Machine Learning

20 aplicaciones del Machine Learning – Ejemplos

En los últimos años hemos escuchado con más frecuencia el uso del término «machine learning». Desde los inicios de la inteligencia artificial los algoritmos han evolucionado con el objetivo de analizar y obtener mejores resultados: árboles de decisiones, redes Bayesianas  programación lógica inductiva (ILP), algoritmos de agrupamiento para almacenar y leer grandes volúmenes de datos y muchas otras técnicas que los programadores pueden aplicar.

Lo que nos parecía sacado de una película de ciencia ficción, hoy es una realidad poderosa que puede ayudar en muchas áreas, incluso a salvar vidas. Por este motivo son cada vez más las empresas y los sectores interesados en saber utilizar esta técnica (Machine learning) para obtener información relevante que permita tomar decisiones en base a predicciones.

¿Conocéis las aplicaciones que puede tener el Machine Learning? Antes de entrar en este tema veamos de qué se trata el Machine Learning.

 

1.- ¿Qué es el Machine Learning?

El Machine Learning o aprendizaje automático es una rama dentro del campo de la inteligencia artificial que tiene como objetivo dotar a los ordenadores de algoritmos que tengan la capacidad de aprender. Esto sirve para no tener que programarlos de forma explicita, es decir, que no sea necesario que un desarrollador utilice muchísimas horas programando todos los escenarios posibles y las excepciones posibles para hacer un programa.

La finalidad es arrojar datos partiendo de información suministrada, encontrando patrones de comportamiento, «generalizando» para así predecir cómo serán los nuevos casos basándose en la experiencia anterior. Ver más.

Conoce los orígenes de la informática que sienta las bases para la IA.

 

Gracias Alan Turing

 

2.-¿Cómo funciona el Machine Learning?

El objetivo principal es aprender desarrollando capacidades para asociar y generalizar, replicando las facultades cognitivas del ser humano, formando modelos que “generalicen” la información que se les presenta para realizar sus predicciones. El ingrediente clave son los datos.

De esta manera el machine learning asimila una amplia gama de datos (lo que se conoce como big data) que no los percibe como datos, sino como una enorme lista de ejemplos prácticos con los que aprende.

2.1.-Tipos de algoritmos:

Hay algoritmos para casi todo, desde los que buscan los patrones de cambio, los que simplemente se dedican a clasificar y hasta los que aplican las experiencias.

Los algoritmos se dividen en 3 principales categorías:

Supervised Learning (aprendizaje supervisado): Este algoritmo nos permite predecir cuál es la propiedad desconocida de un elemento en concreto cuando conocemos esa misma propiedad en un conjunto de elementos.

Unsupervised learning (aprendizaje no supervisado): Este algoritmo permite conocer los elementos que pertenecen a un mismo grupo o a diferentes mediante el estudio de sus características.

Reinforcement learning (aprendizaje por refuerzo): Une los dos tipos anteriores. El algoritmo de aprendizaje recibe una valoración sobre la relevancia de la respuesta dada. Si la respuesta es correcta, el aprendizaje por refuerzo actúa como el aprendizaje supervisado, en ambos casos el aprendiz recibe información de lo que es apropiado. Sin embargo, ante las respuestas erróneas ambas aproximaciones difieren significativamente cuando el aprendiz responde de forma inadecuada.

De este modo, el aprendizaje supervisado le dice exactamente al aprendiz qué debería haber respondido, mientras que el aprendizaje por refuerzo solo le informa acerca de que el comportamiento ha sido inapropiado y (normalmente) cuánto error se ha cometido. La aproximación del aprendizaje por refuerzo, es más habitual en la naturaleza que en el aprendizaje supervisado.

3.- ¿Cuál es la tarea del programador en el Machine Learning?

El programador tiene como función alimentar el algoritmo de entrenamiento con un volumen gigantesco de data para que este aprenda y sepa qué hacer en cada una de las excepciones. Deben perfeccionar algoritmos que especifiquen un conjunto de variables para ser lo más precisos posibles en tareas en concreto. Entre más datos se ofrezcan a la máquina se aumenta la posibilidad de que los algoritmos sean más precisos.

Cuando os hablo de generalización me refiero a la capacidad de utilizar la experiencia adquirida como un conjunto de información de ejemplo para propagarla a nuevos casos y nuevas experiencias.

4.-¿Por qué es importante el Machine Learning?

Los datos nos aportan una gran cantidad de información valiosa para la toma de decisiones de las empresas, que se traduce en una ventaja competitiva significativa. Con el uso del Machine Learning extraer los datos se ha simplificado enormemente. Actualmente es posible crear modelos de comportamiento para analizar datos de gran volumen y complejidad con las tecnologías adecuadas que proporcionan resultados muy precisos y rápidos sin intervención del humano.

 

La información es poder

 

Por tanto la importancia del Machine Learning viene de los resultados que obtenemos de ella: predicciones valiosas para tomar mejores decisiones y planificar las acciones de negocio en base a la experiencia.

 

5.-¿Cuáles son las aplicaciones actuales del Machine Learning?

El Machine Learning está siendo utilizado de muchas maneras y sus aplicaciones seguirán aumentando en la medida que se entienda la importancia del uso de los datos como información valiosa en todos los sectores. Entender por tanto que la forma en la que interpretamos la información es capaz de ayudar en la toma de decisiones nos acerca a la resolución de problemas de una manera más eficiente.

20 ejemplos de las aplicaciones que tiene el Machine Learning.

 

1.- Detección de rostro muy utilizado actualmente en los móviles o apps como instagram, snapchat, aplicaciones de belleza o de organización de bancos de imágenes. Con el Machine Learning y el Face ID los dispositivos aprenden cuál es tu rostro reconociéndola como una imagen y descartándola con otros rostros.

2.- Gmail: Para mantener al usuario protegido de virus y de recibir correos sospechosos o fraudulentos, la plataforma de email de Google integra el Machine Learning para evitar el correo no deseado (o spam) en la bandeja de entrada. El sistema «entiende y aprende» de los ejemplos pasados, para tomar decisiones en el futuro basándose en ellos. No solo esto, con la función Smart Reply, puede responder correos de forma similar a como tú lo harías.

3.- Como Anti-virus detectando softwares maliciosos.

4.- Importante en la Genética para la clasificación de secuencias de ADN.

5.- Comprensión de textos.

6.- Vehículos autónomos y robots: Los vehículos autónomos son el futuro de la industria automotriz. Se está utilizando el Machine learning en los coches para que estos se manejen solos, reconociendo la ruta, tomando en cuenta los coches y el entorno que le rodea, cumpliendo las leyes de transito, respetando la velocidad y manteniéndose por la vía de circulación. Con el Machine learning aprenden de sus errores y también del comportamiento de los otros conductores, aunque es una realidad, los coches autónomos aún no son aceptados del todo por los usuarios. En la medida en la que se de a conocer el Machine Learning este tipo de tecnologías obtendrán mejor recibimiento. Empresas como Tesla usan tecnología Deep Learning para el reconocimiento de los patrones de conducción y para predecir accidentes segundos antes de que se produzcan.

7.- Análisis de imágenes de alta calidad: Igual que con el Face ID, el Machine Learning reconoce dentro de millones de imágenes aquellas que se le han programado para aprender a conocerlas.

8.- Diagnósticos médicos basado en síntomas del paciente. Gracias a la recolección de datos y el Machine Learning se pueden detectar con mucha anticipación enfermedades como el Cáncer de mama al conocer los síntomas de los pacientes.

9.- Detectar fraudes en transacciones: Empresas como PayPaly monedas electrónicas como BITCOIN ya utilizan el machine learning para combatir el blanqueo de dinero y los fraudes. Las empresas utilizan la tecnología para reconocer millones de transacciones y detectar cuáles son las fraudulentas, quién es el vendedor y el comprador.

10.- Predecir fallos de maquinaria.

11.- En el área de los Recursos Humanos para saber si un trabajador será rentable el año que viene.

12.- Predecir el tráfico en las ciudades.

13.- Seleccionar clientes potenciales basándose en los comportamientos que tienen en las redes sociales o las interacciones en la web. El Machine Learning se utiliza para aprender del usuario y de su uso para así recomendarles mejores productos y servicios. Las empresas más famosas que utilizan esto: Amazon, Google, Instagram, Facebook…

14.- Modificar una app móvil basándose en los comportamientos de los usuarios, para para adaptarse a las costumbres y necesidades de este.

15.- Decidir cuál es la mejor hora para llamar a un cliente.

16.- Posicionamiento en buscadores.

17.- En las finanzas creando algoritmos para aprender los patrones de inversión para así comprar y vender de la manera más eficiente. Lo que los inversionistas de la bolsa tardan años en aprender, ahora es mucho más rápido con la ML.

18.- En el marketing para conocer más a los clientes e impulsar las ventas. Es así como el machine learning es utilizado para aprender los hábitos del cliente potencial y ofrecerle aquellos productos o servicios que se adapten a sus necesidades. Sirve también para el remarketing.

19.- Reconocimiento de Voz: uno de los mejores ejemplos de software de Deep Learning es Siri, la popular ayudante de Apple aprende de tu información: mensajes,calendario, música, recordatorios, email, contactos, notas, etc, para poder «entenderte» mejor cuando le formulas preguntas.

20.- Video juegos: Se utiliza esta tecnología para darle vida a los bots que interactúan con el jugador. Comenzó como inteligencia artificial, pero ahora los bots aprenden también con el Machine Learning.

Big data de las redes sociales para predecir el comportamiento ciudadano

 

 

¿Conoces alguna otra aplicación del Machine Learning? Compártela en los comentarios y aprendamos juntos mucho más sobre este mundo tan maravilloso.

 

 

También podrían interesarte estos artículos:

 

 

2 Comments
  • Marta de la Presa
    Posted at 19:38h, 09 noviembre Responder

    Me encanta!!!!!!

    • admin
      Posted at 19:49h, 09 noviembre Responder

      Muchas gracias 🙂 espero este post te sea de ayuda. El machine learning está en muchísimos ámbitos que ni imaginábamos. Pronto tendré que sumar más ejemplos, aunque el machine learnig podría hacerlo solo ;). Feliz día.

Post A Comment

Share This

Si continuas navegando en mi sitio web o haces click en aceptar, estás aceptando el uso de las cookies. Más información

Los ajustes de cookies de esta web están configurados para "permitir cookies" y así ofrecerte la mejor experiencia de navegación posible. Si sigues utilizando esta web sin cambiar tus ajustes de cookies o haces clic en "Aceptar" estarás dando tu consentimiento a esto.

Cerrar