Si sois profesionales del sector, habréis notado cómo en los últimos años dos tecnologías ocupan gran parte de las conversaciones: Big Data y Machine Learning. En este post vamos a intentar conocer un poco de esta última.
Si no estamos familiarizados ya con esta tecnología, hay que decir que impresiona, incluso asusta. ¿Pueden las máquinas aprender? ¿Cuánto queda para que Skynet adquiera consciencia y se rebele contra la humanidad? ¿Soñarán los androides con ovejas mecánicas?
Desde siempre los informáticos nos hemos caracterizado por poner nombres impresionantes a cosas sencillas, y Machine Learning es otro de estos casos, porque cuando hablamos de Machine Learning estamos hablando en realidad de… estadística.
¿Cómo que de estadística?
Pues sí, y me gustaría explicároslo con algunos ejemplos. Mirad estas dos figuras:
No sabemos muy bien qué hay representado en estas gráficas, pero se ve cómo en el segundo caso todos los puntos parecen estar más agrupados. Ahí es donde entra en juego la estadística o, como la llamamos ahora, el Machine Learning.
Y, ¿qué es lo que nos ofrece la estadística? Una función que permita predecir el comportamiento futuro de un sistema. Por ejemplo, podemos buscar una recta que se adapte a la nube de puntos que hemos mostrado en la siguiente imagen.
Como se ve en el ejemplo, la recta que se muestra permite predecir valores futuros. Esto es Machine Learning en una de sus formas más simples: la regresión lineal. Hay otras muchas técnicas para muy distintos escenarios: árboles de decisiones, K-Clustering, RandomForest, NearestNeighbour, regresión polinómica, redes neuronales, SVNs… Cada una de ellas tiene sus características propias, pero todas tienen esa misma base, la estadística.
Esto está bien, pero yo leí algo respecto a «entrenamientos», ¿qué es?
En el Machine Learning hay dos formas de trabajar: con entrenamiento supervisado y sin él. La primera forma, el entrenamiento supervisado, consiste en dar al sistema una gran cantidad de datos con los resultados obtenidos, y pedir al sistema que busque la función que te permita predecir comportamientos futuros.
La segunda forma, el entrenamiento no supervisado, consiste en pedir al sistema que agrupe los elementos como considere. Una vez realizado esto, seremos nosotros los que tengamos que inferir información de los grupos formados.
Vale, ya he entendido en qué consiste esto del Machine Learning, pero por qué tanto bombo
Buena pregunta, y fácil de responder: si disponemos de suficiente información, podemos crear sistemas que la utilicen para adivinar comportamientos. Cosas como adivinar cuántas vacunas para la gripe van a hacer falta en un centro de salud o cuánta gente puede estar interesada en un producto, en función a sus comportamientos anteriores, son ahora una realidad. ¿Cuánto crees que vale para una empresa conocer el éxito que va a tener un producto antes de sacarlo?
Hemos puesto ejemplos simples, pero a día de hoy el uso del Machine Learning también se emplea en reconocer patrones en imágenes o sonidos. De hecho, se presentó recientemente AlphaGo, una Inteligencia Artificial creada para jugar al popular juego del Go, que fue capaz de derrotar al actual campeón.
Dónde y cómo empezar con esto
Para empezar a probar, recomiendo que se use r-project o Python, con la librería scikitlearn. Y si quisiérais profundizar y dar el salto al Deep Learning, se puede usar la red TensorFlow de Google o la recientemente liberada CNTK de Microsoft