Cuando la mayoría de la gente piensa en aprendizaje automático o IA, tienen una visión negativa del término. Piensan en robots que están quitando puestos de trabajo a los humanos o piensan en Skynet o HAL 9000, siniestros seres centinela que están preparados para apoderarse del mundo. En realidad, utilizamos el aprendizaje automático todos los días con nuestros teléfonos y sus asistentes inteligentes Siri y Cortana, o coches inteligentes que analizan el entorno. Incluso mientras navegamos por la web nos encontramos con publicidad basada en nuestros hábitos de compra. El aprendizaje automático está a nuestro alrededor y es la fuerza impulsora de IA. Pero para comprender plenamente el impacto del aprendizaje automático en la sociedad, debemos mirar el pasado, el presente y el futuro.
¿qué es el aprendizaje automático?
El aprendizaje automático es el estudio científico de algoritmos y modelos estadísticos que utilizan los sistemas informáticos para realizar una determinada tarea sin depender de instrucciones específicas, sino de patrones e inferencias. El término aprendizaje automático fue acuñado por primera vez por Arturo Samuel en 1959 mientras trabajaba en IBM. Su objetivo final era crear inteligencia artificial (IA) y el aprendizaje automático se convirtió en un subconjunto de su búsqueda. Después de su descubrimiento, hubo una ruptura entre las teorías y no fue hasta la década de 1990 que el aprendizaje automático realmente despegó. Este período fue conocido como el Invierno de IA. El campo cambió su enfoque de lograr IA a resolver problemas de naturaleza más práctica tomando prestados modelos de la estadística y la teoría de la probabilidad. El aprendizaje automático también se benefició enormemente de la invención de la World Wide Web, ya que obtuvo acceso a una gran cantidad de datos.
Para que el aprendizaje automático funcione, se requieren muchos datos para predecir resultados futuros o entrenar a una máquina para realizar tareas. Si bien el aprendizaje automático comenzó con una gran cantidad de datos estáticos sin cambios, ha pasado a modelos de aprendizaje que procesan datos en tiempo real. Hay cuatro enfoques principales para el aprendizaje automático:
Aprendizaje supervisado: datos de entrenamiento para realizar un determinado resultado
Aprendizaje no supervisado: datos de entrenamiento sin resultados claros
Aprendizaje semisupervisado: datos de entrenamiento con pocos resultados deseados
Aprendizaje por refuerzo: recompensar al agente artificial en función de lo que hace
¿Quién utiliza el aprendizaje automático?
Probablemente ni siquiera te das cuenta del aprendizaje automático que ocurre en tu vida cotidiana. ¿Ese filtro de spam en tu bandeja de entrada? Eso es aprendizaje automático. El aprendizaje automático también está presente en la mayoría de nuestros hogares en forma de altavoces inteligentes, enchufes inteligentes y termostatos inteligentes. Sólo en Estados Unidos los hay 47,3 millones de adultos que tienen acceso a un altavoz inteligente. Sin embargo, el aprendizaje automático tiene un gran impacto en ciertas industrias de nuestro mundo.
Financiero
El aprendizaje automático puede agilizar muy fácilmente los procesos internos dentro del sector financiero debido a la gran cantidad de datos que este sector recopila. Los bancos y las instituciones financieras utilizan el aprendizaje automático para detectar fraudes con la minería de datos (un tipo de aprendizaje no supervisado que se utiliza para descubrir patrones de datos). A informe reciente indicó que en los próximos 15 años, los robots podrán realizar el 75% de los trabajos de servicios financieros con aprendizaje automático.
Gobierno
Un artículo reciente de Deloitte estados, “Los gobiernos recopilan enormes cantidades de datos sobre todo, desde la atención médica, la vivienda y la educación hasta la seguridad interna y nacional—, tanto directamente como a través de organizaciones sin fines de lucro a las que apoyan. Los gobiernos también producen datos, como datos del censo, información laboral, información del mercado financiero, datos meteorológicos y datos del sistema de posicionamiento global (GPS)” Con estos datos, las agencias gubernamentales en áreas como servicios públicos, militares e infraestructura utilizan el aprendizaje automático para aumentar la eficiencia, detectar fraudes y ahorrar dinero. Algunas agencias de infraestructura utilizan estos datos para predecir cuándo baches se formará en las calles de la ciudad, mientras que los militares utilizan el aprendizaje automático para predecir Fallas mecánicas en tanques.
Salud
Los dispositivos portátiles y los sensores hacen del aprendizaje automático una tendencia de rápido crecimiento en la industria de la salud. Estos dispositivos ayudan a los profesionales médicos a identificar cualquier tendencia que pueda ayudar a diagnosticar a un paciente, lo que resulta en mejores opciones de tratamiento. Con grandes bases de datos de imágenes en radiología, el aprendizaje automático puede evaluar rápidamente imágenes que los expertos médicos tardarían más en procesar. Por ejemplo, con el aprendizaje automático, Google entrenó computadoras para detectar el cáncer en pacientes con una precisión del 89%. Stanford está utilizando un aprendizaje profundo algoritmo para predecir el cáncer de piel y cuando Los pacientes morirán para brindar mejores cuidados paliativos.
Transporte
El aprendizaje automático no sólo se utiliza en vehículos autónomos, sino que también tiene un gran impacto en cómo se entregan los paquetes. El aprendizaje automático analiza el GPS drivers’, dónde se entrega el paquete cuando el cliente recibe el paquete, su velocidad y el clima para encontrar la ruta más eficiente posible para el conductor de entrega.
Críticas al aprendizaje automático
Con todos los logros sobresalientes del aprendizaje automático, debe haber algunas críticas a la aplicación. Según Dr. Allen de la Universidad Rice, el aprendizaje automático está creando una crisis en la ciencia. El argumento de Rice es que una cantidad cada vez mayor de investigación científica utiliza el aprendizaje automático en datos que ya han sido recopilados. Ella sostiene que las soluciones que proponen estos científicos son erróneas porque sólo son aplicables en ese conjunto de datos, no en el mundo real. El Dr. Allen afirma: “Existe un reconocimiento general de una crisis de reproducibilidad en la ciencia en este momento. Me atrevería a argumentar que una gran parte de eso proviene del uso de técnicas de aprendizaje automático en la ciencia” Ella llama a esto una crisis de reproducibilidad. El Dr. Rice no es el único crítico del aprendizaje automático. Gary Marcus, profesor de psicología de la Universidad de Nueva York, tiene un larga lista de quejas contra el aprendizaje profundo. Incluyen una gran dependencia de grandes conjuntos de datos debido a su susceptibilidad al sesgo de las máquinas y su incapacidad para manejar el razonamiento abstracto. Marcus afirmó que su mayor temor es que la IA quede encasillada como un “mínimo local, centrándose demasiado en la exploración detallada de una clase particular de modelos accesibles pero limitados,” y concluyó además que “uno de los mayores riesgos en la actual sobrevaloración de la IA es otro invierno de IA”.
¿Cuál es el siguiente paso en el aprendizaje automático?
Cuanto más datos creamos y más estudiamos el aprendizaje automático y su impacto en la tecnología, queda claro que también existen responsabilidades éticas que debemos cumplir como sociedad. En este momento, solo unas pocas empresas tecnológicas están totalmente involucradas en el aprendizaje automático y la recopilación de datos. ¿Qué pasa si esta tecnología se convierte en un monopolio? ¿Esta tecnología sólo será accesible para aquellos con riqueza? ¿Qué pasa si los críticos del aprendizaje automático tienen razón y otro invierno de IA se hará realidad? Será difícil predecir lo que sabe el futuro.
15 de octubre de 2026
Herramientas puntuales versus plataforma: qué sucede cuando la orquestación no es nativa
