Machine Learning, Que es y el futuro de sus aplicaciones

Machin Learning que es, el futuro y sus aplicaciones

En la actualidad, seguramente te has percatado, que cuando utilizamos las aplicaciones mas populares del mercado, como Netflix, Google, Amazon o Facebook, en muchas ocasiones van un paso adelante con respecto a lo que deseamos buscar, y tienen un cierto alto grado de certeza para predecir nuestras preferencias.

para citar un ejemplo Netflix, yo que soy un fanático de las películas de la segunda guerra mundial, veo una película digamos “Rescatando al soldado Ryan” y la siguientes ocasiones que acceso al servicio, despliega una serie de películas sobre ese mismo tópico o películas cuyos actores de rescatando al soldado Ryan se han visto involucrado, para mencionar otro ejemplo cuando Facebook trata de identificar al usuario de la cuenta, que después de haber etiquetado en varias ocasiones a ciertos amigos, ya reconoce los patrones y te hace preguntas acerca de quien podría ser determinada persona.

Este tipo de innovación es traído por Machine Learning.

 

Pero que es Machine Learning?

De manera general se podría definir como, el campo de estudio que da a las computadoras la habilidad de aprender sin la necesidad de ser programadas de manera explicita.

Que diferencia tiene Machine Learning a comparación de Inteligencia Artificial.

Yo que crecí en los 80’s, se escuchaba mucho sobre este concepto que sonaba a ciencia ficción, que es Inteligencia Artificial, y lo vimos  en la televisión en películas como Terminator, A.I y WAR Games.

Pero aquí tenemos dos conceptos que tienen similitudes pero no son iguales, inteligencia artificial(Artificial Inteligence) que es un concepto muy extenso que expresa que las maquinas son capaces de efectuar tareas que se consideran inteligentes o “smart” y machine learning es una aplicación de Inteligencia Artificial que se sumerge en la idea que debemos permitir a las maquinas acceso a la información para que ellas puedan aprender por ellas mismas y efectuar tareas como reconocimiento facial, reconocimiento de objetos y traducciones, por lo tanto definiríamos que machine learning es un subconjunto de la Inteligencia artificial.

Machine Learning vs Deep Learning

 Existe otro concepto que también causa confusión, es Deep Learning, cuando diferenciábamos entre ML e Inteligencia Artificial, definíamos que ML es una aplicación que tiene acceso a grandes volúmenes de datos y pueden aprender por ellas mismas, pero Deep Learning es un subconjunto de ML que es la parte “Cutting Edge” o mas moderna de Machine Learning, esta utiliza las mismas técnicas para encontrar soluciones a problemas en tiempo real, tomando ventaja y explotando el uso de  redes neuronales para simular las decisiones como si las efectuara un humano.

Por ejemplo, para instruir a un algoritmo de Deep Learning que reconozca  como luce un “Perro”, requiere de grandes cantidades de datos como imágenes y diferentes tipos parámetros,  de manera que cuando se encuentre una imagen de un perro no lo confunda con un Lobo, Zorro o Coyote.

En muchas ocasiones los algoritmos de Deep Learning, suelen ser parciales y dar resultados cero-positivos, poniendo otro ejemplo, esto paso  con Google cuando iniciaron con el Sistema de reconocimiento facial marcaba algunos rostros de personas, como animales, y exactamente esto pasaba cuando no se incluyeron rostros con diferentes rasgos en el conjunto de datos de entrada.

Poniendo un ejemplo el área de las tarjetas de crédito y los pagos electrónicos, podríamos crear un algoritmo de machine learning que etiquete transacciones que podrían ser fraudulentas,  para esto nosotros introduciríamos un conjunto de datos de operaciones fraudulentas reportadas por los usuarios de estas tarjetas,  este conjunto de datos de entrada lo llamamos “Conjunto de entrenamiento”, cada elemento de este conjunto de datos, lo llamamos “Instancia de entrenamiento” o “muestra”.

Basándonos en este ejemplo, vamos pensando como se detectaban anteriormente operaciones fraudulentas en tarjetas de crédito.

 

  1. El Usuario de tarjeta de crédito reportaba un cargo inesperado y no efectuado por el, y describe sus ultimas operaciones efectuadas con la tarjeta, enseguida un analista estudia el caso, encuentra un patrón de compras en gasolineras (Donde se dio la tarjeta al despachador para que efectuara el cargo)

 

  1. Se programa una nueva regla, donde se defina compras hechas con tarjetas  de crédito que hayan sido utilizadas para comprar gasolina en determinada gasolinera en sitios no comúnmente usados por el “tarjetabiente”, estos pueden ser marcados como posibles patrones de “operaciones fraudulentas”.

 

  1. Pruebas el programa para los pasos 1 y 2, hasta que sea lo suficientemente Bueno para detectar estos patrones.

Del lado contrario tenemos un algoritmo de Machine Learning que aprende  identificar que tipo de patrones podrían ser buenos predictores de una operación fraudulenta. Por lo que el programa seria mas corto, fácil de mantener, posiblemente mas exacto y con menos interacción humana.

 

Que escenarios son especiales para Machine Learning?

  1. Problemas en los cuales las soluciones existentes requieren demasiada interacción humana para afinar una lista de reglas, del otro lado un algoritmo de ML tienden a ser mas simples y a funcionar mejor.

 

  1. Problemas complejos en los cuales no existe una solución utilizando los métodos tradicionales, en este escenario Machine Learning puede encontrar una solución.

 

  1. Ambientes fluctuantes, ML se puede adaptar a nueva información.

 

  1. Problemas que requieren grandes cantidades de datos.

En Conclusión 

Machine Learning ha llegado para quedarse y cada día nos encontramos con aplicaciones que pueden identificar, predecir y sugerir. Por lo que debemos de estar preparados para este nuevo paradigma de aplicaciones y pronto descubriremos si las maquinas aprenderán a desarrollar sin la necesidad de ingenieros (joke). Nos veremos pronto con mas Machine Learning.

 

Referencias

  1. Hands-On Machine Learning with Scikit-Learn and TensorFlow, Autor: Aurélien Géron
  2. https://www.forbes.com/sites/bernardmarr/2016/12/08/what-is-the-difference-between-deep-learning-machine-learning-and-ai/#6661c39926cf

 

Tags

Carlos Raigoza
Carlos Raigoza

Deja un comentario


*