Inteligencia Artificial:

Si lo hacemos como una idea común tenemos que la inteligencia artificial es la subdiciplina del
campo de la informática, que busca la creación de máquinas que puedan imitar comportamientos
inteligentes. (usado por primera vez en 1955).

Estos comportamientos pueden ser muy diversos conducir, analizar patrones, reconocer voces, o
ganar a juegos. Son muchas las formas en la que las maquinas pude simular un comportamiento
inteligente y cada vez tenemos más ejemplos como en ciertas áreas logran alcanzar un
rendimiento mayor al humano, pero ¿esas las convierten más capaces que nosotros?... bueno no
exactamente

Machine Learning (Aprendizaje Automático)

Es la rama del campo de la inteligencia artificial, que busca como dotar a las máquinas de
capacidad de aprendizaje. (usado por primera vez en 1959); entendido este como la
generalización del conocimiento a partir de un conjunto de experiencias, este aprendizaje puede
dividirse en tres grupos deferentes (supervisado, no supervisado y reforzado), por tanto, ya
tenemos claro que el machine learning es una disciplina dentro del campo de la inteligencia
artificial pero no es una disciplina cualquiera, es un componente nuclear que de hecho se
relaciona con esta y con el resto de categorías. ¿Por qué? Porque obviamente todas las otras
capacidades pueden ser imitadas ya sea por alguien las haya programado o mucho más
interesante porque el propio sistema haya aprendido a realizarlas.

Una cosa es programas una máquina para que pueda moverse y otra es muy diferente
programarla para que aprenda a moverse igualmente no es lo mismo programar que elementos lo
conforman una cara que automáticamente aprender que es una cara; este cambio de paradigma
es lo que hace interesante al machine learnig y por ello es muy común confundir la parte de un
todo y decir que la inteligencia artificial y machine learning es la misma cosa.

Dentro del machine learning nos encontramos con un nuevo mundo donde existen diferentes
técnicas que sirven para cubrir diferentes tipos de aplicaciones por ejemplo tenemos técnicas
como los arboles de decisión, modelo de regresión, modelos de clasificación, técnicas de
caracterización y muchísimas otras más. Sin embargo si una de estas técnicas a dado fama al
campo del machine learning durante la última década este ha sido las redes neuronales; lo
interesante de los redes neuronales es que son capaces de aprender de forma jerarquizados, es
decir, la información se aprende por niveles; donde las primeras capas aprendes conceptos muy
concretos como por ejemplo que es un tornillo, un espejo una rueda y las capas posteriores usan
la información aprendida previamente para aprender conceptos más abstractos por ejemplo un
coche, un camión, una moto, esto hace que a medida que añadimos más capas la información que
se aprende es cada vez más abstracta e interesante. ¿Y cuantas capas podemos poner?; pues no
hay límite y la tendencia que cada vez estos algoritmos añadan más y más capas convirtiéndose en
algoritmos más complejos. Este incremento en el número de capas y en la complejidad es lo que
hace que estos algoritmos sean conocidos como algoritmos de Deep Learning.

Deep Learning (Aprendizaje a profundo)

Es un concepto que se a puesto muy de modo estos últimos años, pero ¿en realidad necesitamos
estas técnicas tan complejas? Pues la realidad es que sí. Piensa que estas técnicas entrenan y
aprenden a partir de los datos y actualmente nos encontramos inmersos en la era de la
información con la llegada de la digitalización el abarcamiento de los dispositivos de
almacenamiento y un cambio de mentalidad a la hora de apreciar los datos hemos entrado en una
tendencia de acumular más y más datos lo que se a denominado BIG DATA.

Por tanto y para resumir tenemos que la big data hace referencia al fenómeno de acumular
grandes cantidades de datos aunque también se suele utilizar para referirse al proceso de análisis
de todos estos datos del momento en que los captura hasta que los transforma en conocimientos
para esto se requieren de potentes y complejas técnicas como por ejemplo técnicas de Deep
learning , estas no son más que una versión vitaminadas a las redes neuronales una familia de
algoritmos de aprendizaje automático que han dado un nuevo resurgir al campo del machine
learning y por tanto al campo de la inteligencia artificial.

El cerebro

El cerebro es una maquina tan potente como compleja siendo uno de los grandes retos de la
humanidad el llegar a descubrir cómo funciona, poder responder preguntas fundamentales como
de donde emerge la inteligencia y la conciencia, que afecta su funcionamiento, ¿tal vez el
ecosistema de bacterias que conviven en nuestro cuerpo? O ¿tal vez procesos cuánticos que
todavía no hemos logrado a entender?

No sé nada de biología, pero lo que sí podría decirles es que aun cuando muchos de sus
mecanismos todavía suponen un gran misterio para los neurocientíficos en otros campos d estudio
como en el de la inteligencia artificial, el cerebro es una fuente de inspiración sobre la cual se han
desarrollado muchos de los conceptos más importantes.

Uno de estos conceptos es el delos paradigmas de aprendizaje, son los mecanismos que permiten
que podamos procesar toda aquella información nueva que percibimos para cavar
transformándola en conocimiento como podrás imaginar saber cómo funcionan estos mecanismos
es algo fundamental dentro del campo de machine learning y esto hace que el total de estos
algoritmos y técnicas dentro de este campo pueden ser clasificados en tres grandes grupos según
cual sea el paradigma de aprendizaje que estén aplicando; estos tres grupos son: aprendizaje
Supervisado, aprendizaje no supervisado y aprendizaje reforzado.

Aprendizaje supervisado: cuando hablamos de un aprendizaje supervisado nos estamos refiriendo

a un tipo de aprendizaje que se basa en descubrir la relación existente entre una variable de
entrada y una variable de salida o lo que es lo mismo el aprendizaje surge de enseñarles a estos
algoritmos cual es el resultado que quieres obtener para un determinado valor tras mostrarles
muchos ejemplos; si se dan las condiciones el algoritmo será capaz de dar un resultado correcto e
incluso cuando le muestres valores que no haya visto antes. Mediante observación es capaz de
generalizar el conocimiento y esto es la clave del aprendizaje supervisado.

Aprendizaje no Supervisado: el aprendizaje no supervisado es el paradigma que consigue producir

conocimiento únicamente de los datos que se proporciona como entrada sin necesidad en ningún
momento de explicar al sistema que resultado queremos obtener, quizás esta definición sea un
poco abstracta y de primeras te cuesta entender cómo se puede aprender sin recibir ninguna
pauta previa, pero ya veraz que con el siguiente ejemplo empiezas a encajar las piezas: imagina
que te adentras en un mundo desconocido un lugar que no conoces y del cual no tienes ninguna
información previa, encuentras un papel escrito con símbolos que parecen representar un idioma
que no conoces pero sin embargo te das cuenta de algo parece que en ese papel puede haber
escrito más de un idioma diferente, tu no entiendes ninguno de ellos pero sin embargo intentas
reconocer que símbolos pertenecen aquel lenguaje, ¿Serias capaz de averiguarlo? En caso lo
resuelvas este problema de lenguaje se llama clasterizacion y es un tipo de problema muy
importante dentro del campo de aprendizaje no supervisado, como ves sin necesidad de que
nadie te supervise tu respuesta has podido generar un tipo de conocimiento de valor con los
símbolos que te he dado como entrada. La dificultad de los algoritmos no supervisados es que no
tiene ningún ejemplo de respuesta con que saber si el algoritmo está actuando correctamente de
hecho en el problema que te he dado también existe la duda cuantos lenguajes existen ¿te das
cuenta verdad?; por el contrario, una primera ventaja que se puede deducir de este tipo de
aprendizaje es que los conjuntos de datos para entrenar son menos costosos de conseguir.

Piénsalo en caso de aprendizaje supervisado si quisieras entrenar un algoritmo para clasificar

perros y gatos necesitas no solo las imágenes de entradas sino que también que alguien
típicamente un humano vaya visualizando imagen por imagen y etiquetándola como perro o gato
y sabes que esta base datos como mínimo suelen superar los 100 000 ejemplos hasta que te
podras imaginar que no es una tarea fácil o barato de hacer; como vez el aprendizaje no
supervisado tiene su valor pero créeme que cuando te digo que esconde mucho más de lo que
aparece de hecho la comunidad científica en torno al campo de machine learning reconocen que
el futuro del campo pasa por este paradigma.

Lo que hace el aprendizaje no supervisado es buscar patrones de similitud de los datos de entrada
por ejemplo los símbolos de un lenguaje, lo interesante es que los algoritmos más potentes de
este tipo son capaces de cubrir a la perfección cual es la estructura interna que han generado
dichos datos.

Piensa en una silla ¿Cómo la definirías? ¿De diferente maneras verdad?, ¿todo el mundo
comprende el concepto de silla, pero sin embargo cuando nos fijamos en la realidad nos
encontramos con que este concepto tiene muchas variantes diferentes, entonces? ¿Qué es
realmente una silla?, es muy interesante esto porque es algo que nuestro cerebro consigue hacer
de forma automática y algo que el aprendizaje no supervisado está aprendiendo a hacer.

Actualmente los algoritmos ya son capaces de aprender estas estructuras conceptuales que son
denominadas espacios latentes, una vez construido estos espacios, las maquinas consiguen
capacidades tan interesantes como la de saber si una cosa es similar a otra cosa, por ejemplo el
significado de dos palabras e incluso puedes operar matemáticamente con concepto, por ejemplo
si entrenas de forma no supervisado una inteligencia artificial para reconocer caras puedes
escoger un punto en este espacio construido que represente un hombre con gafas, otro punto que
represente un hombre sin gafas y restarlos y el resultado sumarlo un tercer punto que represente
una mujer sin gafas, es interesante ver que el resultado es otro punto cuya representación es una
mujer con gafas. Las implicaciones de estos son absurdamente brillantes y por ello quiero repetir
de nuevo lo que dije previamente el aprendizaje no supervisado señala un camino muy
prometedor en el futuro de la inteligencia artificial.
Aprendizaje por refuerzo: su objetivo es que un algoritmo aprenda a partir de la propia
experiencia. Esto es, que sea capaz de tomar la mejor decisión ante diferentes situaciones de
acuerdo a un proceso de prueba y error en el que se recompensan las decisiones correctas. En la
actualidad se está utilizando para posibilitar el reconocimiento facial, hacer diagnósticos médicos
o clasificar secuencias de ADN.

APLICACIONES PRÁCTICAS DEL 'MACHINE LEARNING'

El Machine Learning es uno de los pilares sobre los que descansa la transformación digital.
En la actualidad, ya se está utilizando para encontrar nuevas soluciones en diferentes
campos, entre los que cabe destacar:

  Recomendaciones: permite hacer sugerencias personalizadas de compra en

plataformas online o recomendar canciones. En su forma más básica analiza el historial de
compras y reproducciones del usuario y lo compara con lo que han hecho otros usuarios
con tendencias o gastos parecidos.

  Vehículos inteligentes: según el informe Automotive 2025: industry without

borders de IBM, en 2025 ya veremos coches inteligentes en las carreteras. Gracias al
aprendizaje automático, estos vehículos podrán ajustar la configuración
interna (temperatura, música, inclinación del respaldo, etc.) de acuerdo a las preferencias
del conductor e, incluso, mover el volante solos para reaccionar al entorno.

  Redes sociales: Twitter, por ejemplo, se sirve de algoritmos de Machine

Learning para reducir en gran medida el spam publicado en esta red social mientras que
Facebook, a su vez, lo utiliza para detectar tanto noticias falsas como contenidos no
permitidos en retransmisiones en directo que bloquea automáticamente.

  Procesamiento de Lenguaje Natural (PLN): a través de la comprensión del lenguaje

humano, asistentes virtuales como Alexa o Siri pueden traducir instantáneamente de un
idioma a otro, reconocer la voz del usuario e incluso analizar sus sentimientos. Por otro
lado, el PLN también se utiliza para otras tareas complejas como traducir la jerga legal de
los contratos a un lenguaje sencillo o ayudar a los abogados a ordenar grandes volúmenes
de información relativos a un caso.

  Búsquedas: los motores de búsqueda se sirven del aprendizaje automático

para optimizar sus resultados en función de su eficacia, midiendo la misma a través de los
clics del usuario.
   Medicina: investigadores del Instituto de Tecnología de Massachusetts (MIT) ya
utilizan el Machine Learning para detectar con mayor antelación el cáncer de mama, algo
de vital importancia ya que su detección temprana aumenta las probabilidades de
curación. Asimismo, también se utiliza con una alta eficacia para detectar neumonía y
enfermedades de la retina que pueden provocar ceguera.

  Ciberseguridad: los nuevos antivirus y motores de detección de malware ya se

sirven del aprendizaje automático para potenciar el escaneado, acelerar la detección y
mejorar la habilidad de reconocer anomalías.