El concepto de aprendizaje automático, o “Machine learning” se desarrolla con gran éxito en los años 1950, a modo de motor e industrialización de la Ciencia de Datos, también conocida como “data science”. En 1956, uno de los ingenieros de la IBM, Arthur Samuel, inicia el “machine learning” logrando aprender al ordenador IBM 701 a ganar en un juego de damas. Más tarde, en 1959, la revista “Communications of the ACM” publica el primer artículo donde acuña el concepto de las “ciencias de la computación”.
No obstante, para conocer realmente cómo funciona el aprendizaje automático, es necesario también conocer el concepto de “ciencia de datos”. La “data science” ha sido muy estudiada por reputadas universidades científicas, como es el caso de la Universidad de Johns Hopkins, Universidad de Washington y también la Universidad de Georgetown. Explicada a modo sintetizado, utiliza una serie de complejas técnicas informáticas como algoritmos, cálculos, estadísticas y el aprendizaje automático, para extraer el conocimiento de las bases de datos. Su función es identificar los problemas así como también reunir los datos para dar respuestas a los modelos estadísticos.
Asimismo, el aprendizaje automático, incluido dentro de la ciencia de datos, se define según Arthur Samuel como “el campo de estudio que proporciona a los ordenadores la capacidad de aprender sin estar explícitamente programados”. Esta disciplina, también conocido como “aprendizaje de máquinas” es un campo de estudio de la inteligencia artificial que, a partir de bases de datos, pone en marcha algoritmos, para obtener análisis predictivos con fines precisos y establece correlaciones entre varios sucesos.
El modus operandi del aprendizaje automático se divide en dos fases. En la primera, la fase de “entrenamiento”, se aprenden una parte de los datos; en la segunda, la fase de “verificación”, se utilizan la segunda parte de los datos. Además, para comprender el aprendizaje de máquinas es necesario también explicar los términos de “aprendizaje supervisado” y “aprendizaje no supervisado”. El primero, construye un modelo de correlación entre variables conocidas, sin embargo, el segundo, tiene en cuenta un conjunto de variables y extrae las correlaciones más fuertes. El aprendizaje supervisado se considera como subjetivo, ya que es la persona quién describe los criterios que existen en su base de datos para su análisis y clasificación. Sin embargo, el aprendizaje no supervisado, es autodidacta y reagrupa buscando datos similares.
Además, el aprendizaje automático se utiliza en multitud de sistemas, diariamente. Como por ejemplo, la traducción en tiempo real, también conocida como “traducción automática”, softwares de reconocimiento facial o de rostros, sistemas de detección de fraudes bancarios, programas para aprender a jugar al ajedrez, páginas webs, detección de los correos basura, sistemas de reconocimiento del habla, etc.
En resumen, el aprendizaje automático, es la capacidad de un ordenador a aprender sin haber sido programado. Esta neurona de la inteligencia artificial posibilita realizar correlaciones entre variables, clasificar grandes cantidades de datos y detectar diferencias y errores entre ellos. En la actualidad se utiliza en infinidad de sistemas e incluso ha superado, en ciertas ocasiones, al aprendizaje humano.
