¿Por qué el machine learning y la inteligencia artificial nos facilitan la vida?
En la actualidad, generamos constantemente una enorme cantidad de datos todos los días,
mediante los sectores industriales y los dispositivos tecnológicos que tenemos a nuestro
alcance, como las computadoras, los teléfonos y las tabletas conectados a la red. Todos estos
datos son almacenados en bases de datos digitales y constituyen una valiosa fuente de
información. Sin embargo, sin un tratamiento apropiado ni una buena estrategia de análisis,
esta enorme cantidad de datos se reduce en un simple cúmulo de bytes inservibles. El
desarrollo del machine learning, ha permitido utilizar y aprovechar al máximo todos los datos
generados.
¿Qué es el machine learning?
Es un subcampo de la inteligencia artificial que desarrolla programas mediante el uso
de datos y algoritmos para imitar la forma en la que los humanos aprendemos con el fin de ir
mejorando gradualmente la precisión y la exactitud de los resultados que se desean predecir.
En particular, el machine learning impulsa a las aplicaciones de la inteligencia artificial más
avanzadas de la actualidad, mejorando nuestra vida diaria de diferentes maneras. En las
últimas dos décadas, ha tenido impresionantes avances en informática, estadística, en el
desarrollo de redes neuronales artificiales y en la mejora en la calidad y cantidad de
datos, lo cual ha permitido a las grandes empresas líderes de la actualidad, como Google,
Facebook, Tesla, Amazon, Netflix y Apple, generar un gran número de productos innovadores
basados en el machine learning.
No obstante, el machine learning impacta en todas las industrias a través de una
amplia lista de aplicaciones, ya que brinda a las empresas una visión de las tendencias en el
comportamiento de los clientes y en los patrones operativos comerciales, a la vez que respalda
el desarrollo de nuevos productos. Los principales campos donde se encuentra el machine
learning en nuestra vida cotidiana son:
• Reconocimiento de voz e imágenes
• Servicio al cliente
• Motores de recomendación
• Detección de fraude
• Negociaciones de acciones
Ahora, ¿te has preguntado cómo funcionan el traductor de Google, los coches autónomos
de Tesla, la predicción de tráfico de Google Maps, Alexa y las recomendaciones de películas de
Netflix? Te describimos brevemente esto.
Traductor de Google. Nos permite traducir documentos, oraciones y sitios web al
instante. Estas traducciones son efectuadas por computadoras a partir de los patrones de texto
encontrados. Para enseñarle a una persona un nuevo idioma, generalmente comenzamos
enseñando el vocabulario, las reglas gramaticales y, posteriormente, explicamos cómo elaborar
oraciones. Sin embargo, el traductor de Google adopta un enfoque ligeramente distinto, es
decir, en vez de enseñar las reglas de un idioma a una computadora, lo que se hace es dejar
que la computadora encuentre las reglas por ella misma.
El traductor de Google, con la ayuda del machine learning, examina miles de millones de
documentos que ya han sido traducidos por traductores humanos. Entonces, el traductor de
Google recolecta texto de diversas fuentes. Tras recopilar el texto (datos), la computadora
intenta encontrar patrones escaneando el texto. Una vez que la computadora detecta el patrón,
este se utiliza varias veces para traducir un texto similar. Las repeticiones del mismo proceso
por parte de la máquina, detectarán millones de patrones que la convertirán en un traductor
perfecto. Para algunos idiomas, el traductor de Google ya tiene documentos traducidos, por lo
tanto, la computadora solo debería detectar unos pocos patrones. Pues bien, esto puede
acabar con una calidad de traducción variable. La traducción de Google es indiscutiblemente
perfecta, pero al proporcionar constantemente nuevos textos traducidos, puede volverse más
inteligente y traducir mejor.
Los coches autónomos de Tesla
De acuerdo con un estudio efectuado recientemente, más del 90 % de los accidentes de
tráfico se deben a errores humanos, que con frecuencia son catastróficos. Los accidentes han
ocasionado numerosas muertes innecesarias (vidas que podrían haberse salvado conduciendo
de forma segura). Los coches autónomos son más seguros que los coches conducidos por
humanos, ya que no se ven influenciados por factores como enfermedades o las emociones del
conductor. Si bien nosotros visualizamos el mundo que nos rodea con los ojos, el piloto
automático recurre a la ayuda de sensores de alta tecnología para reconocer los objetos.
Posteriormente, interpreta la información y deduce la mejor conclusión. Los coches autónomos
tienen sensores muy bien distribuidos para la detección de puntos ciegos, el radar, el aviso de
colisión frontal, así como los sensores ultrasónicos y de cámara. Además, estos coches
disponen de servicios informáticos en línea para observar su entorno mediante la recopilación
de datos sobre el tráfico, las condiciones climáticas, los vehículos adyacentes y muchos otros
indicadores. Finalmente, todos los datos recolectados por el coche (datos de los sensores y el
entorno) se interpretan por un algoritmo de machine learning que tiene que tomar decisiones de
acción a la perfección.
Predicción de tráfico de Google Maps
Es muy preciso en la predicción del tráfico. Si tiene su teléfono con Google Maps abierto y
los servicios habilitados, entonces su teléfono, o la aplicación, envía de forma anónima datos
en tiempo real a Google. Luego, Google usa esta información o datos para calcular cuántos
autos hay en la carretera o qué tan rápido se mueven. A medida que más personas comienzan
a usar la aplicación, los datos de tráfico se vuelven más precisos. Si hay más tráfico, la
aplicación sugerirá una ruta más rápida para llegar a tiempo a su destino. Google incluso
conserva un historial de patrones de tráfico en una carretera específica, con el fin de predecir el
tráfico en un momento determinado, en un lugar concreto.
Alexa
Es capaz de realizar casi cualquier tarea en línea, como leer libros o recetas, dar el
pronóstico meteorológico y reproducir tu canción favorita. La palabra «Alexa» es una palabra de
activación; al decirla, comienza la grabación de su voz y, al terminar de hablar, envía la voz a
Amazon. El sistema que mantiene esta grabación se llama Alexa Voice Service (AVS), y es una
de las mejores aplicaciones del machine learning. En resumen, una vez que se ha anotado el
comando por Alexa, se envía a Amazon. Luego, AVS da la respuesta diciéndole la información
que se le ha pedido con la ayuda de un archivo de audio enviado por los servidores de Amazon.
También puede controlar sus electrodomésticos mediante comandos de voz, si está utilizando
dispositivos electrónicos inteligentes, como enchufes e interruptores, cámaras de seguridad,
Smart TV, robot de limpieza, espejos, bombillas donde se pueden dar comandos para encender
o apagar las luces, entre muchos más. Incluso, puede vincularlo a cualquier empresa y pedir
pizza.
Recomendación de películas de Netflix
Actualmente, más del 80 % de las películas, series o programas que estamos viendo en
Netflix, se descubren a través del sistema de recomendación. Esto significa que la mayoría de
lo que decidimos ver es el resultado de las decisiones tomadas por el algoritmo de
recomendaciones de esta plataforma. Netflix tiene más de 100 millones de usuarios en todo el
mundo; contando los múltiples perfiles de usuario para cada suscriptor, llega a un total de
alrededor de 250 millones de perfiles activos. Netflix usa diferentes tipos de datos de estos
perfiles. Realiza un seguimiento de lo que están viendo desde su perfil, en qué momento del
día lo está viendo, lo que ven después de completar su video actual, e incluso lo que han visto
antes. Combina esta información con más datos para comprender el contenido de los
programas que estás viendo. Estos datos se recolectan de docenas de cosas internas e
independientes que se ven cada minuto y cada programa en Netflix, y los etiquetan. Todas las
etiquetas y los datos de comportamiento del usuario, se recopilan y se alimentan en un
algoritmo de machine learning altamente complejo que decide qué es lo más importante. Esto
se realiza para analizar el gusto de las comunidades de todo el mundo, personas que miran el
mismo tipo de cosas que tú miras. Entonces, se hace encajar a los espectadores en miles de
grupos con gustos diferentes que impactan a las ventanas emergentes de recomendación que
aparecen en su pantalla en la parte superior dentro de la aplicación de Netflix.
Pero, ¿qué desafíos e impacto sociales tiene el uso del machine learning?
Una de las preocupaciones sociales del uso del machine learning, o de la inteligencia
artificial, es la pérdida de empleos. Sin embargo, a través de la historia se ha encontrado que,
con cada nueva tecnología revolucionaria, la demanda del mercado de roles de trabajos
específicos cambia. Por ejemplo, debido a los aspectos ambientales, muchos fabricantes de
la industria automotriz están cambiando para enfocarse en la producción de vehículos
eléctricos. Esto no hará que la industria de los combustibles desaparezca, pero la fuente de
energía en los vehículos está cambiando de combustibles a electricidad. De manera similar, la
inteligencia artificial trasladará la demanda de puestos de trabajo a otras áreas. Será necesario
tener personas que ayuden a administrar los sistemas de inteligencia artificial. También, será
necesario tener personas para abordar problemas más complejos dentro de las industrias que
tienen más probabilidades de verse afectadas por los cambios en la demanda laboral, como el
servicio al cliente. Entonces, uno de los mayores desafíos con la inteligencia artificial y su
efecto en el mercado laboral, será ayudar a las personas a hacer la transición a los nuevos
roles que están en demanda.
Además, tiende a discutirse en el contexto de la privacidad, la protección y la seguridad de
los datos. Estas preocupaciones han permitido a los formuladores de políticas avanzar más en
los últimos años.
Otro importante impacto son los casos de sesgo y discriminación en varios sistemas de
machine learning que han planteado muchas cuestiones éticas con respecto al uso de la
inteligencia artificial. Entonces, ¿cómo podemos protegernos contra el sesgo y la
discriminación cuando los propios datos de entrenamiento pueden ser generados por procesos
humanos sesgados? Si bien las empresas suelen tener buenas intenciones para sus esfuerzos
de automatización, muchas veces inciden en la discriminación.. Un ejemplo real de esta
discriminación se llevó a cabo por Amazon, donde en un esfuerzo por automatizar y simplificar
un proceso, discriminó involuntariamente a los candidatos por género para puestos técnicos, lo
que acabó obligando a la empresa a desechar el proyecto. El sesgo y la discriminación
tampoco se limitan a la función de recursos humanos, ya que se pueden encontrar en una serie
de aplicaciones, desde programas de reconocimiento facial hasta algoritmos de redes sociales.
Francisco Javier López-Flores. Estudiante de Doctorado en Ciencias en Ingeniería
Química, Facultad de Ingeniería Química, Universidad Michoacana de San Nicolás de
Hidalgo. Morelia, Michoacán.
Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.
José María Ponce-Ortega. Profesor e Investigador de la Facultad de Ingeniería Química,
Universidad Michoacana de San Nicolás de Hidalgo. Morelia, Michoacán.
Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.
Arias V., Salazar J., Garicano C., Contreras J., Chacón G., Chacín-González M., Añez R., Rojas J. y
Bermúdez-Pirela V. (2019). Una introducción a las aplicaciones de la inteligencia artificial en medicina:
Aspectos históricos. Revista Latinoamericana de Hipertensión, 14(5), 590-609.
https://www.redalyc.org/articulo.oa?id=170262877013
Management Solutions. (2018). Machine learning, una pieza clave en la transformación de los modelos de
negocio, 5-42. https://www.managementsolutions.com/sites/default/files/publicaciones/esp/machine-
learning.pdf
Pedrero V., Reynaldos-Grandón K., Ureta-Achurra J. y Cortez-Pinto E. (2021). Generalidades del Machine
Learning y su aplicación en la gestión sanitaria en Servicios de Urgencia. Revista Médica de Chile, 149,
248-254. http://dx.doi.org/10.4067/s0034-98872021000200248