Machine learning: ¿en qué consiste el aprendizaje automático?

El aprendizaje automático o machine learning es una rama de la inteligencia artificial en la que los modelos informáticos aprenden a partir de datos para hacer predicciones o tomar decisiones sin necesidad de programación explícita. No solo es interesante para la ciencia y empresas tecnológicas como Google o Microsoft, sino que también puede transformar el mundo del marketing online.

¿Qué es el aprendizaje automático?

En principio, las máquinas, los ordenadores y los programas funcionan solo según lo que se haya establecido previamente: “Si ocurre el caso A, entonces hace B”. Sin embargo, nuestras expectativas sobre los sistemas informáticos modernos siguen creciendo, y los programadores no pueden prever todos los casos posibles ni dictarle una solución al ordenador para cada uno de ellos. Por eso, es necesario que el software tome decisiones por sí mismo y reaccione de manera adecuada ante situaciones desconocidas. Para ello, deben existir algoritmos que permitan que el programa aprenda. Esto significa que, en un primer paso, el sistema se alimenta con datos y, a continuación, identifica patrones y establece asociaciones. Eso es exactamente lo que implica el aprendizaje automático.

En torno a los sistemas de aprendizaje autónomos surgen siempre términos relacionados que hay que comprender para tener una idea más clara de lo que significa machine learning.

Inteligencia artificial (IA)

Los proyectos en torno a la inteligencia artificial (IA) tienen como objetivo crear programas que puedan comportarse como si de personas se trataran. Por consiguiente, estos necesitan analizar el entorno para tomar la decisión más acertada, o como diríamos en lenguaje común, deben comportarse de manera inteligente. Además, nos topamos con el problema de la denominación, más cuando ni siquiera estamos seguros de los criterios para calificar nuestra propia inteligencia, la inteligencia humana. En la actualidad la IA, o lo que se considera como tal, no simula al ser humano en su totalidad (incluida la inteligencia emocional). Por el contrario, se aíslan capacidades concretas para realizar tareas específicas, lo que se conoce generalmente como “inteligencia artificial débil”.

Desde 2022, los sistemas con IA generativa han ganado gran relevancia. Estos se basan en modelos de transformadores capaces de generar textos, imágenes o código a partir de enormes volúmenes de datos. Sin embargo, siguen siendo sistemas especializados que no poseen una verdadera inteligencia general.

Redes neuronales

Una de las ramas de investigación de la inteligencia artificial es la neuroinformática, que intenta continuamente crear programas informáticos que se asimilen al cerebro humano; analiza el sistema nervioso de forma abstracta, al margen de sus funciones biológicas, y se centra en su lógica de funcionamiento. Bajo el término de red neuronal artificial no se hace referencia a una manifestación real, sino al conjunto de procesos matemáticos abstractos con los que se crea “una red de neuronas” (funciones matemáticas o algoritmos) que pueden resolver tareas complejas al igual que el cerebro humano. Las conexiones entre neuronas tienen distinta intensidad y pueden adaptarse a los distintos problemas.

El desarrollo de las redes neuronales ha dado lugar al auge del aprendizaje profundo. Se trata de redes neuronales complejas con múltiples capas que actualmente dominan el campo.

Big data

En principio, el término big data o datos masivos sirve para describir la cantidad ingente de información de la que se dispone, sin que realmente exista un punto de inflexión entre lo que se considera data y lo que se estima como datos masivos. El motivo de que en los últimos años haya crecido la atención de los medios con respecto a los macrodatos reside en su origen, ya que en muchos casos el flujo de información proviene de los propios datos de usuarios (intereses, perfiles de movimiento, datos personales, etc.). Esto permite a las empresas personalizar al máximo su oferta para los clientes al obtener esta información de Google, Amazon o Meta (Facebook).

Además, los sistemas de computación tradicionales no son capaces de analizar correctamente este volumen de información, dado que el software tradicional solo encuentra lo que el usuario busca, motivo por el que se necesitan sistemas de aprendizaje autónomo que puedan encontrar relaciones previamente desconocidas.

Data mining

La minería de datos o data mining hace referencia al análisis del big data, ya que en sí la recopilación de información carece de valor y solo adquiere importancia cuando de ella se pueden extraer y analizar rasgos relevantes. A diferencia del aprendizaje automático, la minería de datos se centra en encontrar nuevos patrones, mientras que el aprendizaje automático se enfoca en aplicar patrones ya conocidos. Entre las técnicas de la minería de datos se incluyen análisis de clústeres, árboles de decisión, métodos de regresión y análisis de asociación. Hoy en día, el data mining suele ser parte de los sistemas de inteligencia empresarial o se utiliza en la analítica predictiva para predecir el comportamiento de los clientes o las tendencias del mercado.

Diferentes métodos de aprendizaje automático

En términos generales, los desarrolladores distinguen entre aprendizaje supervisado, aprendizaje no supervisado y aprendizaje profundo. Los algoritmos utilizados en cada uno de estos enfoques son muy diferentes.

Aprendizaje supervisado

En el aprendizaje supervisado (supervised learning) se proporciona al sistema un conjunto de ejemplos y el programador establece qué valor recibe cada dato, por ejemplo, si este pertenece a la categoría A o B. A partir de entonces, el sistema de autoaprendizaje saca conclusiones, reconoce patrones y, por consiguiente, puede lidiar mejor con los datos desconocidos, siempre con el objetivo de reducir progresivamente la tasa de error.

Un ejemplo conocido de aprendizaje supervisado es el filtro de spam. En función de las características que presente el mensaje recibido, el sistema decide si debe aparecer en la bandeja de entrada o si, por el contrario, se almacena directamente en la bandeja de correo no deseado. Si el sistema comete un error, el usuario puede reajustar las características manualmente de modo que el filtro adapte sus cálculos en el futuro, permitiendo al software conseguir cada vez mejores resultados.

Aprendizaje no supervisado

En el aprendizaje no supervisado, el programa intenta reconocer patrones por sí mismo. Para ello, puede utilizar técnicas como el clustering: se selecciona un elemento de un conjunto de datos, se analizan sus características y luego se compara con los elementos ya analizados. Si encuentra elementos equivalentes, el objeto actual se añadirá a ellos. Si no es así, se almacenará de forma aislada.

Los sistemas que se basan en el aprendizaje no supervisado se llevan a cabo, entre otros, en las redes neuronales. Se usan, por ejemplo, para garantizar la seguridad de la red, dado que pueden reconocer los comportamientos anómalos. Así, si el sistema, al analizar un elemento (que supone un ciberataque) no es capaz de asociarlo con ninguno de los grupos conocidos, reconoce el riesgo que este elemento conlleva y hace saltar la alarma.

Además de estas dos direcciones principales, existen otros enfoques como el aprendizaje semisupervisado (semi-supervised learning), el aprendizaje por refuerzo (reinforcement learning), el aprendizaje activo (active learning) y el aprendizaje autosupervisado (self-supervised learning). Estos métodos pertenecen al aprendizaje supervisado y se diferencian en el tipo y la cantidad de participación por parte de los usuarios. Uno de los más relevantes hoy en día es el aprendizaje autosupervisado, donde los sistemas generan las tareas de aprendizaje por sí mismos, sin intervención del usuario.

Aprendizaje profundo

A diferencia de los algoritmos clásicos de aprendizaje automático, como los árboles de decisión o las máquinas de vectores de soporte, el aprendizaje profundo utiliza redes neuronales multicapas para procesar conjuntos de datos más complejos y difíciles de entender. Así, por ejemplo, los programas que se ocupan del reconocimiento facial, de voz o de escritura se basan en datos naturales, difíciles de entender desde un punto de vista matemático. Por eso, aunque en un principio resulten muy fáciles de procesar para los seres humanos, aumentan en dificultad cuando son las máquinas las que se encargan de la actividad.

Existe también una relación estrecha entre los conceptos de aprendizaje profundo y la red neuronal artificial, pues la forma en la que se entrenan las redes neuronales puede ser descrita como aprendizaje profundo. De hecho, recibe la denominación de profundo dado que la red de neuronas está ordenada en diferentes niveles jerárquicos. Se inicia en el primer nivel con una capa de neuronas de entrada que registra los datos, empieza con el análisis y envía los resultados a las siguientes capas neuronales. Finalmente, esta información, que cada vez se va perfeccionando más, alcanza el nivel de salida y la red da un valor. Los numerosos niveles que se encuentran entre la entrada y la salida se denominan capas ocultas (hidden layers).

¿Cómo funciona el aprendizaje automático para el marketing?

En la actualidad, el aprendizaje automático desempeña importantes funciones en el ámbito del marketing, aunque, por lo general, las empresas usan esta tecnología internamente, especialmente en el caso de Google. De hecho, estos sistemas son tan nuevos que no se pueden adquirir como soluciones out of the box, listas para usarlas, sino que son los grandes proveedores de servicios de Internet los que desarrollan sus propios sistemas, impulsando los avances en este campo. Esto, unido a que también existen soluciones de código abierto promovidas por investigadores independientes cuyo interés no se basa en el beneficio económico, está acelerando el progreso en esta área.

Análisis de datos y pronósticos

El marketing, además de su vertiente creativa, siempre tiene un aspecto analítico: las estadísticas sobre el comportamiento de los clientes juegan un papel crucial en la toma de decisiones sobre las campañas publicitarias. Cuanto mayor es la cantidad de datos, más información se puede extraer de ellos. Los modelos de aprendizaje automático identifican patrones y pueden hacer predicciones fundamentadas, algo que los humanos, que tienden a manejar los datos de manera sesgada, solo pueden hacer de forma limitada.

Por norma general, cuando un analista trabaja con los datos tiene ciertas expectativas sobre los valores. Estos prejuicios son casi inevitables para los seres humanos y a menudo son la causa de distorsiones. Cuanto mayores sean los volúmenes de datos, más fuertes serán las desviaciones. No obstante, aunque las máquinas inteligentes también pueden tener ciertos prejuicios, dado que inconscientemente los seres humanos las programan con este rasgo, son más objetivas pues tratan con hechos estables, permitiendo que en la mayoría de los casos puedan realizar análisis relevantes.

Visualización

Los sistemas de aprendizaje automático también facilitan la visualización de datos, mejorando la forma en que se presentan los resultados de los análisis. Gracias a la visualización automatizada, el propio sistema selecciona el tipo de gráfico más adecuado y resume los hallazgos, lo que ayuda a los analistas a interpretar pronósticos y descubrimientos. Dado que los grandes volúmenes de datos son difíciles de representar de forma manual, es fundamental que la visualización se genere directamente a partir de los cálculos del ordenador.

Personalización y diseño generativo

También en el ámbito de la creación de contenido, el aprendizaje automático está adquiriendo cada vez más protagonismo, especialmente en lo que se refiere al diseño generativo. En lugar de diseñar la misma experiencia para todos los usuarios, los sistemas dinámicos basados en aprendizaje automático permiten crear experiencias personalizadas. Los contenidos de una página web siguen siendo proporcionados por redactores y diseñadores, pero el sistema combina los elementos específicamente para cada usuario. Hoy en día, los sistemas de inteligencia artificial y aprendizaje automático se utilizan incluso para diseñar de forma autónoma o generar contenido. Por ejemplo, con Project Dreamcatcher es posible que una máquina diseñe componentes de ingeniería. Además, los LLM (modelos de lenguaje extensos) como ChatGPT pueden crear textos para páginas web adaptados a grupos específicos de usuarios.

Chatbots inteligentes y procesamiento del lenguaje

El aprendizaje automático también se puede utilizar para optimizar los chatbots. Muchas empresas ya implementan programas que gestionan parte del soporte al cliente a través de un chatbot. Sin embargo, en muchos casos, los usuarios se frustran rápidamente con los bots tradicionales. Un chatbot basado en un sistema de aprendizaje automático con IA y con un buen (procesamiento del lenguaje natural) y reconocimiento de voz puede hacer que los clientes sientan que realmente están interactuando con una persona, acercándose al llamado “efecto Turing”.

Sugerencias personalizadas

Las conocidas recomendaciones de Amazon y Netflix han contribuido al desarrollo del aprendizaje automático, beneficiando en gran medida a los profesionales del marketing. Un factor importante en el éxito de estos proveedores se basa en la capacidad de sus programas de predecir lo que el usuario querrá en un futuro próximo, pues en función de los datos recopilados estos sistemas pueden recomendar a los usuarios otros productos relacionados. Lo que en un principio se realizaba de una forma muy general (a nuestros clientes les gusta A, por lo que la mayoría también querrá B) tiene hoy un mayor grado de precisión gracias a estos programas inteligentes (el cliente X ha adquirido los productos A, B y C, por lo que el producto D probablemente también le guste). En resumen, se puede afirmar que los sistemas de aprendizaje automático pueden influir en cuatro puntos importantes en el marketing online:

• Volumen de información: aquellos programas que funcionan gracias al machine learning y han sido bien programados permiten analizar un volumen elevado de datos y ofrecer pronósticos fiables.
• Velocidad: los análisis suponen una cantidad de tiempo considerable si se pretenden hacer a mano, por lo que el uso de modelos de aprendizaje automático reducirá el tiempo de análisis, permitiendo al mismo tiempo reaccionar con mayor rapidez a los cambios.
• Automatización: con el aprendizaje automático resulta más fácil mecanizar procesos complejos y permite a los sistemas modernos adaptarse a las nuevas circunstancias de forma autónoma.
• Personalización: los programas informáticos pueden atender a innumerables clientes. Como los sistemas de aprendizaje automático recopilan y procesan los datos de cada usuario, también pueden ofrecerles experiencias y recomendaciones personalizadas.

Otros campos de aplicación para sistemas de aprendizaje automático

El marketing no es el único ámbito en el que la aplicación del aprendizaje automático crece progresivamente, sino que también tiene presencia en otros muchos campos: contribuye al progreso de la ciencia, apoya el avance de la tecnología, facilita el día a día gracias a los dispositivos electrónicos, etc. Estos son solo algunos ejemplos dentro de la gran variedad de ámbitos de actuación del aprendizaje automático, lo que nos hace suponer que en un futuro no tan lejano este tipo de sistemas inteligentes estará presente en todos los aspectos de nuestra vida.

Ciencia

En el ámbito de la ciencia, el aprendizaje automático tiene una importancia igual o mayor que en el ámbito del marketing, dado que el procesamiento inteligente del big data facilita enormemente el trabajo de los investigadores, permitiendo, por ejemplo, a la física de partículas recoger más datos de medición, procesarlos y de esta forma determinar las desviaciones. Pero también en medicina es de gran utilidad pues en la actualidad los médicos ya recurren a la inteligencia artificial para realizar diagnósticos y aplicar tratamientos, además de utilizar el aprendizaje automático para predecir diabetes o enfermedades cardiovasculares.

Robótica

La amplia presencia de los robots es especialmente importante en las fábricas. Son necesarios en la producción en masa, ya que permiten automatizar diferentes procesos de trabajo, pero en general tienen poca relación con los sistemas de autoaprendizaje, pues se programan para realizar una actividad concreta de forma repetitiva y sin variaciones. Sin embargo, si el aprendizaje automático se introdujese en estos procesos, las máquinas podrían aprender a dominar otras tareas. Pero los robots que integran sistemas inteligentes también pueden ser útiles en otros muchos campos que abarcan desde la carrera espacial hasta el ámbito doméstico.

Movilidad

Uno de los grandes retos del aprendizaje automático es la conducción autónoma. Conseguir que los coches sean capaces de conducir por sí mismos y sin causar accidentes fuera de los circuitos de prueba puede hacerse realidad gracias a estos sistemas inteligentes. Como no es posible programar todos los escenarios, es importante dotar a los coches autónomos de sistemas de aprendizaje automático, pero no es la conducción autónoma el único campo en el que estos sistemas han dejado huella, dado que los algoritmos inteligentes en forma de redes neuronales pueden analizar el tráfico y desarrollar sistemas efectivos que, por ejemplo, regulen semáforos inteligentes, para mejorar así el flujo de tráfico y evitar la formación de atascos.

Internet

En Internet, este aprendizaje inteligente constituye una pieza muy importante. Un ejemplo son los filtros de spam. Con un aprendizaje progresivo, este programa filtra cada vez con mayor exactitud los mensajes no deseados y hace que el spam desaparezca de la bandeja de entrada. Lo mismo ocurre con los programas inteligentes que protegen a los sistemas de computación de virus y malware cada vez con mayor efectividad. Los algoritmos de búsqueda de los motores de búsqueda, especialmente RankBrain de Google, también son sistemas de autoaprendizaje. Incluso cuando el algoritmo no sabe cómo responder a la búsqueda de un usuario porque es la primera vez que alguien la realiza, puede inferir la intención probable de la consulta.

Asistentes personales

En el ámbito doméstico, la importancia de estos sistemas de computación cada vez más inteligentes va aumentando, transformando las viviendas tradicionales en casas inteligentes. Moley Robotics ha desarrollado, por ejemplo, una cocina inteligente que con sus brazos mecánicos puede preparar comidas. También los asistentes personales como Google Home y Amazon Echo, desde los que es posible gestionar la propia vivienda, recurren al machine learning para entender a los usuarios de la mejor forma posible. Asimismo, muchas personas transportan consigo asistentes, ya que Siri, Cortana y el Asistente de Google permiten a los usuarios hacer preguntas o dar órdenes al smartphone a través de comandos de voz.

Juegos

Desde el inicio de los estudios en torno a la inteligencia artificial llamó la atención de los investigadores la capacidad de estos programas para poder participar en juegos, lo que se ha demostrado en el ajedrez, las damas o Go, juego procedente de China y probablemente el juego de tablero más complejo del mundo, enfrentando sistemas de machine learning con seres humanos. En el caso de los videojuegos, los desarrolladores recurren a estas máquinas para hacer sus juegos más interesantes. Además, los diseñadores de juegos pueden incorporar este aprendizaje autónomo para equilibrar la experiencia entre la IA y los jugadores reales.

La historia del aprendizaje automático

Los robots y autómatas han acompañado a la humanidad durante varios siglos. La relación entre el ser humano y la máquina pensante siempre ha oscilado entre el miedo y la fascinación. Sin embargo, los esfuerzos reales por desarrollar el aprendizaje automático comenzaron en la década de 1950, en una época en la que los ordenadores aún estaban en una fase incipiente y la inteligencia artificial solo podía imaginarse. Aunque ya en los dos siglos anteriores teóricos como Thomas Bayes, Adrien-Marie Legendre y Pierre-Simon Laplace sentaron las bases para la investigación posterior, fue el trabajo de Alan Turing el que plasmó de forma concreta la idea de las máquinas que aprenden.

En 1950, Turing desarrolló su conocido Test de Turing, un experimento en el que un ordenador trata de convencer a un humano de que está interactuando con otra persona. Si el humano no puede reconocer que no está hablando con un ser de carne y hueso, la máquina pasa la prueba. En aquel entonces todavía estaba lejos de alcanzarse, pero solo dos años después Arthur Samuel desarrolló un programa de ordenador capaz de jugar a las damas y mejorar con cada partida. El programa tenía la capacidad de aprender. Finalmente, en 1957, Frank Rosenblatt creó el Perceptrón, el primer algoritmo capaz de aprender de manera guiada: una red neuronal artificial.

En la actualidad, las grandes empresas son los motores del desarrollo del aprendizaje automático: IBM desarrolló Watson, un sistema de IA con una vasta base de conocimiento capaz de responder preguntas formuladas en lenguaje natural. Google y Meta utilizan el aprendizaje automático para entender mejor a sus usuarios y ofrecerles más funcionalidades.