El machine learning (ML) es una rama de la inteligencia artificial (AI, por sus siglas en inglés) que se centra en el desarrollo de algoritmos y modelos que permiten a las computadoras aprender y tomar decisiones basadas en datos, sin ser programadas para tareas específicas.
En lugar de seguir instrucciones predefinidas, las máquinas pueden analizar datos, identificar patrones y mejorar su rendimiento a medida que se les proporciona más información.
Conocido en español como aprendizaje automático, su capacidad para aprender y adaptarse a partir de la información disponible lo convierte en una tecnología fundamental.
La aplicación de esta tecnología puede hacerse en campos tan diversos como la ciencia de datos, la inteligencia artificial, la robótica y muchas otras disciplinas.
¿Para qué sirve y cómo funciona machine learning?
El aprendizaje automático tiene una amplia gama de aplicaciones y sirve para abordar una variedad de problemas en los que se necesita tomar decisiones basadas en datos o hacer predicciones.
Clasificar datos en categorías
Uno de sus usos más comunes es el de la clasificación de los datos en categorías o clases.
Por ejemplo, puede clasificar correos electrónicos como spam o no spam, diagnosticar enfermedades médicas, identificar objetos en imágenes o reconocer el habla en sistemas de reconocimiento de voz.
Predecir valores numéricos
El ML también es utilizado para predecir valores numéricos en función de datos de entrada.
Por ejemplo, puede predecir el precio de una vivienda en función de características como el tamaño, la ubicación y el número de habitaciones.
Agrupar datos
Del mismo modo, esta herramienta permite agrupar datos similares sin etiquetas previas, funciones muy utilizadas en tareas de segmentación de mercado, análisis de redes sociales, entre otras.
Prevenir fraudes
Puede identificar patrones inusuales o anómalos en datos, lo que es útil en la detección de fraudes, en transacciones financieras o en el monitoreo de sistemas para identificar problemas.
Sugerir ventas online
Y, por otro lado, es la tecnología que está detrás de los sistemas de recomendación.
Por ejemplo, aquellos que sugieren productos en tiendas en línea o películas en plataformas de streaming basados en el historial de preferencias del usuario.
Preservar privacidad y seguridad de datos
El aprendizaje federado es una técnica prometedora que permite aprovechar el poder del aprendizaje automático mientras se preservan la privacidad y la seguridad de los datos.
Al permitir que múltiples dispositivos colaboren en el entrenamiento de un modelo, se pueden obtener mejores resultados y desbloquear nuevas posibilidades en una amplia gama de aplicaciones.
Aplicaciones del aprendizaje federado:
- Salud: Entrenamiento de modelos de diagnóstico médico sin compartir datos confidenciales de pacientes.
- IoT: Creación de modelos personalizados para dispositivos IoT sin enviar datos a la nube.
- Finanzas: Detección de fraudes en transacciones financieras sin centralizar los datos de los clientes.
Modelos de lenguaje natural
Los transformers son modelos de aprendizaje profundo altamente eficientes que han revolucionado el campo del procesamiento del lenguaje natural. Su capacidad para capturar relaciones a largo plazo y su flexibilidad los convierten en una herramienta poderosa para una amplia gama de aplicaciones en el aprendizaje automático.
Aplicaciones de transformers en machine learning
- Procesamiento del lenguaje natural (NLP): Traducción automática, resumen de texto, generación de texto, respuesta a preguntas, análisis de sentimientos, etc.
- Visión por computadora: Generación de imágenes, subtitulado de videos, etc.
- Series temporales: Predicción de series temporales, análisis de señales, etc.
Automoción
- Vehículos autónomos: El machine learning es el cerebro detrás de los coches autoconducidos. Al analizar enormes cantidades de datos de sensores, cámaras y radares, los algoritmos de ML permiten a los vehículos tomar decisiones en tiempo real, como cambiar de carril, evitar obstáculos y adaptarse a diferentes condiciones de tráfico.
- Asistencia al conductor: Sistemas como el control de crucero adaptativo, el asistente de mantenimiento de carril y la frenada de emergencia automática utilizan ML para mejorar la seguridad y la comodidad de los conductores.
- Mantenimiento predictivo: El ML ayuda a predecir cuándo una pieza del vehículo fallará, permitiendo realizar reparaciones antes de que ocurra una avería y evitando costosas reparaciones imprevistas.
- Optimización de rutas: Las aplicaciones de navegación utilizan ML para encontrar las rutas más eficientes, teniendo en cuenta el tráfico en tiempo real y las preferencias del usuario.
Origen y evolución del machine learning
Sus orígenes se remontan a mediados del siglo XX, cuando investigadores comenzaron a explorar la idea de crear máquinas capaces de aprender y mejorar su desempeño a partir de datos.
Pioneros como Alan Turing, con su famoso test de Turing, y Arthur Samuel, con su programa de damas chinas que aprendía con cada partida, sentaron las bases de esta disciplina. Sin embargo, el campo experimentó un “invierno” en los años 70 y 80 debido a limitaciones computacionales y expectativas poco realistas.
El renacimiento del machine learning ocurrió a principios del siglo XXI, gracias a varios factores clave. El aumento exponencial de la potencia computacional, la disponibilidad masiva de datos y el desarrollo de nuevos algoritmos, como las redes neuronales profundas, permitieron a los investigadores abordar problemas cada vez más complejos.
Además, el éxito de aplicaciones como los motores de búsqueda y los sistemas de recomendación popularizó el uso del ML y atrajo una mayor inversión en investigación y desarrollo.
Funcionamiento de machine learning
Paso 1: recopilación de datos
En el aprendizaje automático, el primer paso es la recopilación de datos relevantes para el problema que se quiere resolver.
Pueden incluir características o atributos que describen las observaciones y las etiquetas que indican las respuestas correctas o esperadas.
Paso 2: limpieza de datos
Una vez reunidos, los datos se limpian y se preparan para el análisis.
Esto puede incluir la eliminación de valores atípicos, la normalización de datos y la división de los datos en conjuntos de entrenamiento y prueba.
Paso 3: selección del algoritmo y entrenamiento del modelo
El siguiente paso es el de selección y entrenamiento del modelo: Es ahí es donde se elige un algoritmo de machine learning adecuado para el problema y se le entrena utilizando los datos reunidos.
Paso 4: evaluación del modelo
Luego se evalúa el rendimiento del modelo utilizando datos de prueba.
Paso 5: ajuste mediante hiperparámetros
Si el rendimiento no es satisfactorio, se pueden ajustar los hiperparámetros del modelo o probar diferentes algoritmos para mejorar su rendimiento.
Paso 6: implementación en aplicaciones o sistemas
Una vez que el modelo funciona satisfactoriamente, se implementa en aplicaciones o sistemas para tomar decisiones en tiempo real.
Machine learning no es un proceso estático. Los modelos deben monitorearse y actualizarse regularmente a medida que se recopilan nuevos datos y cambian las condiciones.
Importancia y fundamento de machine learning
El ML permite automatizar tareas complejas que anteriormente requerían la intervención humana, lo que ahorra tiempo y recursos.
Por ejemplo, en la atención médica puede ayudar en el diagnóstico de enfermedades a partir de imágenes.
Al mismo tiempo, ayuda a las organizaciones a tomar decisiones basadas en datos en lugar de suposiciones o intuiciones.
Esto se aplica en la planificación empresarial, la gestión de inventarios y la toma de decisiones estratégicas.
Al permitir la personalización a gran escala en productos y servicios, por ejemplo, en el marketing en línea, los sistemas de recomendación utilizan esta herramienta para ofrecer contenido personalizado a los usuarios.
También es eficaz en la identificación de patrones en datos, lo que puede llevar a descubrimientos significativos.
Por ejemplo, en la investigación científica puede ayudar a identificar relaciones en grandes conjuntos de datos.
Los modelos de aprendizaje automático pueden mejorar con el tiempo a medida que se les proporciona más datos, lo que les permite adaptarse a cambios en el entorno y mantener su relevancia.
Fundamentos de machine learning
Los datos, estructurados o no, juegan un papel fundamental en machine learning.
Se requiere una cantidad enorme de información para entrenar modelos con precisión.
Luego entran en juego los algoritmos, que son las reglas matemáticas y estadísticas que los modelos de aprendizaje automático utilizan para aprender patrones y hacer predicciones.
Existen diversos tipos de algoritmos (explicados debajo), cada uno con sus propias aplicaciones.
La manera de “entrenar” estos modelos es mediante la utilización de un conjunto de datos de entrenamiento que luego se validan con un conjunto de datos de prueba.
Esto garantiza que el modelo pueda hacer predicciones precisas en datos nuevos y no vistos previamente.
Un factor crucial para el rendimiento del modelo, que luego será evaluado por métricas para determinar su eficacia, es seleccionar las variables o atributos adecuados para describir los datos de entrada.
La capacidad del modelo para realizar predicciones precisas en datos no vistos se denomina “generalización”. Si el modelo de machine learning estuvo bien entrenado, generaliza bien.
Distintos tipos de algoritmos usados en machine learning
Existen varios tipos de algoritmos de aprendizaje automático, cada uno diseñado para abordar diferentes tipos de problemas y tareas.
Regresión
Si es un modelo con aprendizaje supervisado, el algoritmo de regresión se utiliza para predecir un valor numérico en función de variables de entrada, como por ejemplo predecir el precio de una casa o la temperatura.
Clasificación
Otro es el de clasificación, utilizado para asignar una etiqueta o categoría a una observación en función de las características de entrada.
Los ejemplos van desde la clasificación de correos electrónicos como spam o no spam, hasta la identificación de enfermedades en imágenes médicas.
Clustering
En cuanto a los modelos de aprendizaje no supervisado, uno de los más comunes es el de clustering, que agrupa datos similares en conjuntos o clústeres.
Los ejemplos incluyen la segmentación de clientes en grupos de mercado y la detección de fraudes mediante el agrupamiento de transacciones sospechosas.
Algoritmo de redes neuronales artificiales
Otro es el modelo de Redes neuronales artificiales, que se inspiran en el funcionamiento del cerebro humano y son capaces de aprender representaciones jerárquicas de datos.
Se utilizan en reconocimiento de imágenes, procesamiento de lenguaje natural y juegos.
Redes neuronales profundas o Deep learning
Son un subcampo del aprendizaje automático inspirado en la estructura y funcionamiento del cerebro humano. Estas redes neuronales se componen por múltiples capas de nodos interconectados, cada uno realizando cálculos simples.
La profundidad de estas redes les permite aprender patrones complejos y jerárquicos en grandes cantidades de datos. Esto las hace ideales para tareas como el reconocimiento de imágenes, el procesamiento del lenguaje natural, la generación de texto y la conducción autónoma.
En el aprendizaje automático, las redes neuronales profundas han revolucionado la capacidad de las máquinas para aprender de manera autónoma y realizar tareas que antes solo eran posibles para los humanos.
Su aplicación en el aprendizaje automático ha llevado a avances significativos en una amplia gama de campos, desde la medicina hasta la robótica.
Redes neuronales convolucionales (CNNs)
Están diseñadas específicamente para procesar datos en formato de cuadrícula, como imágenes.
Utilizan capas convolucionales que aplican filtros a la imagen para extraer características locales, como bordes o texturas. Estas características se combinan en capas posteriores para reconocer objetos y patrones más complejos.
Las CNNs son ampliamente utilizadas en tareas de visión por computadora, como el reconocimiento de objetos, la segmentación de imágenes y la generación de imágenes.
Los transformers
Son una arquitectura más reciente que ha revolucionado el procesamiento del lenguaje natural.
A diferencia de las CNNs, los transformers no procesan la entrada de manera secuencial, sino que consideran todas las palabras de una vez. Esto les permite captar relaciones a largo plazo entre las palabras y comprender mejor el contexto.
Los transformers utilizan un mecanismo de atención que permite al modelo enfocarse en las partes más relevantes de la entrada. Esta arquitectura ha sido la base de modelos de lenguaje de gran éxito, como GPT-3 y BERT, y se utiliza en tareas como la traducción automática, la generación de texto y la respuesta a preguntas.
Algoritmo de aprendizaje semi-supervisado
También hay modelos de aprendizaje semi-supervisado, donde se combinan elementos del aprendizaje supervisado y no supervisado al utilizar un conjunto de datos con etiquetas parciales y datos no etiquetados.
Algoritmo de aprendizaje por transferencia
Por último, en el aprendizaje por transferencia, se transfiere el conocimiento aprendido de un problema, a otro relacionado. Esto es útil cuando se dispone de datos limitados para el nuevo problema.
Técnicas de clasificación de machine learning
Las técnicas de clasificación son un componente fundamental del ML que se utiliza para asignar objetos a clases o categorías.
Estos algoritmos aprenden a predecir la clase de un objeto a partir de sus características.
La elección de la técnica adecuada depende de una serie de factores, como el tipo de datos, el número de clases, la complejidad del modelo y los requisitos de rendimiento.
Las técnicas de clasificación se utilizan en una amplia variedad de aplicaciones, como:
Clasificación de imágenes
Reconocimiento de objetos, clasificación de rostros, etc.
De texto
Ubicación de spam, clasificación de noticias, etc.
Clasificación de audio
Reconocimiento de voz, clasificación de música, etc.
Clasificación de datos financieros
Detección de fraudes, clasificación de clientes, reconocimiento de patrones de compra.
Hay muchos tipos diferentes de técnicas de clasificación, cada una con sus propias fortalezas y debilidades.
Tipos más comunes de técnicas de clasificación
Algunos de los tipos más comunes de técnicas de clasificación son:
Árboles de decisión
Los árboles de decisión son un tipo de algoritmo de aprendizaje supervisado que se utiliza para construir un modelo de clasificación en forma de árbol.
Regresión logística
La regresión logística es un tipo de algoritmo de regresión que se utiliza para predecir la probabilidad de que un objeto pertenezca a una clase determinada.
Máquinas de vectores de soporte (SVM)
Las SVM son un tipo de algoritmo de aprendizaje supervisado que se utiliza para encontrar el hiperplano que mejor separa los dos grupos de datos.
Redes neuronales
Las redes neuronales son un tipo de algoritmo de aprendizaje automático que se inspira en el funcionamiento del cerebro humano.
Tipos de machine learning y sus características
Hay varios tipos de aprendizaje automático y su elección depende de cómo se realice el proceso de aprendizaje y la disponibilidad de etiquetas en los datos.
En muchos casos, se pueden combinar múltiples enfoques para lograr soluciones más efectivas.
Aquí se presentan los tipos más comunes y sus características:
Aprendizaje Supervisado
Características
En el aprendizaje supervisado, el modelo se entrena utilizando un conjunto de datos etiquetado, donde cada ejemplo de entrenamiento tiene una etiqueta que indica la salida deseada.
Objetivo
El objetivo es aprender una función que asigna las características de entrada a las etiquetas de salida.
Aplicaciones
Clasificación y regresión son tareas comunes en el aprendizaje supervisado.
Los ejemplos incluyen la detección de spam en correos electrónicos (clasificación) y la predicción del precio de una vivienda (regresión).
Aprendizaje No Supervisado
Características
En el aprendizaje no supervisado, el modelo se entrena con datos no etiquetados, y el objetivo es descubrir patrones o estructuras ocultas en los datos.
Objetivo
No se busca predecir una etiqueta específica; en cambio, se buscan relaciones y agrupaciones naturales en los datos.
Aplicaciones
Clustering (agrupación de datos similares), reducción de dimensionalidad y generación de datos son ejemplos de aplicaciones de aprendizaje no supervisado.
Aprendizaje por Refuerzo
Características
En el aprendizaje por refuerzo, un agente interactúa con un entorno y toma acciones para maximizar una recompensa acumulativa a lo largo del tiempo.
Objetivo
El objetivo es aprender una política que determine qué acción tomar en cada estado del entorno para maximizar la recompensa esperada.
Aplicaciones
Juegos, robótica y sistemas de recomendación pueden beneficiarse del aprendizaje por refuerzo.
Aprendizaje Semi Supervisado:
Características
Combina elementos del aprendizaje supervisado y no supervisado al utilizar un conjunto de datos con etiquetas parciales y datos no etiquetados.
Objetivo
Mejorar el rendimiento del modelo al aprovechar las etiquetas disponibles y la estructura no etiquetada de los datos.
Aplicaciones
En situaciones donde etiquetar datos es costoso o difícil, como en la clasificación de grandes conjuntos de imágenes.
Aprendizaje por Transferencia:
Características
En el aprendizaje por transferencia, se aprovecha el conocimiento aprendido en una tarea para mejorar el rendimiento en una tarea relacionada pero diferente.
Objetivo
Transferir representaciones y conocimientos aprendidos en una tarea a otra, acelerando el proceso de entrenamiento y mejorando el rendimiento.
Aplicaciones
Clasificación de imágenes, procesamiento de lenguaje natural y más, donde se pueden utilizar modelos pre entrenados.
Aprendizaje Incremental o Continuo:
Características
En el aprendizaje incremental, el modelo se actualiza continuamente a medida que se reciben nuevos datos, lo que permite adaptarse a cambios en el entorno.
Objetivo
Mantener el modelo actualizado y relevante a medida que los datos cambian con el tiempo.
Aplicaciones
Monitoreo de sistemas en tiempo real, detección de anomalías en flujo de datos, y más.
El papel de machine learning en la AI
El aprendizaje automático es una de las principales ramas de la inteligencia artificial (AI, por sus siglas en inglés) y es la técnica que permite a las máquinas aprender de datos y experiencias.
Esta es una característica esencial para dotar a las máquinas de la capacidad de mejorar con el tiempo y adaptarse a nuevas situaciones.
La AI busca automatizar tareas que normalmente requieren la inteligencia humana, como el reconocimiento de patrones, la toma de decisiones, la comprensión del lenguaje natural y la percepción sensorial.
El aprendizaje automático es el mecanismo que permite a las máquinas realizar estas tareas de manera más eficiente y precisa.
Machine learning: Aprendizaje automático de las máquinas
Con el aprendizaje automático, los sistemas “aprenden” no solo a partir de ejemplos específicos, sino también a generalizar y aplicar su conocimiento a situaciones nuevas y desconocidas.
Esto es esencial para que la AI sea versátil y capaz de funcionar en entornos cambiantes.
Pero no se trata solo de construir sistemas inteligentes, sino que también puedan mejorar con el tiempo y la experiencia.
En ese sentido, el aprendizaje automático permite esta mejora continua al permitir que los modelos se ajusten y se adapten a medida que se recopilen más datos.
Gran parte de la AI implica la toma de decisiones basada en datos y la predicción de resultados futuros.
Machine learning y la predicción del futuro
El ML es la herramienta que permite a los sistemas hacer estas predicciones de manera precisa al analizar grandes cantidades de datos.
Del mismo modo, la AI a menudo se utiliza para identificar patrones en datos o detectar anomalías.
Machine learning es especialmente eficaz en estas tareas, ya que puede descubrir patrones incluso en datos complejos y no estructurados.
Machine learning y su aplicación
Además, tiene aplicaciones en una amplia variedad de campos, desde la medicina y la atención al cliente hasta la conducción autónoma y la investigación científica.
Está presente en productos y servicios que utilizamos todos los días, como motores de búsqueda, asistentes virtuales y sistemas de recomendación.
Impacto ético y social de machine learning
Es bien sabido que la inteligencia artificial ha traído soluciones a problemáticas tanto de la vida diaria como profesional. Sin embargo, no se debe olvidar su impacto ético y social.
La AI tiene la capacidad de predecir con mayor rapidez un diagnóstico de salud, por ejemplo. No obstante, aún persisten sesgos en su uso relacionados con prejuicios, datos erróneos y otros desaciertos comunes en cualquier desarrollo tecnológico.
Según la UNESCO, en ninguna otra especialidad es más necesaria una brújula ética que en el aprendizaje automático y la inteligencia artificial. Este enfoque ayudará a las sociedades del futuro a abordar esta tecnología de manera más integral.
Por esta razón, la organización firmó, junto a 193 Estados miembros, la primera norma mundial sobre la ética de la AI, donde la protección de los derechos humanos y la dignidad constituye el fundamento de la recomendación.
La visión de la UNESCO sobre AI y derechos humanos
- Proporcionalidad e inocuidad: El uso de sistemas de AI no debe ir más allá de lo necesario para alcanzar un objetivo legítimo y debe utilizarse para prevenir daños de usos ilegítimos.
- Seguridad y protección: Los daños no deseados y las vulnerabilidades a los ataques deberían ser evitados y tomados en consideración.
- Derecho a la intimidad y protección de datos: La privacidad debe protegerse y promoverse a lo largo de todo el ciclo de vida de la AI.
- Gobernanza: En el uso de datos deben respetarse el derecho internacional y la soberanía nacional.
- Responsabilidad y rendición de cuentas: Los sistemas de AI deben ser auditables y trazables. Deben existir mecanismos de supervisión, evaluación de impacto, auditoría y diligencia debida.
- Transparencia y explicabilidad: El despliegue ético de los sistemas de IA depende de su transparencia y explicabilidad (T&E).
- Supervisión y decisión humanas: Los Estados miembros deberían velar porque siempre sea posible atribuir la responsabilidad ética y jurídica a personas físicas o a entidades jurídicas existentes.
- Sostenibilidad: Las tecnologías de IA deben evaluarse en función de su impacto en la “sostenibilidad”, según los objetivos de desarrollo sostenible de la ONU.
- Sensibilización y educación: La sensibilización y la comprensión del público respecto de la AI y el valor de los datos deberían promoverse mediante una educación abierta, accesible y participativa. Esto ayudaría a promover la capacitación y alfabetización digital.
- Equidad y no discriminación: Los actores de la AI deberían impulsar la justicia social, salvaguardar la equidad y luchar contra todo tipo de discriminación. Una mayor inclusión para garantizar que los beneficios de la IA sean accesibles para todos.
Machine learning y sus regulaciones
Para avanzar hacia un uso ético y responsable del aprendizaje automático, también es necesario que se promulguen leyes que establezcan un marco legal y regulen el uso irresponsable de la inteligencia artificial.
Se prevé que para 2030 la AI impulse el PIB de América Latina en más de un 5%. Además, es probable que estas proyecciones aumenten si los gobiernos promulgan políticas y leyes que fomenten nuevos talentos y amplíen la infraestructura digital.
Regulación de machine learning en EU
Por ejemplo, la Administración Nacional de Telecomunicaciones e Información de los Estados Unidos busca garantizar que los sistemas de AI sean legales, eficaces, éticos, seguros y, en general, confiables. ¿Cómo lo hace? Uno de sus principales objetivos es controlar las respuestas rápidas e imprecisas que IAs como ChatGPT a veces ofrecen.
Machine learning y las leyes mexicanas
En México, todavía no existen regulaciones específicas sobre el uso de inteligencia artificial y machine learning. Por ello, el tratamiento de estas tecnologías se basa en discusiones relacionadas con otras normativas, como la Ley Federal de Protección de Datos Personales en Posesión de los Particulares, que brega por la privacidad y el derecho a la autodeterminación informativa.
Esta ley establece un marco regulatorio sobre lo que se puede y lo que no se puede hacer con los datos privados.
Sin embargo, hubo pronunciamientos en el Parlamento mexicano, y el país ha firmado tratados e iniciativas sobre la regulación de AI junto a otros gobiernos, impulsados por organizaciones como la OCDE. Estas iniciativas se apoyan en directrices previas, como las de la UNESCO mencionadas anteriormente.
Regulación de machine learning en AL
A nivel regional, Brasil, Chile, Perú y Colombia son cuatro países que lideran la regulación de AI y ML. Si bien otros gobiernos ya cuentan con leyes que bregan por la protección de datos personales y ciberseguridad, pocos son los que se especifican en inteligencia artificial.
En Brasil, la Estrategia Brasileña de Inteligencia Artificial (EBIA), lanzada en 2021, establece directrices para el desarrollo y la implementación de tecnologías de IA. Aborda áreas clave como la ética, la regulación y la promoción de la innovación. En 2023, el Ministerio de Ciencia, Tecnología e Innovación (MCTI) de Brasil anunció la revisión de esta estrategia.
Por su parte, Colombia desarrolló la Misión de Sabios, donde un grupo de expertos asesora al gobierno en la formulación de políticas de ciencia, tecnología e innovación. En 2024 Colombia lanzó la Hoja de Ruta en Inteligencia Artificial cuyo objetivo es regular la adopción de la AI de forma ética y sostenible.
Según el Índice Latinoamericano de Inteligencia Artificial (ILIA), Chile lidera las dimensiones de gobernanza, que se refiere al desarrollo de estrategias para involucrar a la sociedad y las instituciones en la AI, y la dimensión de adopción, relacionada con la intensidad con la que el sector privado integra el ML en su trabajo.
La Ley de AI de la Unión Europea y machine learning
La Ley de IA de la UE busca establecer un marco regulatorio sólido para los sistemas de inteligencia artificial. Este marco tiene como objetivo principal garantizar que la IA desarrollada y utilizada en el territorio europeo sea segura, ética y respetuosa con los derechos fundamentales de las personas.
La clasificación de los sistemas de AI según su nivel de riesgo es una de las claves de esta ley. Los sistemas considerados de alto riesgo, como aquellos utilizados en recursos humanos, justicia o infraestructura crítica, estarán sujetos a requisitos más estrictos, como evaluaciones de impacto, transparencia y supervisión humana.
Además de la clasificación por riesgo, la Ley de AI también prohíbe ciertas prácticas consideradas inaceptables. Entre ellas se encuentran los sistemas de puntuación social, la manipulación cognitiva subliminal y la vigilancia masiva.
Estas prohibiciones buscan proteger a los ciudadanos europeos de los posibles abusos de la IA. Por otro lado, la ley también incentiva la investigación y el desarrollo de la AI de confianza, promoviendo la colaboración entre los Estados miembros y las empresas del sector.
La aprobación de la Ley de AI representa un hito importante en la regulación global de la inteligencia artificial. La UE se posiciona como líder en este ámbito, estableciendo estándares que podrían servir de referencia para otros países y regiones.
Sin embargo, la implementación de esta ley será un proceso complejo y gradual. Queda por ver cómo se adaptarán las empresas a los nuevos requisitos y cómo se resolverán los desafíos técnicos y legales que puedan surgir.
En cualquier caso, la Ley de AI es un paso fundamental para garantizar que la inteligencia artificial se desarrolle de manera responsable y beneficiosa para la sociedad.
Ventajas y beneficios del aprendizaje automático
En general, machine learning tiene un impacto significativo en una amplia gama de aplicaciones y sectores.
Esto proporciona a las organizaciones una ventaja competitiva y abre nuevas oportunidades para la innovación y la eficiencia:
Mejora la toma de decisiones
El aprendizaje automático puede ayudar a las empresas a tomar mejores decisiones al proporcionar información y análisis más precisos. Por ejemplo, el aprendizaje automático se puede utilizar para predecir la demanda de productos, optimizar las rutas de entrega o identificar clientes potenciales.
Automatiza tareas
El aprendizaje automático puede automatizar tareas repetitivas y tediosas, lo que libera tiempo a los empleados para centrarse en tareas más estratégicas.
Por ejemplo, el aprendizaje automático se puede utilizar para clasificar imágenes, procesar documentos o responder a preguntas de clientes.
Mejora la experiencia del usuario
El aprendizaje automático puede ayudar a las empresas a mejorar la experiencia del usuario al proporcionar recomendaciones personalizadas, detectar fraudes y proporcionar soporte en tiempo real.
Por ejemplo, el aprendizaje automático se puede utilizar para recomendar productos a clientes, detectar compras fraudulentas o responder a consultas de clientes.
¿Cómo aplicar machine learning en diferentes áreas?
El aprendizaje automático se puede aplicar en una variedad de áreas y sectores para resolver problemas y aprovechar oportunidades específicas.
Salud
En el área de salud, se pueden utilizar algoritmos de esta tecnología para analizar imágenes médicas para detectar enfermedades y anomalías.
Se puede usar para la predicción de enfermedades, o para adaptar tratamientos médicos y terapias a las necesidades específicas de los pacientes utilizando análisis de datos clínicos y genéticos.
Por ejemplo, en la prevención del cáncer:
- Diagnóstico temprano: Los algoritmos de ML pueden analizar imágenes médicas (radiografías, tomografías computarizadas, etc.) con una precisión cada vez mayor, ayudando a detectar signos tempranos de cáncer que podrían pasar desapercibidos para el ojo humano.
- Predicción de riesgos: Al analizar datos genéticos, clínicos y de estilo de vida, los modelos de ML pueden identificar a las personas con mayor riesgo de desarrollar ciertos tipos de cáncer, permitiendo una intervención temprana.
- Desarrollo de nuevos tratamientos: El ML se utiliza para descubrir nuevos fármacos y terapias contra el cáncer, acelerando el proceso de investigación y desarrollo.
- Personalización de tratamientos: Los algoritmos de ML pueden ayudar a seleccionar el tratamiento más adecuado para cada paciente, teniendo en cuenta sus características individuales y la respuesta a los tratamientos anteriores.
Finanzas
En el campo de las finanzas, mediante el análisis de patrones y anomalías en los datos es posible identificar transacciones financieras fraudulentas.
También se utiliza para evaluar el riesgo crediticio de los clientes y determinar las tasas de interés basadas en el análisis de datos financieros.
Otro uso del aprendizaje automático es para predecir tendencias del mercado y tomar decisiones de inversión informadas.
E-commerce
Otro de sus usos más extendidos hasta el momento es en el campo del e-commerce para proporcionar recomendaciones de productos personalizados a los clientes en función de su historial de compras y comportamiento de navegación.
Cadena de suministro
Del lado de las organizaciones, puede prever la demanda de productos para optimizar la gestión de inventarios y la cadena de suministro, o dividir a los clientes en grupos para dirigir campañas de marketing más efectivas.
Industria
En la Industria, es utilizado para el mantenimiento predictivo de posibles fallos en maquinaria y equipos industriales utilizando sensores y datos de rendimiento.
También para el control de calidad y la optimización de procesos.
Transporte y logística
En el área de transporte y logística, mediante machine learning se pueden determinar las rutas más eficientes para la entrega de productos.
Se puede monitorear y administrar flotas de vehículos de manera eficiente, o mejorar el servicio de transporte público mediante la programación de rutas y horarios basados en datos de uso y demanda.
Biotecnología y machine learning
En las ciencias biológicas, el aprendizaje automático se introduce dentro de la biotecnología y será determinante para el desarrollo de estos conocimientos en el futuro.
Según la Universidad de Guanajuato en México, la importancia de la AI en esta área radica en que puede auxiliar para modelar, monitorear, estimar y controlar las variables de los bioprocesos.
Esta herramienta aumenta el rendimiento de los científicos y reduce los tiempos de producción a través del análisis conjunto de datos estructurados que se generan y almacenan a diario en los laboratorios.
Machine learning y el cambio climático
En último lugar, pero no menos importante, el aprendizaje automático puede utilizarse para combatir el calentamiento global. Organizaciones como la ONU y sus convenciones del cambio climático promueven iniciativas gubernamentales para aprovechar el poder de la AI en esa dirección.
Actualmente, el aprendizaje automático ya se utiliza para predecir patrones y eventos climáticos extremos, mejorar el rendimiento de los cultivos, reducir el consumo de agua u optimizar los sistemas de energías renovables.
Con ayuda de esta tecnología, los gobiernos instan a las empresas más grandes a utilizar datos en tiempo real para reducir el uso de energía, transicionar hacia combustibles renovables y mitigar el avance del cambio climático.
Un estudio de Gartner de 2024 sobre líderes de la cadena de suministro estima que el 69% de los directores ejecutivos ven la sostenibilidad como una oportunidad de crecimiento, sin embargo, las inversiones e innovación digitales ocupan el noveno lugar con un 8%.
Según la encuesta anual de Gartner, las principales formas en que los directores ejecutivos utilizan la sostenibilidad para impulsar el crecimiento empresarial son a través de productos y servicios sostenibles (33%); prácticas comerciales sostenibles (18%); participación de las partes interesadas (18%); y descarbonización (18%).
Machine learning y las redes sociales
Recomendaciones de contenido: Los algoritmos de ML analizan tus interacciones, gustos y preferencias para mostrarte contenido que es relevante para ti, como publicaciones, videos y anuncios.
Detección de fraudes: El machine learning ayuda a identificar y prevenir actividades fraudulentas en las redes sociales, como la creación de cuentas falsas, el spam y el acoso en línea.
Análisis de sentimientos: Al analizar el texto de las publicaciones, los comentarios y los mensajes, los algoritmos de ML pueden determinar el sentimiento de los usuarios (positivo, negativo o neutral), lo que permite a las empresas monitorear su reputación en línea y mejorar su comunicación con los clientes.
Segmentación de usuarios: El ML permite segmentar a los usuarios en grupos con características y comportamientos similares, lo que facilita la creación de campañas de marketing más personalizadas y efectivas.
Software de machine learning
Existen numerosas bibliotecas y herramientas de software de aprendizaje automático que facilitan el desarrollo, entrenamiento y despliegue de modelos de aprendizaje automático.
La elección del software adecuado depende de una serie de factores, como el tipo de modelo que se quiere crear, el tamaño del dataset, los recursos disponibles y los objetivos del proyecto.
Scikit-learn o TensorFlow
Para los que recién incursionan en esta herramienta, software de machine learning de código abierto como Scikit-learn o TensorFlow, son fáciles de aprender y utilizar, y ofrecen una gran flexibilidad.
JAX
Es una biblioteca de código abierto que fue desarrollada por Google y que proporciona una forma eficiente y flexible de realizar cálculos numéricos.
En el contexto de machine learning, JAX se destaca por su capacidad de acelerar el entrenamiento de modelos, especialmente de aquellos que requieren un alto rendimiento computacional.
Entre sus principales ventajas están la diferenciación automática, la compilación just-in-time y la capacidad de ejecutar código en diversas plataformas, como CPUs, GPUs y TPUs.
Es por esto que es una herramienta ideal para la investigación y el desarrollo de nuevos algoritmos de aprendizaje automático.
PyTorch
Es otra opción destacada en el ámbito de la AI de código abierto. Desarrollado por Facebook AI Research lab (FAIR), esta biblioteca de aprendizaje automático crea y entrena modelos utilizando una interfaz de usuario sencilla junto a una estructura que facilita el trabajo con redes neuronales complejas.
Tanto esta como otras aplicaciones Open Source permiten a estudiantes y principiantes en el desarrollo de software aprender y ejecutar operaciones con modelos de lenguaje más amigables, como Python.
A medida que se gana en experiencia, se puede optar por un software más completo, como H2O.ai o Microsoft Azure machine learning. Ambos ofrecen una variedad de servicios y funciones que pueden ser útiles para proyectos más complejos.
Aplicaciones prácticas de machine learning
El aprendizaje automático tiene una amplia gama de aplicaciones prácticas en diversos campos:
Recomendación de contenido
Plataformas de streaming como Netflix y Spotify utilizan algoritmos de esta tecnología para recomendar películas, series y música basados en los gustos y el historial de visualización de los usuarios.
Búsqueda en línea
Motores de búsqueda como Google emplean aprendizaje automático para mejorar los resultados de búsqueda y clasificar las páginas web de acuerdo a su relevancia.
Detección de fraudes
En la banca y las tarjetas de crédito, los algoritmos de machine learning se utilizan para detectar transacciones fraudulentas, identificando patrones inusuales en los datos.
Atención médica
El aprendizaje automático se utiliza en el diagnóstico médico, desde la detección de enfermedades en imágenes médicas hasta la predicción de resultados de pacientes.
Conducción autónoma
Empresas como Tesla están desarrollando vehículos autónomos que utilizan sistemas de visión por computadora y de deep learning para conducir de manera segura sin la intervención humana.
Chatbots
Los chatbots y asistentes virtuales utilizan técnicas de Procesamiento de Lenguaje Natural (NLP) y aprendizaje automático para responder preguntas y brindar asistencia en línea en una variedad de industrias.
Traducción automática
Plataformas como Google Translate utilizan algoritmos de aprendizaje automático para traducir texto y voz entre diferentes idiomas.
Análisis de sentimiento
En las redes sociales y el marketing en línea, se utiliza el análisis de sentimiento basado en aprendizaje automático para comprender la opinión y las emociones de los usuarios en los comentarios y reseñas.
Industria
La industria utiliza el aprendizaje automático para el mantenimiento predictivo de maquinaria, la optimización de la cadena de suministro y el control de calidad automatizado.
Agricultura
Los agricultores utilizan drones y sensores de tierra para recopilar datos, y luego aplican algoritmos de machine learning para tomar decisiones informadas sobre la gestión de cultivos y la recolección.
Publicidad digital
Las plataformas de publicidad utilizan el aprendizaje automático para segmentar a los usuarios y entregar anuncios personalizados basados en su comportamiento en línea.
Ciberseguridad
Los algoritmos de esta tecnología se utilizan para detectar y prevenir ataques cibernéticos al analizar patrones en el tráfico de red y el comportamiento de los sistemas.
Recursos humanos
En la selección de personal, machine learning puede ayudar a identificar a los candidatos más adecuados para un trabajo mediante la evaluación de currículums y entrevistas.
Ciencia de datos
En la investigación científica, machine learning se utiliza para analizar grandes conjuntos de datos y descubrir patrones y relaciones en campos como la genómica y la física de partículas.
Energía y sostenibilidad
La gestión de la energía se beneficia de machine learning para optimizar la distribución de energía, el consumo eficiente y la monitorización de sistemas de energía renovable.
Estos son solo algunos ejemplos de cómo machine learning se aplica en la vida cotidiana y en la industria.
Su versatilidad y capacidad para automatizar tareas, tomar decisiones basadas en datos y aprender de la experiencia lo convierten en una tecnología fundamental en la actualidad.
Internet de las Cosas (IoT)
La revolución de machine learning se impulsará gracias al internet de las cosas. La interconectividad entre dispositivos generará un ecosistema de datos valiosos en tiempo real. Así, se ampliará el espectro de posibilidades y respuestas en su análisis.
A nivel industrial, la IoT crece a escalas nunca antes registradas. Según la consultora Mordor Intelligence, se espera que de 2024 a 2029 crezca en una tasa compuesta del 34,41%, el equivalente a US$ 503.07 mil millones.
En este caso, la Industrial internet of things, la interconexión no ocurre entre dispositivos, sino entre maquinarias, fenómeno que se conoce como M2M y que es parte de la Cuarta Revolución Industrial o Industria 4.0.
Con ayuda de sensores de trabajo, los operarios pueden obtener datos de la cadena de montaje y optimizar la producción, predecir daños y reducir la merma de materiales.
Blockchain
La inteligencia artificial, junto con la automatización y el blockchain, puede mejorar los procesos comerciales al eliminar fricciones, acelerar operaciones y aumentar la eficiencia.
Al integrar la AI en contratos inteligentes, se pueden automatizar tareas como el recall de productos caducados, la ejecución de transacciones basadas en eventos, la resolución de disputas y la selección de métodos de envío más sostenibles.
Incluso, el proceso puede ocurrir a la inversa: aplicar blockchain a la IA para almacenar y distribuir modelos de inteligencia artificial, y los modos en que se envían y reciben los datos que se utilizan.
El futuro de machine learning: tendencias y avances
A medida que los modelos de machine learning se vuelven más complejos, la capacidad de comprender y explicar cómo toman decisiones se vuelve crucial.
La investigación en Aprendizaje Automático Explicable (XAI) se enfoca en hacer que los modelos sean más transparentes e interpretables, lo que es esencial para aplicaciones críticas como la atención médica y la toma de decisiones legales.
Los dispositivos en el “borde” de las redes, como sensores de IoT y dispositivos móviles, están ejecutando cada vez más modelos de machine learning de manera local (Edge machine learning).
Esto permite inferencias más rápidas y una mayor eficiencia energética.
Aplicaciones de AI más rápidas y económicas
Mientras, los avances en algoritmos y hardware están haciendo que el entrenamiento y la inferencia de modelos de deep learning sean más eficientes. Esto permite aplicaciones de AI más rápidas y económicas.
En áreas como la robótica y la toma de decisiones autónomas, el aprendizaje por refuerzo está avanzando.
Se espera que los sistemas de AA sean capaces de realizar tareas más complejas y aprender de manera más eficiente de su entorno.
Revolución en la genómica, la biología y la medicina
En el campo de las ciencias, machine learning está desempeñando un papel cada vez más importante en la genómica, la biología estructural y la medicina personalizada, para acelerar la investigación y mejorar la atención médica.
Tal vez su uso más popular sea el de las aplicaciones de inteligencia artificial generativa (Gen AI), como GPT-4, que están mejorando significativamente en la generación de texto coherente y contextos de conversación más naturales.
Machine learning y la revolución de los modelos de AI
GPT-4
Es alimentada con cantidades masivas de texto. Esto da como resultado una aprehensión del lenguaje humano en todos sus idiomas. Es un modelo de lenguaje autorregresivo que utiliza deep learning para generar oraciones y respuestas coherentes al predecir palabras posteriores en función de las anteriores.
BERT
Sin embargo, OpenAI no es el único en la competencia por desarrollar modelos de lenguaje avanzados. Google también creó BERT, un modelo de transformador que, en lugar de generar texto, ofrece incrustaciones de palabras con contexto.
BERT es bidireccional, lo que le permite comprender mejor el contexto de las palabras tanto antes como después. Es una herramienta ideal para tareas como responder preguntas, analizar sentimientos y reconocer entidades nombradas.
Gemini 1
Gemini 1 es la familia de modelos de inteligencia artificial más grande y capaz desarrollada por Google DeepMind. Esta innovadora tecnología representa un gran avance en el campo de la IA, superando a sus predecesores en diversas tareas.
Gemini está diseñado para comprender y generar información de manera más compleja y precisa, lo que le permite realizar tareas que antes se consideraban exclusivas de la inteligencia humana.
Una de las características más destacadas de Gemini 1 es su capacidad multimodal. Esto significa que puede procesar y combinar diferentes tipos de información, como texto, imágenes y código, para realizar tareas más sofisticadas.
Por ejemplo, puede generar descripciones detalladas de imágenes, traducir idiomas de manera más precisa y hasta crear código de programación a partir de instrucciones de lenguaje natural.
Además, Gemini 1 está disponible en varios tamaños, desde modelos más pequeños y eficientes hasta modelos más grandes y potentes, lo que permite adaptarse a una amplia gama de aplicaciones.
Casos de éxito y ejemplos de aplicación de machine learning
Existen numerosos casos de éxito y ejemplos de aplicación de machine learning en diversas industrias.
Alexa y Google Assistant
Estos asistentes virtuales utilizan el procesamiento de lenguaje natural y el reconocimiento de voz basado en machine learning para responder preguntas, realizar tareas y controlar dispositivos del hogar.
Netflix
Netflix utiliza algoritmos de ML para recomendar películas y series a los usuarios, personalizando sus experiencias de visualización.
Visa y Mastercard
Visa y Mastercard la utilizan para identificar transacciones sospechosas y prevenir fraudes en tarjetas de crédito y débito.
Watson de IBM
Uno de los primeros casos conocidos de ML fue Watson, de IBM. Actualmente, se utiliza para ayudar a los médicos a tomar decisiones informadas sobre el tratamiento del cáncer al analizar grandes cantidades de literatura médica y datos de pacientes.
Tesla
Los vehículos de Tesla utilizan sistemas de aprendizaje automático para la detección de objetos, la navegación y la conducción autónoma en situaciones de tráfico.
Waymo (Google) y Cruise, otros competidores en el segmento, también emplean AI para transportar pasajeros en robotaxis. Los estados de Norteamérica, como California, aprobaron su tecnología.
Traductor de Google
El traductor de Google: Esta herramienta utiliza algoritmos de machine learning para traducir texto y voz entre más de 100 idiomas.
Integrar machine learning en el desarrollo tecnológico y empresarial
Integrar el aprendizaje automático en el desarrollo tecnológico y empresarial es esencial para aprovechar las ventajas de esta tecnología en la toma de decisiones, la automatización de procesos y la mejora de productos y servicios.
Una implementación exitosa de machine learning requiere una efectiva gestión del cambio, así como delimitar proyectos y recursos: Asignar recursos humanos y financieros adecuados y establecer una estructura de gestión de proyectos para garantizar que los objetivos se alcancen a tiempo y dentro del presupuesto.
También es necesario evaluar regularmente el impacto de los proyectos en los objetivos empresariales y calcular el Retorno de la Inversión (ROI).
Esto ayudará a tomar decisiones informadas sobre la expansión o el ajuste de tus iniciativas de ML.
La importancia de la evaluación y la mejora
La integración exitosa del proyecto en el desarrollo tecnológico y empresarial no es un proceso único, sino un ciclo continuo de desarrollo, evaluación y mejora.
Al adoptar un enfoque estratégico y colaborativo, las organizaciones pueden aprovechar plenamente el potencial del ML para mejorar la toma de decisiones, la eficiencia y la competitividad en el mercado.
¿Qué formación se necesita para ser un profesional de machine learning?
Aunque la formación necesaria para ser machine learning es diversa y depende de los objetivos profesionales de cada uno, hay algunos conocimientos y habilidades fundamentales que son esenciales.
Las matemáticas y la estadística son la base del aprendizaje automático. Y se debe contar con:
- Sólido conocimiento de los conceptos matemáticos y estadísticos, como el álgebra lineal, la probabilidad y la estadística inferencial.
- Ser capaces de programar para crear modelos de machine learning.
Los lenguajes de programación más populares para machine learning son Python, R y Java. Deberán trabajar con bases de datos para almacenar y analizar datos, y tener un conocimiento profundo de los distintos algoritmos y técnicas.
Instituciones educativas para estudiar machine learning en México
Existen diferentes vías para obtener la formación necesaria. Una opción es obtener un título universitario en una disciplina relacionada con la ciencia de la computación, la ingeniería o las matemáticas. Otra opción es seguir cursos de formación online o presenciales.
También es posible obtener experiencia práctica trabajando en un proyecto o empresa.
Universidades de México que enseñan machine learning
Instituto Politécnico Nacional: Tiene una Ingeniería en Inteligencia Artificial (la primera en México avalada por la SEP y organismos internacionales) así como una Maestría en Ingeniería en Ciencias de la Computación.
Universidad Nacional Autónoma de México (UNAM): A través de sus facultades de Ciencias y de Ingeniería, la UNAM ofrece programas de posgrado y cursos relacionados con el aprendizaje automático.
Tecnológico de Monterrey: Ofrece programas de posgrado y cursos especializados en Machine Learning, con un enfoque práctico y aplicado.
Universidad Iberoamericana: Cuenta con programas de posgrado en Inteligencia Artificial y Ciencia de Datos, con un enfoque en la resolución de problemas reales.
Otras universidades: Instituciones como la Universidad Panamericana, la Universidad Anáhuac y la Universidad del Valle de México también ofrecen programas y cursos en esta área.
Plataformas de aprendizaje en línea sobre machine learning
Coursera, edX, Udemy: Estas plataformas ofrecen una amplia variedad de cursos de Machine Learning, desde niveles introductorios hasta avanzados, impartidos por universidades y expertos en la materia.
Platzi: Plataforma latinoamericana que ofrece cursos prácticos y proyectos reales en Machine Learning y temas relacionados.
Google Cloud, AWS, Microsoft Azure: Las principales nubes ofrecen cursos y certificaciones en Machine Learning, con un enfoque en la aplicación de estas tecnologías en sus plataformas.
Bootcamps para aprender machine learning
Ironhack, Le Wagon: Estos bootcamps intensivos te brindan habilidades prácticas en Machine Learning en un corto período de tiempo, preparando para el mercado laboral.
¿Qué se debe considerar al elegir un programa de machine learning?
Nivel de conocimiento previo: Si eres principiante, busca programas introductorios. Si ya tienes conocimientos básicos, puedes optar por programas más avanzados.
Enfoque del programa: Algunos programas se centran en la teoría, mientras que otros enfatizan la práctica. Elige el que se adapte a tu estilo de aprendizaje.
Contenido del programa: Asegúrate de que el programa cubra los temas que te interesan, como aprendizaje supervisado, no supervisado, deep learning, etc.
Costo: Compara los costos de los diferentes programas y considera si ofrecen becas o financiamiento.
Facultad: Investiga la experiencia y trayectoria de los profesores que imparten el programa.
Salidas profesionales: Averigua qué tipo de oportunidades laborales puedes encontrar después de completar el programa.
Recomendaciones adicionales sobre machine learning:
Práctica constantemente: La mejor manera de aprender Machine Learning es practicando. Trabaja en proyectos personales, participa en hackathons y colabora con otros data scientists.
Mantente actualizado: El campo de machine learning evoluciona rápidamente. Lee artículos científicos, sigue blogs y participa en foros para estar al tanto de las últimas novedades.
Construye una red de contactos: Conocer a otros profesionales del área te abrirá puertas y te ayudará a encontrar oportunidades laborales.
