El machine learning, mejor conocido en español como aprendizaje automático o aprendizaje de máquina, nació a partir de la IA como una idea ambiciosa en la década de los 60. Realmente, fue una subdisciplina de la IA, producto de las ciencias de la computación y las neurociencias.
Lo que esta rama pretendía estudiar era el reconocimiento de patrones (en los procesos de ingeniería, matemáticas, computación, etc.) y el aprendizaje por parte de las computadoras. En el nacimiento de IA, los investigadores estaban deseosos por encontrar una forma en como las computadoras pudieran aprender únicamente basándose en datos.
Tal vez te interesen estos cursos gratuitos:
- 9 cursos gratis de Inteligencia Artificial Certificados por la UNAM.
- La UNAM ofrece cursos gratis de Inteligencia Artificial.
- Aprende Inteligencia Artificial Con Python.
- Cursos gratuitos para aprender sobre Inteligencia Artificial, desde lo básico.
A través del paso de los años fue que el machine learning comenzó a enfocarse en diferentes asuntos, como el razonamiento probabilístico, investigación basada en la estadística, recuperación de información, y continuó profundizando cada vez más en el reconocimiento de patrones (todos estos asuntos aplicados a procesos de ingeniería, matemáticas, computación y otros campos relacionados con objetos físicos o abstractos).
Fue entonces que en los 90´s, esta disciplina lograra separarse de la IA para convertirse en una disciplina por sí sola, aunque muchos científicos y tecnólogos aún la consideran como parte de la IA. El principal objetivo del machine learning es abordar y resolver problemas prácticos en donde se aplique cualquiera de las disciplinas numéricas antes mencionadas.
¿Cómo funciona?
El principal objetivo de todo aprendiz (learner) es desarrollar la capacidad de generalizar y asociar. Cuando trasladamos este concepto a una computadora, significa que éstas deberían poder desempeñarse con precisión y exactitud, tanto en tareas familiares, como en actividades nuevas o imprevistas.
¿Y cómo es posible esto?, haciendo que imiten las facultades cognitivas del ser humano, generando modelos que “generalicen” la información que se les da para realizar sus predicciones. Y el ingrediente clave en toda esta cuestión sin duda son los datos.
Ingeniero de Machine Learning
Los ingenieros de Machine Learning se encargan del diseño de algoritmos que encuentran patrones naturales en los datos, contribuyen a tomar las mejores decisiones y a realizar mejores predicciones. En esto tienen muchas similitudes con los científicos de datos, ya que su rol principal es darle valor a los grandes volúmenes de información que las organizaciones poseen hoy en día. Y todo esto bajo el diseño de algoritmos que le permitan el desarrollo de dichas tareas,
Analítica predictiva, termino clave en el tema, que es el uso de datos, algoritmos estadísticos y técnicas de machine learning para identificar la probabilidad de resultados futuros basados en datos históricos.
“El objetivo es llegar más allá de saber lo que ha sucedido para proveer la mejor evaluación de lo que sucederá en el futuro”.
El ML se aplica a diario para hacer diagnósticos médicos, conocer las fluctuaciones del mercado bursátil y prever cargas energéticas para determinadas poblaciones, en lo que representa las primeras aproximaciones de una tecnología que promete estar en todos lados en algunos años.
Tipos de machine learning
Existe una gran variedad de tipos de Machine Learning utilizados hoy en día, pero estos podrían clasificarse en tres grandes categorías:
- Aprendizaje supervisado, que depende de datos previamente etiquetados por seres humanos y se utiliza para reconocimiento de voz, escritura y para detectar correo spam.
- Aprendizaje no supervisado, que trabaja con una cantidad enorme de datos y aprende a reconocer elementos complejos, como imágenes, y se utiliza también para detectar lenguaje natural.
- Aprendizaje por refuerzo, que opera en procesos de ensayo y error ante diversas situaciones, mediante la asociación de patrones de éxito que se repiten hasta ser perfeccionados, y se usa en la navegación de vehículos automáticos y desarrollo de robots entre otras aplicaciones.
Existe una gran variedad de ofertas de instituciones académicas para el aprendizaje del Ml. Sol por mencionar una, está el programa de maestría en ciencias de cómputo de Columbia University campus Nueva York se cursan materias como Procesamiento de lenguaje natural, Aspectos computacionales de la robótica, Algoritmos para ciencia de datos, Deep Learning y redes neurales, Modelos bayesianos de ML, entre muchas otras.
La firma Research and Markets estima que para el 2023, el mercado de ML alcanzará un valor de $23,500 millones de dólares. Sumado a esto, la demanda de ingenieros de ML excede la oferta de este tipo de especialistas por mucho. La evolución obvia de este escenario es que cada vez más empresas requerirán de este tipo de profesionista, y transformarse en uno o asegurar a los que ya se tengan en la organización (o estén dispuestos a adquirir estas habilidades) será fundamental para los departamentos de Sistemas en los próximos años.
La capacitación en la materia va desde maestrías en ciencias de datos hasta capacitación específica por cursos sueltos, donde varias instituciones como Udacity ofrecen programa de Machine learning.
Estos programas ofrecen desarrollar habilidades que permitirán a los ingenieros crear modelos ML aplicables a entornos productivos que sean capaces de ajustarse a métricas de desempeño.
Contar con un ingeniero en ML no será tarea fácil, las grandes compañías tecnológicas están prácticamente cazando a estos profesionistas apenas egresan de las universidades.
La labor de un ingeniero en ML puede aprovecharse en diversas industrias y para múltiples fines. Algunos de ellos son: atención al cliente, automatización de finanzas y contabilidad, detección de fraudes, diagnósticos clínicos, manejo de vehículos autónomos, para optimizar el uso de energía de sistemas de calefacción, ventilación y aire acondicionado en edificios, obtener recomendaciones para dirigir eCommerce, reconocimiento facial en lugares muy concurridos, entre muchos otros.
Así que ya sabes, quieres tener una buena oportunidad en empresas de prestigio y crecimiento, y aun estas por entrar a la universidad o quieres aprender sobre el tema y obtener un mejor sueldo, no lo dudes y busca alternativas de estudio, hoy en día la educación es ubicua, puedes aprenderla desde cualquier lugar gracias a internet.