ADOBE REAL-TIME CDP
¿Qué es el aprendizaje automático?
Definición rápida: el aprendizaje automático es un subconjunto de la inteligencia artificial (IA), un sistema que permite a los equipos informáticos realizar tareas mejor y más rápido que los seres humanos, y que utiliza modelos que mejoran su desempeño a medida que incorporan más datos.
Aunque el aprendizaje automático (AA) pueda parecer una tecnología avanzada fuera del alcance de la mayoría de las personas, es una herramienta sorprendentemente accesible para muchas organizaciones. De hecho, la mayoría de las personas utiliza el AA en su vida diaria, muchas veces sin percatarse de ello.
Puntos clave:
- Los modelos de AA mejoran “aprendiendo” de los resultados que se derivan de ciertas decisiones.
- El AA tiene tres áreas clave: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo.
- El mejor momento para utilizar el AA es cuando tienes más datos de los que los seres humanos tienen capacidad o tiempo de procesar.
- El AA mejora la productividad al hacerse cargo de las tareas más tediosas del análisis de datos.
Consulta esta guía para conocer cómo funciona el aprendizaje automático, los tipos de AA, los pros y los contras, y el futuro de esta tecnología.
Explora las secciones de esta página
Cómo funciona el aprendizaje automático
Tipos de aprendizaje automático
Las ventajas de utilizar sistemas de aprendizaje automático
#las-ventajas-de-utilizar-sistemas-de-aprendizaje-automático-1
Las desventajas de los algoritmos del aprendizaje automático
#las-desventajas-de-los-algoritmos-del-aprendizaje-automático-1
Cómo utilizan las empresas el aprendizaje automático
La historia del aprendizaje automático
Cómo funciona el aprendizaje automático
El AA es un tipo de tecnología que ayuda a los sistemas informáticos a aprender y mejorar sus resultados. El aprendizaje automático utiliza algoritmos, que son reglas para resolver problemas, para generar creaciones más útiles a partir de las máquinas.
La mayoría de los modelos de AA funcionan alimentando un algoritmo con datos. Luego, el modelo buscará errores en sus predicciones de manera automática. Utiliza ejemplos pasados para comparar sus resultados y corroborar si hay problemas. A partir de ahí, un ser humano aceptará o rechazará estos resultados. Al entrenar el modelo de aprendizaje automático, este se torna más eficaz y preciso con el tiempo. A medida que los modelos de AA reúnen más datos y experiencia, requieren de menos intervención humana.
El AA es similar, pero diferente a la IA. El aprendizaje automático es el proceso por el que un sistema informático se vuelve más inteligente iterando a lo largo del tiempo. Pero con la IA, el sistema informático utiliza su conocimiento para realizar tareas sin la intervención humana. La mayor diferencia entre estas dos tecnologías es que la IA puede imitar la inteligencia humana, mientras que el AA simplemente desempeña tareas basadas en el reconocimiento de patrones.
Tipos de aprendizaje automático
Aprendizaje supervisado
El aprendizaje supervisado es un tipo de ciencia de datos que utiliza datos etiquetados con información específica sobre los resultados asociados a esos datos. A continuación, se entrena un modelo para aprender qué características o variables predicen los resultados asignados a los datos de entrada etiquetados. El modelo puede utilizar la información de los datos de salida para evaluar su propio desempeño y predecir resultados.
El aprendizaje supervisado conlleva dos principales casos prácticos: la clasificación y la regresión lineal. La clasificación predice una etiqueta de clase. Por ejemplo, quizás podrías predecir si alguien del conjunto de clientes cortará su relación con una marca basándote en atributos tales como el comportamiento de compra.
La regresión lineal predice una etiqueta numérica, como el ingreso esperado que crees que recibirás de clientes basándote en atributos específicos. El resultado es una variable numérica, en lugar de una condición.
El aprendizaje supervisado requiere de un modelo de aprendizaje automático sólido para generar resultados de calidad. Descubre cómo afectan los modelos de AA a los diferentes tipos de resultados que un sistema informático puede generar.
Aprendizaje no supervisado
El aprendizaje no supervisado comienza con un conjunto de datos brutos y sin etiquetar. El propósito principal del aprendizaje no supervisado es encontrar conexiones entre los conjuntos de datos y cualquier punto de datos adicional que des al modelo.
Este método puede ayudarte a encontrar grupos entre los datos basados en relaciones, o agrupaciones, que pueden usarse para crear segmentos de clientes.
Aprendizaje por refuerzo
El aprendizaje por refuerzo comienza proporcionando a un modelo un conjunto de datos brutos y sin etiquetar. Ahí es cuando entra en acción el modelo. En función de esa acción, el modelo recibe información sobre si actuó de manera correcta o no y los resultados de dicha acción. Después, el modelo crea otra acción y continúa aprendiendo hasta que se logra su optimización.
Un buen ejemplo real del aprendizaje por refuerzo es un algoritmo de recomendación de un servicio de streaming de películas como Netflix. El servicio te muestra una película que puede gustarte o no y aprende de tu valoración de “me gusta” o “no me gusta” para determinar si debería seguir recomendando los mismos tipos de películas.
La historia del aprendizaje automático
Aunque el AA pueda parecer una nueva tecnología, existe desde hace décadas. El aprendizaje automático que conocemos hoy tiene raíces que se remontan a la década de 1940.
Década de 1940
En 1943, Warren McCulloch y Walter Pitts crearon la primera red neuronal. Esto permitió que los sistemas informáticos se comunicaran entre sí sin interacción humana.
Década de 1950
Alan Turing creó la prueba de Turing para determinar si las máquinas podían comportarse como humanos. Hoy en día, quienes se dedican a la investigación siguen utilizando la prueba de Turing para ver si los seres humanos pueden ver la diferencia entre los resultados generados por el ser humano y los generados por máquinas.
Década de 1960
Thomas Cover y Peter Hart publicaron el algoritmo de los k vecinos más cercanos (KNN, por sus siglas en inglés), uno de los primeros algoritmos de AA que podía identificar patrones en una gran cantidad de datos.
Década de 1970
Paul Werbos escribió una tesis en 1974 titulada The Roots of Backpropagation, que sentó las bases de la propagación hacia atrás, una tecnología que permite que las redes neuronales reconozcan patrones con mayor precisión.
Década de 1980
El aprendizaje basado en explicaciones (EBL, por sus siglas en inglés) hizo posible que los sistemas informáticos pudieran analizar datos y entrenarse con ellos, así como desestimar los datos no relevantes. La red neuronal artificial NetTalk también aprendió a pronunciar correctamente texto en inglés.
Década de 1990
En 1997, IBM sorprendió al mundo cuando su superordenador Deep Blue derrotó a un experto jugador de ajedrez humano. Esto demostró que el aprendizaje automático podía igualar e incluso superar el desempeño humano.
Década del 2000
Torch (ahora conocida como PyTorch), una biblioteca de software libre, se convirtió en la primera plataforma a gran escala de AA del mundo e hizo que el aprendizaje automático fuera mucho más accesible. Durante los años 2000, los sistemas informáticos también aprendieron a “ver” texto e imágenes con el aprendizaje profundo.
Década de 2010
Google desarrolló Google Brain, una red neuronal profunda capaz de categorizar objetos de manera automática. Facebook, Amazon y Microsoft también desarrollan modelos de AA.
Década de 2020
En noviembre de 2022, ChatGPT de OpenAI sorprendió al mundo. Esta tecnología hizo que el AA y la IA estuvieran disponibles para toda la ciudadanía usando la tecnología para todo, desde generar cartas de presentación para un trabajo hasta escribir correos electrónicos.
Las ventajas de utilizar sistemas de aprendizaje automático
El aprendizaje automático es una tecnología muy útil que ayuda a las empresas a lo siguiente:
- Mejorar la productividad: más del 80 % de la plantilla cree que la IA mejora su desempeño en el trabajo. Al automatizar tareas que normalmente hacen los seres humanos, el AA puede aumentar la productividad de la organización.
- Ayudar al conjunto de clientes: las empresas utilizan el AA para optimizar sus productos y hacer la vida de sus clientes más fácil. De hecho, el 62 % de clientes está dispuesto a compartir sus datos si esto significa que tendrá una mejor experiencia.
- Reducir el error humano: el AA automatiza las tareas manuales que normalmente son propensas a errores y erratas humanos. Esto significa que tu organización puede aprovechar datos más limpios para una mejor información empresarial.
- Mejorar la disponibilidad: ten en cuenta que el 51 % de clientes esperan que las empresas estén disponibles a cualquier hora del día. La implementación de soluciones de AA para tu empresa te permite estar disponible para el conjunto de clientes día y noche.
- Eliminar el riesgo: el incumplimiento de las normas puede costar a tu organización millones en multas y en acuerdos perdidos. Afortunadamente, el AA sigue reglas predeterminadas que te ayudan a mantener el cumplimiento a escala.
- Reducir las tareas repetitivas: el AA automatiza las tareas tediosas, como las de entrada de datos, para que tu plantilla pueda enfocarse en tareas de mayor valor. De hecho, el 68 % de la plantilla quiere más tecnologías basadas en la IA para que le ayude a realizar las tareas.
- Descubrir información: el AA puede descubrir información que muchas veces los seres humanos no tienen la capacidad cerebral siquiera considerar.
Las desventajas de los algoritmos del aprendizaje automático
El uso de sistemas de aprendizaje automático tiene algunas desventajas, como las siguientes:
- Cantidad de datos requeridos: los modelos de AA suelen requerir de una gran cantidad de datos para ser eficaces.
- Tamaño del conjunto de datos: el tamaño y la calidad del conjunto de datos son dos de los grandes factores que determinan la calidad de un modelo, y cuantos más datos tengas, más tiempo lleva etiquetar esos datos con precisión para su uso en métodos de aprendizaje supervisado.
- Combinación de tipos de datos: debes pensar en los distintos tipos de datos necesarios para añadir a tu conjunto de datos y hacer que el modelo sea más sólido porque estás enseñando a una máquina a tomar decisiones de la manera que lo haría un ser humano.
- Posible sesgo: otra de las desventajas del AA se relaciona con la ética, en especial cuando se refiere al aprendizaje profundo. Muchos de estos modelos no comparten la manera en que toman las decisiones, por lo que no puedes saber exactamente qué factores utilizan. El modelo es tan bueno como los datos que le introduzcas, pero puede que sigas sin saber qué tipo de relaciones hará el modelo y si son moralmente justas.
- Posibles imprecisiones: es importante recordar que, aunque puede ser más eficaz que los resultados humanos, el AA no es infalible. Si existen imprecisiones en tus datos o lógica, el modelo de aprendizaje automático las reflejará.
- Coste: si quieres crear una solución personalizada de AA para tu organización, hay costes asociados con la contratación de personas expertas en datos para crear y mantener estos modelos. En promedio, las organizaciones gastan desde 60 000 hasta 95 000 dólares en los cinco primeros años de uso de un modelo. Sin embargo, la elección de soluciones como Adobe Sensei permite a tu organización compensar muchos de estos costes.
El aprendizaje automático no es perfecto, pero las organizaciones pueden superar muchas de las desventajas al elegir el modelo de AA adecuado para los escenarios correctos.
Cómo utilizan las empresas el aprendizaje automático
Existen muchas instancias en las que la implementación de algoritmos de AA puede ayudar a agilizar y optimizar los recursos de la organización. Un caso común es cuando los datos masivos son demasiado extensos para que un ser humano pueda analizarlos, pero contienen información importante que puede afectar a las decisiones de la empresa.
Esta ventaja no está reservada solo a las empresas de tecnología: el 68 % de las compañías de todo el mundo utilizan el AA y es probable que ese número aumente. Como el aprendizaje automático es tan provechoso, su uso se está extendiendo a diferentes sectores.
Sector de servicios de asistencia sanitaria
Las empresas de asistencia sanitaria utilizan el AA para procesar muchos datos de pacientes, todo en cumplimiento de las leyes de protección de datos. Por ejemplo, algunas organizaciones utilizan el aprendizaje automático para mejorar la precisión de los diagnósticos por imágenes y detectar enfermedades en sus estadios tempranos. También resulta útil para la detección de fraudes, la identificación de errores y la personalización del tratamiento.
Sector de la fabricación
Cada vez más fabricantes adoptan el AA para realizar un mantenimiento preventivo más inteligente. En vez de desperdiciar el tiempo y el dinero en mantener máquinas que todavía no necesitan mantenimiento, el conjunto de fabricantes utiliza el aprendizaje automático para analizar tendencias de datos y optimizar qué máquinas deben revisarse.
Pero esta no es la única manera en que el conjunto de fabricantes utiliza el aprendizaje automático. También aprovechan esta tecnología para gestionar vehículos autónomos y semiautónomos dentro de sus instalaciones.
Sector del entretenimiento
¿Tienes una cuenta de Netflix? Si la respuesta es sí, ya has visto el AA en acción. El servicio de streaming utiliza el aprendizaje automático para personalizar las miniaturas, recomendar películas y series, y optimizar la calidad del streaming.
Sector del marketing
Imaginemos que tu equipo de marketing se encuentra revisando nuevos datos de diferentes segmentos de clientes. Es difícil clasificar los diferentes atributos de clientes para identificar los segmentos de alto desempeño o cuáles son las preferencias del segmento de clientes A frente al segmento de clientes B.
Con la cantidad de datos disponibles, es poco probable que tu equipo de marketing tenga la capacidad mental necesaria para procesarlos todos y mucho menos para reunir información útil. Esto es algo que el aprendizaje automático puede hacer de forma rápida y quizás mejor que los seres humanos.
Utilizar la automatización del aprendizaje automático podría derivar en información predictiva que tu equipo quizás no pueda encontrar por sí solo.
Sector financiero
Los roboasesores se están volviendo cada vez más populares en el mundo de las finanzas. Por ejemplo, servicios como Wealthfront utilizan el AA y la IA para automatizar la gestión de carteras de sus usuarios/as. Esto reduce la cantidad de tiempo que las compañías financieras dedican a gestionar las inversiones de sus clientes, sin dejar de proporcionarles las ventajas de las inversiones gestionadas.
Posibilita increíbles experiencias de clientes con el aprendizaje automático.
¿Necesitas mejorar la segmentación y la personalización con aprendizaje automático (AA)? Adobe Real-Time CDP puede ayudarte.
Artículos recomendados
https://main--bacom--adobecom.hlx.page/fragments/products/cards/rtcdp
