Machine Learning: El aprendizaje automático

Machine Learning

 

La tecnología que proporciona soluciones potenciales y se configurará como un pilar de nuestra civilización .

 

El aprendizaje automático (ML) es el proceso de enseñar a un sistema informático cómo hacer predicciones precisas cuando se alimentan de datos. Puede otorgar la capacidad de diferenciar una luz roja de una luz verde.

La diferencia clave con respecto al software de computadora tradicional es que un desarrollador humano no ha escrito un código que instruya al sistema sobre la diferencia entre la luz roja o verde. Osea, a un modelo de aprendizaje automático se le ha enseñado cómo discriminar de manera confiable con los datos percibidos.

La ML es en realidad un montón de cosas. El campo es bastante vasto y se está expandiendo rápidamente, siendo continuamente particionado y subdividido  en diferentes subespecialidades y tipos de aprendizaje automático.

El aprendizaje automático generalmente se divide en dos categorías principales: aprendizaje supervisado y no supervisado.

Para el aprendizaje supervisado, los sistemas están expuestos a grandes cantidades de datos etiquetados, por ejemplo, imágenes de figuras manuscritas anotadas para indicar a qué número corresponden. Sin embargo, algunos sistemas deben estar expuestos a millones de ejemplos para dominar una tarea.

Por el contrario, los algoritmos de tareas de aprendizaje no supervisadas no está diseñado para seleccionar tipos específicos de datos, simplemente busca datos que se pueden agrupar por sus similitudes o por anomalías que se destacan. Un ejemplo podría ser Airbnb agrupando casas disponibles para alquilar por vecindario.

pero dicho esto, ¿cual es la diferencia con la Inteligencia Artificial?

Es simple, el ML es solo un método para lograr la inteligencia artificial. Los sistemas de IA generalmente demostrarán los siguientes rasgos: aprendizaje, razonamiento, resolución de problemas, representación del conocimiento, percepción, movimiento, manipulación y en menor medida, inteligencia social y creatividad. Y mucho de ello tiene que ver con ML.

Entonces, si se desea que un programa prediga los patrones de tráfico en una intersección ocupada, puede ejecutarlo a través de un algoritmo de aprendizaje automático con datos sobre patrones de tráfico pasados. Y listo, la IA hace su trabajo.

Un grupo muy importante de algoritmos para el aprendizaje automático supervisado y no supervisado son las redes neuronalesEsto es la base de gran parte del aprendizaje automático, pueden usarse para hacer predicciones basadas en un pequeño número de características de datos.

La combinación de estas tecnologías son útiles cuando se trata de grandes conjuntos de datos con muchas funciones. Son estas profundas redes neuronales las que han alimentado el salto actual en la capacidad de las computadoras para llevar a cabo tareas como el reconocimiento de voz y la visión por computadora.

“El aprendizaje automático en su forma más básica es la práctica de usar algoritmos para analizar datos, aprender de ellos y luego hacer una determinación o predicción sobre algo en el mundo.”

Nvidia

A medida que el uso del aprendizaje automático ha ido despegándose, las empresas ahora están creando hardware especializado adaptado para correr y entrenar modelos de aprendizaje automático.

Un ejemplo de esto, es uno de los chips personalizados de la Unidad de Procesamiento Tensor (TPU) de Google, cuya última versión acelera la velocidad a la que los modelos de ML construidos utilizando la biblioteca de software TensorFlow, pueden inferir información de datos, así como la velocidad a la que ellos pueden ser entrenados.

Claramente, el Machine Learning es una herramienta increíblemente poderosa. En los próximos años, promete ayudar a resolver algunos o muchos de nuestros problemas. Hay que seguir de cerca todo lo que tiene que ofrecer, pero antes, no olvides compartir toda la información en referente a la tecnología que hace girar el mundo.

Anímate y deja tu comentario