Machine Learning: enseñando a las máquinas a aprender

Es uno de esos términos de moda. Machine Learning es una apuesta segura en la lista de expresiones que saldrán en cualquier conversación sobre los empleos del futuro. También en charlas sobre inteligencia artificial o desarrollo tecnológico. No es para menos: este concepto está detrás del desarrollo de los coches que conducen solos o de esas máquinas que nos sorprenden derrotando a grandes maestros del ajedrez o el póquer, entre otras aplicaciones.

Como su propio nombre indica, el Machine Learning consiste en enseñar a las máquinas a aprender por sí mismas para que su trabajo se optimice. Es una disciplina ligada a la inteligencia artificial que ha evolucionado mucho en los últimos años.

A grandes rasgos, el Machine Learning ayuda a las máquinas a emular el funcionamiento de nuestra inteligencia. En este sentido, hay que tener en cuenta que existen muchas definiciones de este concepto. Para comprender el significado de Machine Learning, tomaremos aquella que dice que la inteligencia es nuestra capacidad para predecir cosas a partir de nuestra experiencia. Es decir, a partir de los datos que tenemos almacenados en nuestro cerebro y que nos ayudan a reconocer patrones para predecir, por ejemplo, si un objeto estará demasiado caliente antes de tocarlo.

El Machine Learning se basa en el mismo principio. Sirve para que una máquina sea capaz de analizar una serie de datos, reconocer patrones, aprender de ellos y predecir un resultado.

Las aplicaciones prácticas para explicar esto son muy variadas. Por ejemplo, existen sistemas capaces de predecir la evolución de la esclerosis múltiple a partir de los datos de 40.000 pacientes. Incluso de determinar con bastante precisión cuándo fallecerán los pacientes en estado crítico de un hospital. También es lo que permite a un coche autónomo tomar una decisión cuando se encuentra con alguna incidencia durante la conducción.

Para conseguir todo esto, se utilizan algoritmos que desarrollan los programadores. Los algoritmos no son otra cosa que el libro de instrucciones que dan los técnicos a la máquina para que pueda entender el mundo real. Esa realidad se trocea en pequeños problemas sucesivos que la máquina debe resolver como si siguiera un manual de instrucciones o una receta. Como resultado, la máquina toma unos datos, realiza los cálculos indicados por el algoritmo y ofrece una solución.

Las técnicas de Machine Learning permiten entrenar a las máquinas utilizando una gran cantidad de datos. Esto da la oportunidad de ir refinando y perfeccionando los algoritmos para que las predicciones de las máquinas sean cada vez más exactas.

En su vertiente más simple, el Machine Learning se basa en indicar a la máquina que siga unas determinadas reglas para resolver un problema, mediante un entrenamiento supervisado. Los programadores se encargan de perfeccionar el algoritmo que lo hace posible, considerando una gran cantidad de variables para optimizarlo. Son ellos quienes llevan de la mano a la máquina por cada fase del proceso para que aprenda a identificar lo que queremos de manera automática.

Lo último en este campo se conoce como Deep Learning, un concepto que está revolucionando el desarrollo de la inteligencia artificial desde hace algunos años. Realiza un entrenamiento no supervisado que hace posible que las máquinas aprendan por sí solas a partir de cada nuevo dato que reciben. Si alguna vez utilizan un dato equivocado, aprenden del error y usan otro para aproximarse al resultado correcto de manera cada vez más rápida y fiable. Además, no volverán a cometer el mismo error.

Para conseguirlo, en lugar de dotar a la máquina con una lista interminable de indicaciones, se le da un modelo que le permita evaluar ejemplos y una pequeña colección de instrucciones para modificar ese modelo cuando tenga lugar algún error. Así, con el tiempo se espera que la propia máquina sea capaz de solucionar un problema de manera extremadamente precisa.

Entre las técnicas más comunes de Machine Learning se encuentran las conocidas como redes neuronales. A grandes rasgos, estos sistemas se dedican a emular el funcionamiento de nuestro cerebro. Utilizan redes de neuronas compuestas por distintas capas, especializadas en detectar determinadas características e interconectadas entre sí. Esas capas de neuronas son capaces de reconocer patrones, clasificarlos y categorizar para ofrecer un resultado.

Un ejemplo de su funcionamiento consiste en tomar una imagen, que será la información de entrada que recibirá la primera capa. Allí se parte en miles de trozos que cada una de las capas siguientes analizarán para asignarles un peso. Cada capa es especialista en una característica, como pueden ser el color, la forma o el tamaño. La última capa recoge toda esa información y ofrece un resultado. Por ejemplo, que lo que hay en la imagen es un gato.

Para llegar a este resultado, es decir, reconocer a un gato en una imagen, Google utilizó 16.000 procesadores en el año 2012. Fue la primera vez que una red neuronal artificial era capaz de distinguir patrones sin necesidad de recibir instrucciones externas. Se dedicó a analizar miles de vídeos en YouTube hasta llegar a reconocer al felino.

Por supuesto, las aplicaciones de las redes neuronales en Deep Learning tienen aplicaciones mucho más serias que detectar mininos en internet. Por ejemplo, sirven para refinar los sistemas de traducción automática, volverlos más precisos y conseguir resultados más similares al lenguaje natural. También los asistentes virtuales emplean esta tecnología para ganar “sentido común” en sus conversaciones.

La revolución del Machine Learning ya está en marcha. Una técnica que revoluciona la inteligencia artificial para hacernos la vida cada vez más fácil.