Aprendizaje automático

Qué es el aprendizaje automático en palabras sencillas

El aprendizaje automático (ML) es una rama de la inteligencia artificial. En lugar de escribir un algoritmo rígido con un millón de reglas para el ordenador, se le enseña a encontrar patrones por sí mismo basándose en cientos de miles de ejemplos: de la misma manera que aprenden las personas.

Cómo funciona con un ejemplo sencillo: para enseñar a un ordenador a distinguir gatos de perros, cargamos en él 10 000 fotos de gatos y 10 000 fotos de perros etiquetadas. El algoritmo analiza los píxeles, encuentra rasgos comunes y comprende por sí mismo cómo es un gato y cómo es un perro. En el futuro, reconocerá sin equivocarse al animal en una imagen nueva.

Según las investigaciones internacionales, el mercado del aprendizaje automático en el año 2025 superó los 200 000 millones de dólares, y el número de vacantes para especialistas en ML aumentó un 40 % en comparación con el año anterior. El ML se está convirtiendo en una habilidad obligatoria para los especialistas en TI y los analistas de datos.

En Rusia, el aprendizaje automático se aplica activamente en el sector bancario, el comercio minorista, la industria y la administración pública. Sobre cómo se utiliza el ML en el sector fintech para combatir el fraude, lea el artículo Monitoreo de fraude.

Principales tareas del aprendizaje automático

1. Predicción (regresión)

Predicción de valores numéricos a partir de la experiencia pasada. Ejemplo: analizar los precios de los apartamentos en su zona para determinar el precio de venta, pronosticar la demanda de mercancías, predecir los tipos de cambio.

2. Clasificación

División de los objetos en categorías. Ejemplo: el filtro del correo electrónico, que reparte los mensajes en las carpetas «Recibidos» y «Spam», el reconocimiento de dígitos manuscritos y la determinación de una enfermedad por sus síntomas.

3. Agrupación (clustering)

Agrupación de objetos por características ocultas sin etiquetas iniciales. Ejemplo: segmentación de los clientes por su comportamiento para preparar ofertas personalizadas, el análisis de las redes sociales para identificar comunidades.

4. Recomendaciones

Análisis de sus preferencias para mostrar objetos similares. Ejemplo: listas de reproducción o películas seleccionadas para usted por servicios como Yandex Music o los cines en línea.

Principales enfoques del aprendizaje

1. Aprendizaje supervisado

Los modelos se entrenan con datos etiquetados, donde para cada ejemplo existe una respuesta correcta. El algoritmo aprende a relacionar los datos de entrada con las salidas correctas. Se utiliza para la clasificación y la regresión. Ejemplos: el reconocimiento del spam, la predicción de precios y el diagnóstico de enfermedades.

2. Aprendizaje no supervisado

El algoritmo busca conexiones y estructuras ocultas en datos sin etiquetar. Las tareas principales son la agrupación (la unión de objetos similares) y la detección de anomalías. Ejemplos: la segmentación de clientes, la detección de transacciones fraudulentas y el análisis de las redes sociales.

3. Aprendizaje por refuerzo

El agente aprende por ensayo y error, recibiendo «recompensas» o «sanciones» por sus acciones con el fin de maximizar el resultado final. Se utiliza a menudo en la robótica, en los juegos (por ejemplo, AlphaGo), en el control de vehículos autónomos y en la optimización de los procesos.

Sobre cómo se emplean estos enfoques en los negocios, lea el artículo Monitoreo de fraude.

Etapas principales del desarrollo de un modelo de ML

1. Recopilación y preparación de los datos

Esta es la etapa más importante. La regla «lo que entra basura, sale basura» es el estándar de oro en los proyectos de ML. Los datos deben limpiarse de errores, rellenarse los valores faltantes y llevarse a un formato uniforme. La calidad y el volumen de los datos afectan directamente a la precisión del modelo.

2. Selección del algoritmo y entrenamiento del modelo

Según la tarea, se selecciona un algoritmo adecuado: regresión lineal, árboles de decisión, máquinas de vectores de soporte, redes neuronales. El modelo se «entrena» con datos históricos: se escogen los parámetros óptimos para minimizar el error.

3. Evaluación de la calidad

El modelo se prueba con datos nuevos que no vio durante el entrenamiento. De este modo es posible comprobar qué tan bien generaliza los conocimientos y no se sobreajusta (cuando el modelo simplemente memoriza las respuestas, pero no aprende a generalizar).

4. Despliegue en producción (MLOps)

El modelo se integra en la infraestructura TI real: se conecta a aplicaciones, sitios web o sistemas internos. Tras el despliegue el modelo requiere un monitoreo constante y un reentrenamiento con datos nuevos.

Herramientas y tecnologías de ML

Lenguajes de programación

• Python: líder indiscutido entre los lenguajes de programación para el ML. Tiene una sintaxis simple y una enorme cantidad de bibliotecas.
• R: se usa para la estadística profunda y el análisis de los datos.
• C++: se aplica en producción cuando se necesita la máxima velocidad de trabajo.
• Java: se emplea para integrar el ML en los sistemas corporativos de gran escala.

Principales bibliotecas de Python

• NumPy: para el trabajo con matrices multidimensionales y operaciones matemáticas.
• Pandas: para el análisis y la preparación de los datos tabulares.
• Scikit-learn: para los algoritmos clásicos de aprendizaje automático.
• TensorFlow y PyTorch: para el aprendizaje profundo y las redes neuronales.
• MATLABplotlib y Seaborn: para la visualización de los datos.

Más información sobre el uso del cifrado de datos en los sistemas de ML en el artículo Cifrado.

La profesión de ingeniero de ML

Un ingeniero de ML es un especialista que crea algoritmos y enseña a la inteligencia artificial a encontrar patrones, tomar decisiones y automatizar tareas sin una intervención humana directa. Esta es una profesión en la intersección de la programación clásica, las matemáticas y los negocios.

Lo que debe saber un ingeniero de ML

• Matemáticas y estadística: álgebra lineal, teoría de la probabilidad, métodos de optimización.
• Programación: dominio de Python y de las bibliotecas de análisis de datos.
• Herramientas de desarrollo: SQL para las bases de datos, Git para el control de versiones, Docker para la contenedorización.
• Plataformas en la nube: AWS, Google Cloud, Yandex Cloud para el escalado de soluciones.

Sobre cómo llegar a ser un ingeniero de ML, lea el artículo Low-code.

Dónde se aplica el aprendizaje automático

• Banca: evaluación del riesgo crediticio, scoring, detección de transacciones fraudulentas.
• Retail y e-commerce: sistemas de recomendación, precios dináminas, previsión de la demanda.
• Medicina: análisis de imágenes (TAC, resonancia), diagnóstico, desarrollo de fármacos.
• Servicios de TI: asistentes de voz, autopilotos, chatbots, traductores inteligentes.
• Industria: mantenimiento preventivo de equipos, control de calidad.

Sobre cómo protege el ML a las empresas de las amenazas, lea el artículo Monitoreo de fraude.