuntos de prueba y de entrenamiento, y si se puede utilizar un modelo ML pre-entrenado.
3. Recopilar y preparar los datos para el entrenamiento del modelo. Las acciones incluyen limpiar y etiquetar los datos; sustituir los datos incorrectos o que faltan; mejorar y aumentar los datos; reducir el ruido y eliminar la ambigüedad; anonimizar los datos personales; y dividir los datos en conjuntos de entrenamiento, prueba y validación.
4. Determinar las características del modelo y entrenarlo. Seleccionar los algoritmos y técnicas adecuados. Establecer y ajustar los hiperparámetros, entrenar y validar el modelo y, a continuación, optimizarlo. Dependiendo de la naturaleza del problema empresarial, los algoritmos de aprendizaje automático pueden incorporar capacidades de comprensión del lenguaje natural, como redes neuronales recurrentes o transformadores diseñados para tareas de Procesamiento de Lenguaje Natural. Además, pueden utilizarse algoritmos de refuerzo para optimizar modelos de árboles de decisión.
5. Evaluar el rendimiento del modelo y establecer puntos de referencia. El trabajo aquí abarca los cálculos de la matriz de confusión, los indicadores clave de rendimiento empresarial, las métricas de aprendizaje automático, las mediciones de la calidad del modelo y la determinación de si el modelo puede cumplir los objetivos empresariales.
6. Implantar el modelo y supervisar su rendimiento en producción. Esta parte del proceso se conoce como operacionalización del modelo y normalmente la llevan a cabo en colaboración ingenieros de ciencia de datos y aprendizaje automático. Mida continuamente el rendimiento del modelo, desarrolle una referencia con la que medir futuras iteraciones del modelo e itere para mejorar el rendimiento general. Los entornos de implementación pueden estar en la nube, en el edge o en las instalaciones.
7. Perfeccionar y ajustar continuamente el modelo en producción. Incluso después de que el modelo ML esté en producción y supervisado continuamente, el trabajo continúa. Los requisitos empresariales, las capacidades tecnológicas y los datos del mundo real cambian de forma inesperada, lo que puede dar lugar a nuevas demandas y requisitos.
Aplicaciones de aprendizaje automático para empresas
El aprendizaje automático se ha convertido en parte integral del software empresarial que gestiona las organizaciones. Los siguientes son algunos ejemplos de cómo diversas disciplinas utilizan el ML:
- Inteligencia empresarial (BI). El software de BI y análisis predictivo utiliza algoritmos de aprendizaje automático, como la regresión lineal y la regresión logística, para identificar puntos de datos significativos, patrones y anomalías en grandes conjuntos de datos.
- Gestión de relaciones con clientes (CRM). Las aplicaciones clave del aprendizaje automático en CRM incluyen el análisis de datos de clientes para segmentar clientes, predecir comportamientos como la deserción, hacer recomendaciones, ajustar precios, optimizar campañas de correo electrónico, brindar soporte de chatbot y detectar fraude.
- Seguridad y cumplimiento. Los algoritmos avanzados, como la detección de anomalías y las técnicas de máquinas de vectores de soporte (SVM), identifican el comportamiento normal y las desviaciones, lo que resulta crucial para identificar posibles ciberamenazas. Las SVM encuentran la mejor línea o frontera que divide los datos en diferentes grupos separados por el mayor espacio posible.
- Sistemas de información de recursos humanos. Los modelos ML agilizan el proceso de contratación filtrando las solicitudes e identificando a los mejores candidatos para un puesto vacante.
- Gestión de la cadena de suministro. Las técnicas de aprendizaje automático optimizan los niveles de inventario, agilizan la logística, mejoran la selección de proveedores y abordan de forma proactiva las interrupciones de la cadena de suministro.
- Procesamiento del lenguaje natural. Los modelos de ML permiten a asistentes virtuales como Alexa, Google Assistant y Siri interpretar y responder al lenguaje humano.
¿Cuáles son las ventajas y desventajas del aprendizaje automático?
La capacidad del aprendizaje automático para identificar tendencias y predecir resultados con mayor precisión que los métodos que se basan estrictamente en estadísticas convencionales -o en la inteligencia humana- proporciona una ventaja competitiva a las empresas que despliegan el ML con eficacia. El aprendizaje automático puede beneficiar a las empresas de varias maneras:
- Analizando datos históricos para retener clientes.
- Lanzamiento de sistemas de recomendación para aumentar los ingresos.
- Mejora de la planificación y las previsiones.
- Evaluación de patrones para detectar fraudes.
- Aumentar la eficiencia y reducir costes.
Pero el aprendizaje automático también tiene desventajas. En primer lugar, puede ser caro. Los proyectos de aprendizaje automático suelen estar dirigidos por científicos de datos, que cobran salarios elevados. Estos proyectos también requieren una infraestructura de software que puede ser cara. Y las empresas pueden encontrarse con muchos más retos.
Existe el problema del sesgo del aprendizaje automático. Los algoritmos entrenados en conjuntos de datos que excluyen a ciertas poblaciones o contienen errores pueden conducir a modelos inexactos del mundo que, en el mejor de los casos, fallan y, en el peor, son discriminatorios. Cuando una empresa basa sus procesos comerciales centrales en modelos sesgados, puede sufrir daños regulatorios y de reputación.
Importancia del aprendizaje automático interpretable por humanos
Explicar cómo funciona un modelo específico de aprendizaje automático puede resultar complicado cuando el modelo es complejo. En algunos sectores verticales, los científicos de datos deben utilizar modelos de aprendizaje automático sencillos porque es importante para la empresa explicar cómo se ha tomado cada decisión. Esto es especialmente cierto en los sectores que tienen grandes cargas de cumplimiento, como la banca y los seguros. Los científicos de datos a menudo tienen que encontrar un equilibrio entre la transparencia y la precisión y eficacia de un modelo. Los modelos complejos pueden producir predicciones precisas, pero explicar a un profano -o incluso a un experto- cómo se determinó un resultado puede resultar difícil.
Ejemplos de aprendizaje automático en la industria
El aprendizaje automático se ha adoptado ampliamente en todos los sectores. Estos son algunos de los sectores que utilizan el aprendizaje automático para satisfacer sus necesidades de mercado:
- Servicios financieros. La evaluación de riesgos, el comercio algorítmico, el servicio al cliente y la banca personalizada son áreas en las que las empresas de servicios financieros aplican el aprendizaje automático. Capital One, por ejemplo, desplegó ML para la defensa de tarjetas de crédito, que la empresa sitúa en la categoría más amplia de detección de anomalías.
- Industria farmacéutica. Los fabricantes de medicamentos utilizan el ML para el descubrimiento de fármacos, en ensayos clínicos y en la fabricación de medicamentos. Eli Lilly ha creado modelos de IA y ML, por ejemplo, para encontrar los mejores lugares para ensayos clínicos y aumentar la diversidad de participantes. Según la empresa, los modelos han reducido drásticamente los plazos de los ensayos clínicos.
- Fabricación. Los casos de uso de mantenimiento predictivo son frecuentes en la industria manufacturera, donde una avería en los equipos puede provocar costosos retrasos en la producción. Además, el aspecto de visión por computadora del aprendizaje automático puede inspeccionar los artículos que salen de una línea de producción para garantizar el control de calidad.
- Seguros. Los motores de recomendación pueden sugerir opciones a los clientes en función de sus necesidades y de cómo otros clientes se han beneficiado de productos de seguros específicos. El aprendizaje automático también es útil en la suscripción y la tramitación de siniestros.
- Comercio minorista. Además de los sistemas de recomendación, los minoristas utilizan la visión artificial para la personalización, la gestión de inventarios y la planificación de los estilos y colores de una determinada línea de moda. La previsión de la demanda es otro caso de uso clave.
¿Cuál es el futuro del aprendizaje automático?
Impulsado por el enorme volumen de investigación de empresas, universidades y gobiernos de todo el mundo, el aprendizaje automático es un objetivo en rápida evolución. Los avances en IA y ML parecen producirse a diario, dejando obsoletas las prácticas aceptadas casi tan pronto como se aceptan. Una cosa que puede decirse con certeza sobre el futuro del aprendizaje automático es que seguirá desempeñando un papel central en el siglo XXI, transformando la forma en que se hace el trabajo y la forma en que vivimos.
En el campo del procesamiento del lenguaje natural (PLN), la mejora de los algoritmos y la infraestructura dará lugar a una IA conversacional más fluida, modelos de ML más versátiles capaces de adaptarse a nuevas tareas y modelos lingüísticos personalizados y ajustados a las necesidades de las empresas.
Se espera que el campo de la visión por computador, en rápida evolución, tenga un profundo efecto en muchos ámbitos, desde la sanidad, donde desempeñará un papel cada vez más importante en el diagnóstico y la supervisión a medida que mejore la tecnología, hasta la ciencia medioambiental, donde podría utilizarse para analizar y supervisar hábitats, pasando por la ingeniería de software, donde es un componente básico de las tecnologías de realidad aumentada y virtual.
A corto plazo, las plataformas de aprendizaje automático se encuentran entre los ámbitos más competitivos de la tecnología empresarial. Grandes proveedores como Amazon, Google, Microsoft, IBM y OpenAI se apresuran a contratar servicios de plataformas automatizadas de aprendizaje automático que cubren todo el espectro de actividades de ML, incluida la recopilación de datos, su preparación, clasificación, creación de modelos, formación y despliegue de aplicaciones.
En medio del entusiasmo, las empresas se enfrentarán a muchos de los mismos retos que presentaban las anteriores tecnologías punteras y en rápida evolución. Los nuevos retos incluyen la adaptación de la infraestructura heredada a los sistemas de aprendizaje automático, la mitigación de los sesgos del ML y la determinación de la mejor manera de utilizar estos nuevos e impresionantes poderes de la IA para generar beneficios para las empresas, a pesar de los costes.