Machine Learning

¿Qué es Machine Learning?

De acuerdo a la definición dada por Arthur Samuel en 1959, es un campo de las ciencias de la computación que le da a las computadoras la habilidad de aprender sin ser explícitamente programadas. El propósito del machine learning es que las personas y las máquinas trabajen de la mano, al ser éstas capaces de aprender como lo haría un humano. Esto es lo que hacen los algoritmos, permiten que las máquinas ejecuten tareas específicas y generales.

 El principal objetivo de un aprendiz es desarrollar la capacidad de generalizar y asociar. Llevándolo al ámbito de las computadoras, significa que éstas deberían poder desempeñarse con precisión y exactitud en tareas rutinarias o en actividades nuevas.

Esto se puede lograr replicando las facultades cognitivas del ser humano, desarrollando modelos que generalicen la información que se les presenta para realizar predicciones y la clave para que todo esto se pueda realizar son los datos.

Machine learning en el mundo real

¿Cómo beneficia Machine Learning al mundo de los negocios?

Bueno, puesto que las conversaciones y comentarios de un sinfín de consumidores digitales -cuyo número día con día sigue incrementando- le ofrecen a este tipo de tecnologías una cantidad de información abrumadora, éstas continuamente obtienen conocimientos nuevos y y detectan tendencias mas rápido de lo que cualquier humano podría hacerlo.

Si bien es cierto que esta enorme cantidad de datos la volverá mucho más eficiente, requerirá necesariamente de mucho talento humano para perfeccionarse, ya que finalmente las computadoras no tienen un dominio tan elevado del lenguaje aplicado al razonamiento. O lo que es, no son precisamente hábiles para determinar contextos. 

Lo que significa que para que el Machine Learning se desarrolle en estas áreas, los expertos en cada campo de trabajo tendrán que tomarse el tiempo para entrenar a las máquinas e irlas incorporando paulatinamente a cada uno de los procesos que deseen afinar.

Historia de Machine Learning

La historia de Machine Learning comienza en 1950, con la publicación de Alan Turing denominada “Computación e Inteligencia”. En esta, el matemático plantea lo que hoy se conoce como “La prueba de Turing”. Esta es la prueba de una máquina de demostrar un comportamiento inteligente parecido al de un humano. La misma no evalúa la capacidad de la máquina de responder respuestas correctamente, sólo se toma en cuenta la capacidad de estas de dar respuestas similares a las que daría un humano.

    Turing propuso que un humano evaluara conversaciones naturales entre un humano y una máquina diseñada para generar respuestas similares a las que daría una persona normal. Entre las premisas definidas para realizar esta prueba, se encontraba en que el evaluador sabía que uno de los miembros de la conversación sería una máquina, a su vez la conversación estaría limitada sólo a un medio textual. En el caso de que el evaluador no pueda distinguir cuál es la máquina y cuál el humano, la máquina habría pasado la prueba correctamente.

Ya hacia 1952, Arthur Samuel escribiría el primer software capaz de aprender. Éste simplemente era un software que jugaba a las “Damas” y que aprendía rápido de los errores que iba cometiendo en cada partida.

    Para 1957 Frank Rosenblatt diseña el Perceptron, una red neuronal en hardware para reconocimiento de caracteres. El propósito era el de explicar y modelar habilidades de reconocimiento de patrones de los sistemas visuales biológicos.

    En 1979, estudiantes de Stanford crean un pequeño “Auto” capaz de moverse de manera autónoma por una habitación, evitando obstáculos. Este Auto atravesó una habitación llena de sillas utilizadas como obstáculos en un tiempo de 5 horas.

    En 1981 Gerald DeJong crea el concepto de “Experience Based Learning”, haciendo que una máquina analice información de entrenamiento y cree una regla general que le permita descartar información no importante.

    En 1985 Terry Sejnowski Inventa NetTalk, que aprende a pronunciar palabras de la misma manera que lo haría un niño.

    Durante estos primeros años enunciados, se produjeron buenos avances. Pero no es hasta principio de los noventa cuando se empiezan a dar grandes cambios: científicos empiezan a crear programas que analizan grandes cantidades de datos y saquen conclusiones o aprendan de los resultados.

   En 1996 la máquina “Deep Blue” de IBM vence en una partida de ajedrez a Gary Kasparov, Campeón del mundo vigente, aunque luego el campeón lo vencería en 3 oportunidades. Un año más tarde, una nueva máquina llamada “Deeper Blue” enfrentaría a Kasparov y le ganaría las 6 partidas jugadas.

   En 2006 Geoffrey Hinton presenta el concepto de “Deep Learning” para explicar los nuevos algoritmos que permiten que las computadoras “Vean” y distingan objetos y textos diversos en imágenes y videos.

    En 2010 El Kinect de Microsoft es capaz de reconocer 20 características del cuerpo humano a una velocidad de 30 veces por segundo.

    En 2011 el ordenador Watson de IBM vence a dos inteligentes concursantes en la tercera ronda del concurso estadounidense de preguntas y respuestas “Jeopardy”. En este mismo año, Jeff Dean de Google y Andrew Ng, profesor de la Universidad de Stanford, crean “GoogleBrain”. El propósito de éste proyecto era el de crear una Red Neuronal, utilizando toda la infraestructura de Google para detectar patrones en videos e imágenes.

   En 2012 los laboratorios “Google X” se desarrolla un algoritmo de aprendizaje automático que puede navegar de manera autónoma por los videos de youtube para identificar los videos que contienen gatos.

    En 2014, un software logra convencer a un 30% de los jueces que era un ser humano. Se trata de un chatbot, que se encargaba de interactuar con gente online, de la cual el 30% se convenció que estaba hablando con un niño Ucraniano de 13 años.

  En 2014, Facebook desarrolla DeepFace, un algoritmo de software que permite reconocer o verificar individuos en fotos al mismo nivel que los humanos.

   Y llega el año en el que se dieron lo avances más grandes en Machine Learning al día de hoy, este es el 2015.

• Amazon lanza su propia plataforma de aprendizaje automático.
• Microsoft crea el Distribuited Machine Learning Toolkit (Kit de herramientas para el aprendizaje de máquinas distribuidas), que permite la distribución eficiente de problemas de aprendizaje automático en múltiples computadoras.

• Google entrena un chatbot que no solo puede interactuar de manera convincentemente con humanos como un servicio de soporte técnico, sino también discutir la moralidad, expresar opiniones y responder preguntas generales basadas en hechos.

• Se crea “OpenAI”, que es una compañía de investigación de inteligencia artificial, sin fines de lucro, que tiene como objetivo promover y desarrollar inteligencia artificial amigable de tal manera que beneficie a la humanidad en su conjunto. Entre sus fundadores se encuentra Elon Musk, el fundador de Tesla.

• Debidos a los grandes avances realizados en Machine Learning e Inteligencia artificial, más de 3000 investigadores respaldados por Stephen Hawking, Elon Musk y Steve Wozniak, firman una carta abierta advirtiendo del peligro de las armas autónomas que seleccionan y atacan objetivos sin intervención humana.

En 2016 el algoritmo de inteligencia artificial de Google vence a un jugador profesional en el juego de mesa chino GO, que es considerado el juego de mesa más complejo del mundo. Este algoritmo logro ganar las 5 partidas que se jugaron.

En 2017 OpenAI entrena chat bots que inventan su propio lenguaje para cooperar y lograr su objetivo de manera efectiva. Además otro software desarrollado por OpenAI, logro derrotar a los mejores jugadores de Dota 2 en partidos 1 contra 1 de juego en línea.

TIPOS DE MACHINE LEARNING

• Supervised Learning

• Clasificación
• Regresión
• Ranking

• Unsupervised Learning

• Clustering
• Asociacion de Marketing
• Segmentación
• Reducción de dimensionalidad

• Reinforcement Learning

• Procesos de decisión
• Sistemas de premios

El Supervised Learning

Es una técnica para deducir una función a partir de los datos de entrenamiento. Los datos de entrenamiento consisten en pares de objetos (normalmente vectores): un componentes del par son los datos de entrenada y el otro, los resultados deseados. En otra palabras, podemos enseñar a la máquina que con una serie de características un cliente es del tipo A y que el que tiene otras características no es el del tipo A. En el aprendizaje supervisado por tanto, el data scientist introduce los datos de entrada y salida y el Machine Learning se encarga de encontrar el patrón, la estructura interna de la información.

...