Machine Learning (ML)

El aprendizaje automático (ML) es un subconjunto dinámico de la inteligencia artificial (IA) que permite a los sistemas informáticos aprender a partir de datos y mejorar su rendimiento sin necesidad de estar programados explícitamente para cada regla. En lugar de seguir instrucciones estáticas y predefinidas, los algoritmos de aprendizaje automático identifican patrones dentro de grandes cantidades de big data para tomar decisiones o realizar predicciones. Esta capacidad es el motor detrás de muchas tecnologías modernas, permitiendo a los ordenadores adaptarse a nuevos escenarios procesando datos de entrenamiento y refinando su lógica interna a lo largo del tiempo mediante la experiencia.

Link to this sectionConceptos y técnicas fundamentales#

En esencia, el ML se basa en técnicas estadísticas para construir sistemas inteligentes. El campo se clasifica generalmente en tres metodologías principales según cómo aprende el sistema. El aprendizaje supervisado implica entrenar un modelo con conjuntos de datos etiquetados donde se conoce el resultado deseado, una técnica utilizada habitualmente en tareas de clasificación de imágenes. Por el contrario, el aprendizaje no supervisado trabaja con datos sin etiquetar, requiriendo que el algoritmo encuentre estructuras o grupos ocultos por sí mismo. Finalmente, el aprendizaje por refuerzo permite a los agentes aprender mediante ensayo y error dentro de un entorno interactivo para maximizar una recompensa. Los avances modernos a menudo utilizan el deep learning, una rama especializada del ML basada en redes neuronales que imita la estructura en capas del cerebro humano.

Link to this sectionAplicaciones en el mundo real#

El aprendizaje automático ha transformado numerosos sectores mediante la automatización de tareas complejas. Aquí tienes dos ejemplos concretos de su impacto:

• Sistemas autónomos: En el ámbito de la visión artificial, 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 peatones, otros coches y señales de tráfico para tomar decisiones de seguridad en fracciones de segundo.
• Diagnóstico médico: En el sector sanitario, los algoritmos de ML analizan imágenes médicas complejas para detectar anomalías como tumores antes que los métodos tradicionales. Al procesar registros históricos de pacientes y utilizar el análisis de imágenes médicas, estas herramientas ayudan a los médicos a realizar diagnósticos precisos y a crear planes de tratamiento personalizados.

Link to this sectionImplementación del aprendizaje automático#

Desarrollar una solución de ML implica un ciclo de vida conocido como Machine Learning Operations (MLOps). Este proceso comienza con la recopilación de datos de alta calidad y la realización de anotación de datos para preparar los inputs del modelo. Los desarrolladores deben entrenar el modelo mientras supervisan problemas como el sobreajuste, donde un sistema memoriza los datos de entrenamiento pero no consigue generalizar ante información nueva.

El siguiente fragmento de código Python demuestra cómo cargar un modelo de ML preentrenado utilizando el paquete ultralytics para realizar inferencia 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()

Link to this sectionDiferenciación de términos clave#

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

Para agilizar la complejidad del entrenamiento y despliegue de estos modelos, soluciones nativas en la nube como la Ultralytics Platform permiten a los equipos gestionar conjuntos de datos, entrenar modelos escalables y gestionar el despliegue de modelos en dispositivos edge de forma eficiente.