Ideas básicas del “Machine Learning”.
Inicios
La idea de la creación de máquinas inteligentes se remonta a unos siglos atrás, como es el ejemplo de la existencia de máquinas con esta característica en la mitología griega. De esta manera, podemos apreciar que las concepciones antiguas de inteligencia artificial han evolucionado a gran escala, claramente de la mano de las ciencias computacionales, ya que con los considerables avances de los sistemas computacionales en diferentes épocas, una nueva era de la información ha entrado a nuestra puerta.
Podemos preguntarnos ¿Que es esta llamada “Era de la información”?, pero la mejor explicación seria:
“ No es más que la era de la historia de la humanidad ligada a las tecnologías de la información y la comunicación”.
Para esta nueva era, el manejo óptimo de grandes cantidades de datos por parte de organizaciones y empresas es de vital importancia, siendo este un requisito imprescindible para el éxito. El uso de las computadoras es importante para el cumplimiento de este objetivo a partir de maquinas inteligentes, y entre las diferentes ramas que también interactúan en su creación encontramos a: la ciencia de datos, la inteligencia artificial, la minería de datos y el “Machine Learning”.
Idea principal
Ante el desarrollo de sistemas computacionales más rápidos y eficientes los investigadores han podido llegar a gestionar grandes volúmenes de datos de manera automática, todo esto gracias a la actividad de desarrolladores, científicos e ingenieros que continuamente diseñan algoritmos, herramientas y técnicas que predigan eventos, realicen análisis y detecten anomalías, para su posterior auto reparación a partir de las entradas ingresadas. De esta manera, llegamos a la idea central del “Machine Learning” la cual es el intento de emular y en algunos casos superar el comportamiento humano más específicamente su capacidad de pensar, razonar, construir, evaluar y resolver problemas, con el objetivo de tomar decisiones basadas en datos en escala, de aquí su complejidad, ya que el cerebro humano órgano encargado de la realización de las tareas antes mencionadas es bastante complejo por sí mismo.
La toma de decisiones es de vital importancia, y para esta actividad diversas disciplinas científicas traducen los datos en respuestas claras. En pocas palabras el uso del “Machine Learning” va enfocado hacia la eficiencia en la automatización de procesos para la resolución de problemas a gran escala por medio del aprendizaje de patrones de datos, esto contrastado con la concepción del paradigma tradicional de la programación, el cual es, que a partir de lenguajes de programación como C, Python o Java se automatizan procesos por medio del ingreso de entradas, la realización de tareas y la generación de salidas. Siendo óptimo en casos de una actividad repetitiva, pero saliendo a relucir desmejoras entre una idea y la otra, ya que dicho programa no puede escalar en magnitud ni optimizarse en un largo periodo de tiempo por sí mismo, por lo que en este orden de ideas el “Machine Learning” lleva la delantera mejorando el rendimiento de los modelos generados con el pasar del tiempo.
Definición de “Machine Learning”
Como antes se mencionaba el “Machine Learning” es un campo de la inteligencia artificial con bastante antigüedad que ha ido evolucionando con ramas como las matemáticas y la probabilidad debido a su ámbito multidisciplinario, pero vale resaltar que en 1990 alcanzó su mayor auge hasta la actualidad debido a la versatilidad de soluciones que puede generar, como lo son: problemas que posean escenarios y comportamientos que cambien con el tiempo, la falta de experiencia humana en un dominio, la realización de tareas complejas para la transcripción a una tarea del computador y la ejecución de procesos con grandes volúmenes de datos que poseen muchas restricciones y condiciones complejas.
A partir de las observaciones anteriores podemos finalmente llegar a analizar una de las definiciones que mejor explica al “Machine Learning”, específicamente la del profesor Tom Mitchell (1997), la cual dice:
“Se dice que un programa de computadora aprende de la experiencia E con respecto a alguna clase de tarea T y su medida de rendimiento R, si su rendimiento en tareas en T, medido por R, mejora con experiencia E.”.
Siendo T una tarea en cualquier escala que necesite de resolución como regresión, clasificación, detección de anomalías, traducciones, etc. P el rendimiento que busca mejorar por medio del uso de medidas de exactitud, a partir de E la cual es la experiencia ganada en el tiempo con el ingreso de datos.
Las ciencias computacionales y el “Machine Learning”
Como ha sido planteado con anterioridad el “Machine Learning” se relaciona y está compuesto por un multitudinario conjunto de campos científicos, por lo que es de importancia abordar estas con mayor especificidad, entre las que encontramos la ciencia computacional, principal baluarte del “Machine Learning”, esta ciencia puede ser definida como el estudio de los procesos algorítmicos que describen y transforman información a partir de las computadoras.
Esta ciencia posee diferentes áreas de experticias como lo son el estudio del comportamiento, diseño, construcción y uso de computadoras y algoritmos para la resolución de problemas. Aunado a esto los mayores campos de concentración de esta ciencia son dos, la computación teórica que concentra su espectro en la teoría y lógica detrás de la resolución de problemas con el computador, y la computación aplicada que engloba el uso de herramientas y metodologías basadas en la computación teórica para resolver problemas.
En ambas ramas definidas con anterioridad usaremos definiciones de importancia, como los algoritmos que están conceptualizados como los pasos operacionales a partir de símbolos matemáticos y lenguajes naturales para representar programas computacionales, entre estas definiciones también encontramos la de lenguaje de programación el cual en pocas palabras es un lenguaje formal usado para indicar a las computadoras que produzcan una serie de tareas, esto por medio de código escrito en dichos lenguajes, y por último se encuentran las estructuras de datos que en base son estructuras especializadas para el manejo eficiente de datos.
A simple vista podemos apreciar que la ciencia computacional es una herramienta importante en el desarrollo de “Machine Learning”.
Referencias
D. Sarkar, R. Bali, T. Sharma (2018) Practical Machine Learning with Python.
Era de la información (2018) Disponible en:
