Machine Learning (ML)

El aprendizaje automático (ML) es un subconjunto dinámico de la inteligencia artificial (AI) que permite a los sistemas informáticos aprender de los datos y mejorar su rendimiento sin tener que programar explícitamente cada regla. En lugar de seguir instrucciones estáticas codificadas manualmente, los algoritmos de aprendizaje automático identifican patrones en grandes cantidades de macrodatos para tomar decisiones o realizar predicciones. Esta capacidad es el motor de muchas tecnologías modernas y permite a los ordenadores adaptarse a nuevos escenarios procesando datos de entrenamiento y perfeccionando su lógica interna con el tiempo mediante la experiencia.

Conceptos y técnicas fundamentales#

En su base, el ML se apoya en técnicas estadísticas para crear sistemas inteligentes. El campo suele dividirse en tres metodologías principales según cómo aprende el sistema. El aprendizaje supervisado consiste en entrenar un modelo con conjuntos de datos etiquetados cuyo resultado esperado se conoce, una técnica utilizada habitualmente en tareas de clasificación de imágenes. Por el contrario, el aprendizaje no supervisado trabaja con datos sin etiquetar, por lo que el algoritmo debe encontrar por sí mismo estructuras o agrupaciones ocultas. Por último, el aprendizaje por refuerzo permite a los agentes aprender mediante ensayo y error en un entorno interactivo para maximizar una recompensa. Los avances modernos suelen utilizar el aprendizaje profundo, una rama especializada del ML basada en redes neuronales que imita la estructura estratificada del cerebro humano.

Aplicaciones en el mundo real#

El aprendizaje automático ha transformado numerosos sectores al automatizar tareas complejas. Estos son dos ejemplos concretos de su impacto:

• Sistemas autónomos: En el ámbito de la visión por ordenador, los modelos de ML como Ultralytics YOLO26 se utilizan para la detección de objetos en tiempo real. Estos sistemas actúan como los «ojos» de los vehículos autónomos, identificando al instante a peatones, otros coches y señales de tráfico para tomar decisiones de seguridad en fracciones de segundo.
• Diagnóstico médico: En la asistencia sanitaria, los algoritmos de ML analizan imágenes médicas complejas para detectar anomalías, como tumores, antes que los métodos tradicionales. Al procesar historiales médicos de pacientes y utilizar el análisis de imágenes médicas, estas herramientas ayudan a los médicos a realizar diagnósticos precisos y crear planes de tratamiento personalizados.

Implementación del aprendizaje automático#

El desarrollo de una solución de ML implica un ciclo de vida conocido como operaciones de aprendizaje automático (MLOps). Este proceso comienza con la recopilación de datos de alta calidad y la realización de la anotación de datos para preparar las entradas del modelo. Después, los desarrolladores deben entrenar el modelo mientras supervisan problemas como el sobreajuste, en el que un sistema memoriza los datos de entrenamiento, pero no consigue generalizar a información nueva.

El siguiente fragmento de Python muestra cómo cargar un modelo de ML preentrenado mediante el paquete ultralytics para realizar inferencias sobre una imagen:

from ultralytics import YOLO

# Load the advanced YOLO26 model (nano version)
model = YOLO("yolo26n.pt")

# Perform object detection on an image source
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the results to see the identified objects
results[0].show()

Diferencias entre términos clave#

Es importante diferenciar el «aprendizaje automático» de conceptos relacionados. Mientras que la AI es la ciencia general dedicada a crear máquinas inteligentes, el ML es el subconjunto específico de métodos utilizados para lograr esa inteligencia mediante datos. Además, la ciencia de datos es un campo más amplio que incorpora el ML, pero que también se centra en la limpieza y visualización de datos y en el análisis estadístico para extraer información útil para el negocio. Frameworks como PyTorch y TensorFlow proporcionan las herramientas subyacentes para crear estos sistemas.

Para simplificar la complejidad de entrenar y desplegar estos modelos, las soluciones nativas de la nube, como Ultralytics Platform, permiten a los equipos gestionar conjuntos de datos, entrenar modelos escalables y realizar de forma eficiente el despliegue de modelos en dispositivos periféricos.