El Machine Learning es una rama específica de las ciencias de la computación y la Inteligencia Artificial donde se crean sistemas capaces de aprender automáticamente.
Esta rama empezó su estudio y desarrollo alrededor de los años 80 y hoy día está bastante desarrollada. Por esta misma razón, tanto las Inteligencias Artificiales como el Machine Learning es usado en muchos ámbitos tanto científicos como cotidianos.
En esta rama, las IAs están conformadas por uno o varios algoritmos capaces procesar grandes cantidades de datos y aprender en consecuencia. Las dos ideas clave sobre la que orbita este tema son:
- El sistema debe ser capaz de analizar datos y construir habilidades que no tenía en su nacimiento.- La Inteligencia debe ser capaz de hacer los trabajos de forma autónoma, es decir, sin supervisión humana.
En el mundo real tenemos ejemplos prácticos como la clasificación de spam en correos electrónicos, las recomendaciones relacionadas en Amazon o las predicciones de futuro usando datos de empresas. Este último es un apartado interesante por la que cada vez más compañías están apostando.
Usando el Machine Learning podemos ver qué patrones identifican a clientes insatisfechos o exclientes para intentar mejorar la relación con otros usuarios en su mismo estado. Se estudia la antigüedad, número de quejas, planes contratados y demás para crear ciertos perfiles. Una vez obtenidas las conclusiones de la IA, un grupo de expertos en marketing pueden crear una campaña específica para combatir esos problemas.
Así, la empresa puede crear planes para atraer o mantener clientes en base a ciertas presuposiciones y se pasa de una estrategia reactiva a una proactiva. Es una táctica muy interesante que usa Inteligencias Artificiales, grandes cantidades de datos y el Machine Learning.
Para que una Inteligencia Artificial esté preparada tiene que pasar por diferentes fases:
1- Primero pasa por un entorno controlado. Aquí se le introducen una gran cantidad de datos y sus respectivos resultados con los que podrá crear relaciones entre ideas. A esta parte se le llama Aprendizaje Supervisado.
2- Luego, se le pone en un entorno libre y sin respuestas donde la misma IA tendrá que seleccionar un resultado. Al conocer si sus respuestas son acertadas o no, crea nuevas reglas en su algoritmo. A esta etapa se le llama Aprendizaje no Supervisado.
3- Por último, se le prepara un entorno donde se le entrenan las habilidades que flaquea. Si por ejemplo le cuesta diferenciar imágenes con baja luminosidad, quizás se le entrena con fotos nocturnas. Esta fase se llama Aprendizaje de Refuerzo. El proceso se puede desde el paso 2 tantas veces como se quiera afinar a la Inteligencia.
Un ejemplo práctico sería enseñarle a una IA diez millones de fotos y decirle en cuáles hay perros y cuáles no. Aquí relacionará que los perros suelen tener pelaje, suelen ir en cuatro patas y hay diferentes formas y tamaños según la raza.
Después, se le da un millón de fotos para que las clasifique. Aquí deberá responder si hay un perro o no en la foto y según si acierta o no creará nuevas ‘ideas’ en su base de datos. Para implementar estos nuevos datos, la Inteligencia establecerá nuevas reglas en su algoritmo y ahora, por ejemplo, será capaz de diferenciar perros de gatos.
Por último, se estudia su eficiencia y se le preparan nuevas fotos para entrenar sus puntos débiles.
Desde luego, este es un sistema sencillo y muy repetido para la demostración, pero existen otros métodos más experimentales y peculiares.