¿Qué es el machine learning?

Machine learning: definición

En el machine learning ya nadie escribe cada regla a mano. En su lugar, un método de aprendizaje recibe muchos datos de ejemplo y averigua por sí mismo qué características llevan a qué resultado. El resultado es un modelo. Se puede aplicar a datos nuevos, por ejemplo para asignar una consulta a una categoría o para predecir el fallo de una máquina.

El machine learning es una rama de la inteligencia artificial y la base técnica de la mayoría de las aplicaciones de IA actuales. El deep learning, es decir, el aprendizaje con redes neuronales profundas, es a su vez una rama del machine learning e impulsa los modelos de lenguaje y el reconocimiento de imágenes. En el día a día lo encuentra en filtros de spam, recomendaciones en tiendas online o reconocimiento automático de texto.

Cómo funciona el aprendizaje automático

Se distinguen tres tipos de aprendizaje. En el aprendizaje supervisado, el entrenamiento conoce la respuesta correcta, por ejemplo «factura» o «reclamación». En el aprendizaje no supervisado, el método busca por sí mismo grupos o valores atípicos. En el aprendizaje por refuerzo, un sistema prueba acciones y recibe una recompensa por los buenos resultados.

Un proyecto suele seguir estos pasos: recopilar y depurar datos, entrenar un modelo, comprobarlo con datos no vistos, integrarlo en la aplicación y supervisarlo de forma continua. El esfuerzo suele estar menos en el algoritmo que en la preparación de los datos y en un funcionamiento estable.

Ejemplo práctico: manteni­miento predictivo en un proveedor industrial

Una empresa de mecanizado de metales opera varias máquinas CNC. Los sensores proporcionan datos de vibración, temperatura y consumo de corriente. Un modelo aprende de fallos anteriores qué patrones preceden a un daño en un rodamiento y avisa de las anomalías a tiempo. El mantenimiento se programa entonces en un periodo tranquilo, en lugar de que la máquina se pare en mitad de un pedido.

Al principio bastó una sola máquina como piloto. Solo cuando los avisos fueron fiables y el equipo de mantenimiento confió en ellos se extendió el método a otras instalaciones. El ejemplo muestra que el valor solo surge junto con un proceso claro después del aviso.

Ventajas, límites y errores habituales

El machine learning detecta patrones que apenas se pueden describir a mano y mejora con mejores datos. Al mismo tiempo, solo es tan bueno como sus datos de entrenamiento: los conjuntos de datos sesgados, demasiado pequeños o desactualizados conducen a resultados erróneos. Si el machine learning es realmente necesario lo aclara Nano Concepts con usted; a menudo basta una regla sencilla.

Los escollos típicos son objetivos poco claros, falta de expertos del área en el proyecto y un modelo que ya no se revisa tras su puesta en marcha aunque la realidad cambie. Cuando los modelos preparan decisiones sobre personas, por ejemplo en candidaturas o créditos, se aplican además la protección de datos y el Reglamento europeo de IA.

• Definir una pregunta concreta y un criterio de éxito medible
• Comprobar la situación de los datos antes de construir un modelo
• Empezar con un piloto y comparar los resultados con una regla sencilla
• Supervisar el modelo tras el lanzamiento y reentrenarlo si es necesario
• Implicar pronto al departamento especializado