“Si bien el aprendizaje automático ya ha llegado para quedarse, esto significa un paso más en el mundo de la Inteligencia Artificial”. Esta reflexión forma parte de un artículo publicado en el Blog de IEB School que vamos a resumir para hablarte sobre ventas y machine learning: aprendizaje supervisado vs no supervisado.
En primer lugar, el post define el machine learning como “un área de conocimiento dentro de la Inteligencia Artificial donde los ordenadores aplican técnicas de aprendizaje estadístico con el objetivo de identificar automáticamente patrones en los datos. Por ello podemos tomar la definición del aprendizaje automático como aprendizaje automatizado o aprendizaje de máquinas, un mundo apasionante dentro del Big Data y el Business Intelligence. Los algoritmos generados son capaces de generalizar comportamientos a partir de los datos suministrados en forma de ejemplos”.
Historia del aprendizaje automático
“El aprendizaje automático surge a mediados de los años 80 con la aplicación de las redes neuronales y los árboles de decisión. Se empezó a utilizar en problemas de predicción complejos donde los modelos estadísticos clásicos no eran eficientes como, por ejemplo, el reconocimiento de voz e imágenes, la predicción de series temporales no lineales, la predicción de los mercados financieros, el reconocimiento de texto escrito, etc”, asegura el artículo.
En este sentido, “la característica principal de este tipo de algoritmos es que es que son capaces de reajustarse automáticamente para mejorar su rendimiento en función del número de aciertos y de fallos producidos en un proceso de entrenamiento previo a su aplicación y, durante la ejecución en tiempo real del mismo”.
“Otros ejemplos en el uso de algoritmos de Machine Learning lo tenemos en sistema que permite diferenciar si un email recibido a nuestra bandeja de entrada es spam o no en función de los correos recibidos previamente, o bien, el diagnóstico de un paciente en función de sus características e historial”.
Machine learning: aprendizaje supervisado y no supervisado
Los modelos de aprendizaje automático se pueden dividir en dos grandes categorías: aprendizaje supervisado y no supervisado. La clave para incluir los algoritmos en un tipo u otro estará en el tipo de datos que utilizamos para su entrenamiento. El artículo diferencia entre aprendizaje supervisado y no supervisado, de tal forma que “en el aprendizaje supervisado, los resultados que se desean obtener del modelo son conocidos previamente. Por ejemplo, en un algoritmo que predice la validez de un email sabemos que el resultado de salida ha de ser spam o no spam y, su proceso de entrenamiento se realiza con cientos de miles de emails de ejemplo etiquetados como spam y no spam”.
Sin embargo, “en el aprendizaje no supervisado el entrenamiento no se realiza con datos etiquetados previamente si no que dicho etiquetado de los datos es descubierto durante el propio proceso aprendizaje”. Por ejemplo, “un algoritmo de aprendizaje automático desarrollado para clasificar los tipos clientes que tiene una empresa no es entrenado con datos de cliente etiquetados por segmentos porque, justamente, esas etiquetas sobre el segmento al que pertenece cada cliente son las que se desconocen”.