Aprendizaje automático (ML)

Concepto básico

La idea central del aprendizaje automático es la creación y el uso de algoritmos capaces de procesar datos de entrada y aprender a producir el resultado deseado. Este proceso de aprendizaje suele implicar la alimentación de grandes conjuntos de datos al algoritmo, que luego ajusta sus parámetros internos (a menudo denominados pesos del modelo) para minimizar los errores, a menudo medidos por una función de pérdida, o maximizar la precisión de sus predicciones o clasificaciones. La eficacia del ML depende a menudo de un minucioso preprocesamiento de datos para limpiar y estructurar los datos de entrada adecuadamente para el algoritmo de aprendizaje. El objetivo final es permitir que las máquinas resuelvan problemas complejos o realicen predicciones precisas de forma autónoma, lo que a menudo requiere técnicas como la ingeniería de características para seleccionar las características más relevantes de los datos.

Tipos de aprendizaje automático

El aprendizaje automático se suele clasificar en varios tipos principales, cada uno de ellos adecuado para distintos tipos de tareas y datos:

• Aprendizaje supervisado: El algoritmo aprende a partir de un conjunto de datos etiquetados, lo que significa que cada punto de datos está etiquetado con la salida correcta. El objetivo es aprender una función de mapeo para predecir el resultado de entradas nuevas y desconocidas. Algunas tareas habituales son la regresión y la clasificación de imágenes. Compare el aprendizaje supervisado con el no supervisado.
• Aprendizaje no supervisado: El algoritmo trabaja con datos no etiquetados, con el objetivo de encontrar patrones ocultos o estructuras intrínsecas dentro de los propios datos. Entre las tareas más comunes se encuentran la agrupación (agrupación de puntos de datos similares), como K-Means, y la reducción de la dimensionalidad (simplificación de los datos).
• Aprendizaje por Refuerzo (RL): El algoritmo aprende interactuando con un entorno. Recibe recompensas o penalizaciones por sus acciones, aprendiendo a elegir acciones que maximicen la recompensa acumulada a lo largo del tiempo. El RL se utiliza a menudo en robótica, juegos y sistemas de navegación. Lea una descripción general del aprendizaje por refuerzo profundo.
• Aprendizaje semisupervisado: Este enfoque utiliza una combinación de una pequeña cantidad de datos etiquetados y una gran cantidad de datos sin etiquetar para el entrenamiento, tendiendo un puente entre el aprendizaje supervisado y el no supervisado.

Aplicaciones reales

El aprendizaje automático impulsa la innovación en innumerables ámbitos. He aquí un par de ejemplos destacados:

• Análisis de imágenes médicas: Los modelos de ML analizan exploraciones médicas (como radiografías, TAC o resonancias magnéticas) para ayudar a los radiólogos a detectar anomalías, como tumores u otras patologías, lo que a menudo permite un diagnóstico más precoz y mejores resultados para los pacientes. Se trata de un área clave dentro de la IA en la asistencia sanitaria. La investigación en Radiología: Inteligencia Artificial destaca los avances en curso.
• Vehículos autónomos: Los coches autónomos dependen en gran medida del ML para tareas como la percepción del entorno, la detección de objetos (identificación de peatones, otros vehículos, señales de tráfico), el mantenimiento del carril y la navegación. Empresas como Waymo exhiben esta tecnología. Más información sobre soluciones de IA en automoción.

Otras aplicaciones son los sistemas de recomendación (como en Netflix o Amazon), la detección de fraudes financieros, el procesamiento del lenguaje natural (PLN) y la optimización de la gestión de inventarios minoristas.

ML frente a términos afines

• IA vs. ML: La Inteligencia Artificial (IA ) es el amplio campo de la creación de máquinas que pueden realizar tareas que normalmente requieren inteligencia humana. El ML es un subconjunto de la IA que se centra específicamente en sistemas que aprenden de los datos.
• ML vs. Aprendizaje profundo: El aprendizaje profundo (Deep Learning, DL) es un subconjunto especializado del ML que utiliza redes neuronales (NN) complejas y multicapa para aprender patrones intrincados a partir de grandes conjuntos de datos. Aunque el ML utiliza varios algoritmos, el DL destaca especialmente con datos no estructurados como imágenes y texto.
• ML vs. Minería de datos: La minería de datos consiste en descubrir patrones e ideas a partir de grandes conjuntos de datos. El ML suele utilizar estos patrones para construir modelos predictivos. Aunque están relacionadas y utilizan técnicas similares, la minería de datos hace hincapié en el descubrimiento de patrones, mientras que el ML hace hincapié en la predicción o la toma de decisiones basadas en patrones aprendidos.

Relevancia en IA y visión por ordenador

El aprendizaje automático es un pilar fundamental de la IA moderna y resulta especialmente transformador en el campo de la visión por ordenador (VC). Tareas como la detección de objetos, la segmentación de imágenes y la estimación de poses dependen en gran medida de modelos de ML para interpretar y comprender la información visual. Los modelos de última generación como Ultralytics YOLO aprovechan las técnicas de ML, en particular Deep Learning, para lograr una alta precisión y velocidad en aplicaciones en tiempo real. Puede explorar las comparaciones de modelos de Ultralytics YOLO para ver las diferencias de rendimiento.

Frameworks como PyTorch (visite el sitio oficial de PyTorch) y TensorFlow proporcionan las herramientas necesarias para desarrollar y entrenar modelos ML. Plataformas como Ultralytics HUB ofrecen entornos integrados que agilizan el proceso, desde la gestión de conjuntos de datos y el entrenamiento de modelos personalizados hasta el despliegue y la supervisión de modelos(MLOps). La creación eficaz de modelos suele implicar un cuidadoso ajuste de hiperparámetros y la comprensión de las métricas de rendimiento.