En 1950 el matemático Alan Turing planteó por primera vez una pregunta: ¿las máquinas pueden aprender a pensar? Así comenzó la historia del Machine Learning. En 1952, Marvin Minsky creó el SNARC, la primera máquina de autoaprendizaje artificial que aprendió a resolver una tarea sin haber sido programada explícitamente para ello.
Sin embargo, en aquel momento la disponibilidad de datos y la potencia de cómputo eran escasas, por lo que el mundo entró en el primer invierno de la Inteligencia Artificial. A finales del siglo XX la llegada de internet, el aumento de la potencia de cálculo de los ordenadores y las grandes cantidades de información disponibles dieron un empujón a esta tecnología.
En 1997 la historia del Machine Learning dio un vuelco con el sistema de IBM Deep Blue, que logró derrotar al campeón de ajedrez del mundo, Garri Kasparov. Esta tecnología ha seguido avanzando y ya podemos encontrar múltiples ejemplos de Machine Learning en diferentes sectores.
Machine Learning es una forma de inteligencia artificial que permite a un sistema aprender de los datos, en vez de aprender mediante una programación explícita. A medida que el algoritmo procesa los datos de entrenamiento, va realizando inferencias de nuevos conjuntos de datos para los que no había sido entrenado con anterioridad, de manera que crea modelos más precisos, predice escenarios futuros y/o emprende acciones automáticamente según ciertas condiciones.
Esta tecnología permite automatizar diferentes operaciones para reducir la intervención humana, lo cual representa una gran ventaja en términos de tiempo y recursos. Puede analizar en pocos minutos una ingente cantidad de datos que a un equipo de personas le llevaría meses o incluso años.
Además, el Machine Learning puede detectar patrones complejos que escapan a los estadísticos pues examina grandes conjuntos de datos no estructurados de manera más eficiente. Por eso cada vez más empresas lo usan para analizar sus datos, encontrarles significado, detectar nuevas oportunidades de negocio y tomar decisiones más estratégicas.
Estamos rodeados de ejemplos prácticos de Machine Learning. Los motores de recomendación como los que usan Netflix, Amazon o Spotify son uno de ellos. Esta tecnología no solo tiene en cuenta nuestros hábitos de consumo y preferencias sino también los de millones de usuarios con un perfil similar al nuestro y las nuevas tendencias para recomendarnos productos que se ajustan a nuestros gustos, intereses y necesidades.
Los asistentes de voz, como Siri y Alexa, son otro ejemplo de Machine Learning en la vida cotidiana. Esta tecnología es capaz de limpiar el ruido ambiental, captar los silencios entre palabras y comprender el idioma para interpretar nuestras órdenes. Si cometen un error cuando responden a nuestra solicitud, utilizan esos datos para mejorar la próxima vez y también toman nota si lo hicieron bien.
Algunas redes sociales también están aplicando Machine Learning. Twitter, por ejemplo, cuenta con el sistema BotMaker para luchar contra el spam y Facebook está probando esta tecnología para detectar las noticias falsas.
El Machine Learning también tiene un gran futuro en el sector de la Salud. Un ejemplo práctico de Machine Learning es Watson de IBM. Mediante esta tecnología los centros de salud, como el Akershus University Hospital, están optimizando el uso de las pruebas diagnósticas y los tratamientos para mejorar la atención al paciente. Watson Imaging Clinical Review, por ejemplo, es una herramienta retrospectiva de revisión de pruebas por imagen que ayuda al médico a realizar el diagnóstico y tomar mejores decisiones clínicas.
Por otra parte, su aplicación Sugar.IQ es un asistente personal que analiza continuamente todo lo que afecta los niveles de glucosa de la persona diabética y comprende sus patrones diarios para predecir las alteraciones hasta tres horas antes de que se produzcan. Así contribuye a mantener los niveles de glucosa dentro del rango normal.
Las entidades financieras también usan el Machine Learning para analizar las transacciones y detectar patrones anómalos que les ayuden a combatir el fraude. Les permite avisar a sus clientes de una actividad anormal en sus tarjetas de crédito o cuenta bancaria, detectar señales de posibles impagos o reducir el riesgo al conceder créditos.
No obstante, si existe un sector donde el Machine Learning será esencial, es la conducción autónoma. No solo se utilizará para que el coche mueva el volante sino para analizar las imágenes, detectar otros vehículos en la carretera o incluso predecir cómo se van a mover para evitar accidentes, así como para optar por trayectos alternativos según sus predicciones de tráfico.
Si te interesa esta tecnología, con nuestro Grado Superior en Desarrollo de Aplicaciones Multiplataforma o nuestro Grado Superior Desarrollo de Aplicaciones Multiplataforma a distancia podrás formarte en un sector con gran demanda. Aprenderás machine learning, big data, aplicaciones IoT en la industria, cloud computing, DevOps, blockchain y ciberseguridad para que seas capaz de desarrollar, implantar, documentar y mantener aplicaciones multiplataforma.
Otra titulación relacionada con este tema que puedes tener en cuenta es el Técnico Superior en Administración de Sistemas Informáticos en Red.
Ya están disponibles de manera gratuita el whitepaper Introducción al Big Data y la charla Las 7V's del Big Data impartida por Lucía Manzano, analista Business Intelligence y Big Data en Telefónica y directora de Girls in Tech.