En un mundo inundado de datos y tecnologías en constante evolución, el Machine Learning (ML) emerge como uno de los pilares más influyentes del siglo XXI, abriendo nuevas fronteras en el procesamiento de información y toma de decisiones. Es una herramienta que ha demostrado tener el potencial de redefinir sectores enteros, desde la atención médica hasta la manufactura y el entretenimiento.
En este campo han surgido avances notables, incluidas las IA generativas, capaces de crear imágenes y vídeos, incluso en 3D. Un ejemplo dentro de la generación de imágenes 3D es el “Gaussian Splatting”, que es capaz de generar escenas tridimensionales a partir de vídeos en 2D, dando un resultado tan realista que el color de la propia superficie de los objetos cambia en función de la posición del propio espectador, e incluso permite poder observar la escena desde perspectivas desde las que nunca fue filmada.
Además, los modelos de Large Language Models (LLM) como GPT-4 de OpenAI, marcan un hito en el procesamiento del lenguaje natural; produciendo textos que, en ocasiones, son prácticamente indistinguibles de los escritos por humanos, así como código de programación, e incorporando nuevas funcionalidades apoyándose en otros modelos; como la capacidad de ver lo que ocurre en una imagen, ser capaz de entender lo que dices, de hablar o incluso de generar imágenes (apoyándose en DALL·E 3 y generando los prompts por nosotros).
De hecho, Microsoft se encuentra desarrollando el “Proyecto JARVIS” (sí, como la famosa IA de Ironman), donde se pretende usar a chatGPT como un “cerebro” encargado de seleccionar el mejor modelo de IA para solucionar el problema que le hayamos planteado e interactuar con él para entregarnos aquello que le hemos pedido (y es por esto que un LLM, que genera texto, es capaz de vernos, escucharnos, hablarnos y generarnos imágenes).
Pero, ¿qué es el Machine Learning?
En esencia, Machine Learning (ML) es un método por el cual las máquinas, o en este caso los programas informáticos, “aprenden” de los datos. Es una rama dentro de la inteligencia artificial. A diferencia de la programación tradicional, donde se da una serie de instrucciones explícitas a la máquina, en ML se le proporcionan datos y se le permite encontrar patrones y hacer predicciones o decisiones basadas en esos datos.
Imagínalo como enseñarle a un niño a reconocer frutas. En lugar de decirle explícitamente cómo es cada fruta, le muestras ejemplos repetidamente hasta que él mismo puede identificarlas.
¿Y cómo se supone que funciona esto?
El proceso típico del ML involucra tres fases:
- Fase 1 – Entrenamiento: Se proporciona un conjunto de datos al modelo (una estructura matemática) facilitando también la “respuesta” que esperamos para que “aprenda” (por ejemplo, fotos de gatos con la palabra “gato” y fotos de perros con la palabra “perro”). Durante este proceso, el modelo “ajusta” sus parámetros internos para hacer las mejores predicciones posibles.
- Fase 2 – Validación: Se evalúa el rendimiento del modelo utilizando un conjunto de datos diferente al de entrenamiento (fotos de perros y gatos que no ha visto antes para que te diga de qué animal se trata). Esto asegura que el modelo no solo memorice los datos (sobreajuste), sino que generalice bien a nuevos ejemplos (de nada nos sirve que solo identifique a aquellos perros y gatos que ha visto con anterioridad).
- Fase 3 – Prueba: Una vez satisfechos con el rendimiento, se utiliza en datos del “mundo real” para hacer predicciones o tomar decisiones (siguiendo con el ejemplo anterior, crear una App que use la cámara para decirme si el animal que tengo delante es un perro o un gato).
Muy bien, ¿y cuántas formas diferentes de aprendizaje existen?
Los diferentes tipos de aprendizaje automático van en continua evolución, y van surgiendo tipos nuevos de aprendizaje a medida que pasa el tiempo, pero en el momento en el que se escribe este artículo creo que es interesante centrarnos sobre todo en los siguientes:
1. Supervisado
El aprendizaje supervisado es probablemente la modalidad más conocida del ML. Aquí, el modelo se entrena con un conjunto de datos que tiene entradas y salidas conocidas (etiquetadas). El objetivo es que, una vez entrenado, el modelo pueda hacer predicciones precisas sobre datos no vistos basándose en lo que ha aprendido.
Ejemplo: Si tenemos un conjunto de datos de casas con sus características y precios, un modelo supervisado podría aprender a predecir el precio de una casa nueva basado en sus características.
2. No supervisado
En el aprendizaje no supervisado, el modelo trabaja con datos que no están etiquetados. El objetivo aquí no es predecir una salida específica, sino descubrir estructuras o patrones en los datos.
Ejemplo: Un algoritmo de agrupación (como k-means) puede identificar segmentos de clientes en un conjunto de datos de compras, sin que se le diga explícitamente qué tipos de clientes existen.
3. Semi-supervisado
Como su nombre indica, el aprendizaje semi-supervisado se encuentra entre el supervisado y el no supervisado. Utiliza tanto datos etiquetados como no etiquetados para el entrenamiento. Esta modalidad puede ser útil cuando se tiene una gran cantidad de datos no etiquetados y una pequeña cantidad de datos etiquetados.
Ejemplo: Imagina un sistema de reconocimiento facial donde solo algunas caras están etiquetadas. El modelo puede aprender de las caras etiquetadas y aplicar ese conocimiento para etiquetar las caras no etiquetadas.
4. Por refuerzo
En el aprendizaje por refuerzo, el modelo (o agente) interactúa con un entorno y toma decisiones. Recibe retroalimentación del entorno en forma de recompensas o penalizaciones, y su objetivo es maximizar la recompensa a lo largo del tiempo.
Ejemplo: Enseñar a un robot a caminar. El robot recibe una recompensa cuando se mueve hacia adelante y una penalización si se cae.
5. Por transferencia
El aprendizaje por transferencia se refiere a usar el conocimiento adquirido en una tarea para ayudar en el aprendizaje de una tarea diferente pero relacionada. Es especialmente útil en situaciones en las que se dispone de pocos datos para la nueva tarea, pero se tiene un modelo previamente entrenado en una tarea similar. Al transferir el conocimiento previo, se puede acelerar y mejorar el proceso de entrenamiento del nuevo modelo.
Ejemplo: Imagina que tienes un modelo entrenado para reconocer diferentes tipos de vehículos (como coches, camiones y motos). Si ahora quieres entrenar un modelo para distinguir modelos específicos de coches, podrías usar el conocimiento previo del primer modelo para ayudar en esta nueva tarea, en lugar de empezar desde cero.
¿Y qué aplicaciones tiene todo esto?
Las aplicaciones del ML son tan variadas como las siguientes:
Reconocimiento de imágenes
Esta aplicación abarca desde la identificación y clasificación de objetos en fotografías digitales hasta el análisis de imágenes médicas. También se utiliza en la detección de rostros y en sistemas de reconocimiento facial avanzado.
Procesamiento del lenguaje natural (NLP)
Gracias al NLP, es posible realizar traducciones automáticas, análisis de sentimientos en textos, generación de resúmenes y facilitar la comunicación mediante chatbots o asistentes virtuales.
Análisis de datos y predicción
El ML desempeña un papel crucial en la predicción de demandas, análisis de riesgos financieros, detección de actividades fraudulentas y en anticipar comportamientos de consumidores.
Sistemas de recomendación
Estos sistemas ofrecen sugerencias personalizadas a los usuarios, ya sea de productos, servicios, contenido multimedia, artículos de noticias, entre otros, basándose en sus historiales y preferencias.
Robótica y control
En el ámbito de la robótica, el ML contribuye en la navegación y control de robots, en el desarrollo de vehículos autónomos y en la operación de drones.
Juegos
La inteligencia artificial potenciada por el ML se usa en videojuegos para mejorar la experiencia del jugador, resolver rompecabezas y en la generación procedural de escenarios y personajes.
Medicina y biología
En el ámbito médico, el ML ayuda en la predicción y diagnóstico de enfermedades, en análisis genéticos y en el desarrollo y optimización de fármacos.
Agricultura
Aquí, el ML se emplea en el monitoreo y control de cultivos, en la optimización de sistemas de riego, y en la detección temprana de plagas y enfermedades.
Energía
El sector energético se beneficia del ML en áreas como la optimización de la producción y distribución de energía, en el pronóstico de demandas y en la mejora de la eficiencia energética.
Fabricación y logística
En la industria, el ML se utiliza para asegurar la calidad de los productos, optimizar procesos de fabricación y planificar de manera eficiente la cadena de suministro.
Estos son unos ejemplos de aplicación, pero las posibilidades se limitan a la imaginación del ingeniero que lo implementa.
Todo esto es muy bonito, pero… ¿Dónde aprendo todo esto?
A día de hoy, en España, para aquellos que disponen de un grado superior en las ramas relacionadas con la informática, existe un curso de especialización en IA y Big Data, al igual que diferentes másteres universitarios. Pero para aquellos que no dispongan de la titulación necesaria o que no quiera depender de una titulación reglada, existen una cantidad enorme de recursos de aprendizaje online, tanto de pago como gratuitos. En este artículo, nos vamos a centrar en la que para mí es una de las plataformas más interesantes para comenzar, que no es otra que Kaggle.
¿Qué es Kaggle?
Kaggle, fundada en 2010, comenzó como una plataforma para competiciones de predicción y modelado. Actualmente, es propiedad de Google LLC y se ha convertido en una comunidad en línea donde los científicos de datos y los entusiastas del Machine Learning comparten y colaboran en sus proyectos, ideas y descubrimientos. Kaggle ofrece a los usuarios la posibilidad de aprender, colaborar y competir en un mismo espacio.
Aprendiendo Machine Learning con Kaggle
Además de cursos específicos que podréis encontrar en la misma plataforma y que te permiten aprender practicando con las mismas herramientas que usaría un científico de datos; uno de los aspectos más destacados de Kaggle es su sección de “Notebooks”, donde los usuarios pueden crear y compartir Jupyter Notebooks. Estos notebooks son esencialmente guías y tutoriales interactivos que abarcan una amplia variedad de temas, desde introducciones básicas hasta técnicas avanzadas de modelado. Es un recurso excelente para aquellos que buscan aprender de manera práctica, ya que pueden ver el código, modificarlo y ejecutarlo en tiempo real.
Además, Kaggle cuenta con “Datasets”, una vasta colección de conjuntos de datos publicados por usuarios y organizaciones. Estos conjuntos de datos, que abarcan desde información financiera hasta imágenes de satélite, son esenciales para practicar y aprender cómo se manejan y se analizan datos reales en el mundo del Machine Learning.
Compitiendo en Kaggle
Las competiciones son, sin duda, la joya de la corona de Kaggle. Empresas, organizaciones e investigadores plantean problemas reales y ofrecen premios monetarios para las soluciones más eficientes. Estas competiciones varían en complejidad y abarcan desde la predicción de ventas hasta la detección de enfermedades en imágenes médicas.
Participar en una competición no solo brinda la oportunidad de ganar premios, sino también de aprender en un entorno práctico, mejorar habilidades y construir un portafolio. Además, destacar en estas competiciones puede abrir puertas a oportunidades profesionales en el mundo del análisis de datos y el Machine Learning.
Conclusión
El Machine Learning es más que una simple técnica de procesamiento de datos; es el epicentro de la revolución tecnológica de nuestra era. Desde transformar la forma en que interactuamos con máquinas, hasta redefinir industrias enteras, su impacto es inmenso y todavía está en sus primeras etapas. Con una amplia variedad de aplicaciones y herramientas a nuestra disposición, nunca ha sido un mejor momento para adentrarse en este campo y aprovechar su potencial. El futuro es ahora y está impulsado por el Machine Learning.
