Desbloquear el teléfono con la cara, pedirle una canción a Siri o saber si hay atasco en Google Maps son solo algunos de los usos habituales del machine learning de los que apenas somos conscientes. Se trata de una rama dentro de la inteligencia artificial que dota de aprendizaje automático a los ordenadores, sin necesidad de ser programados de forma continuada. Se calcula que su uso aumentará la productividad de las empresas más de un 40% para el año 2035.
El concepto machine learning, rama dentro de la inteligencia artificial que dota a los ordenadores de un aprendizaje automático sin necesidad de ser programados de forma continuada, ha tomado mayor protagonismo en la última década. En pocos años, los algoritmos catalogados como machine learning han evolucionado para conseguir manejar grandes volúmenes de datos (big data), obtener mejores resultados y resolver problemas de manera más eficiente.
Su uso es cada vez más variado. De hecho, según estimaciones de la consultoría Accenture, su aplicación aumentará la productividad de las empresas más de un 40% para el año 2035.
‘Machine learning’
Además, en la actualidad más del 60% de los CEO españoles ya están utilizando IA en sus procesos de automatización y el 25% de las empresas invierten hasta 44 millones de euros en modificar y reorientar sus modelos de negocio a los algoritmos, según el último informe de KPNG.
Aunque parezca que estamos hablando de tecnología del futuro, la realidad es que su aplicación práctica forma parte del día a día de la población mundial.
En la escuela de formación de talento digital de forma intensiva Ironhack han recopilado siete ejemplos que demuestran que el machine learning forma parte de la vida cotidiana.
Sabe que somos nosotros
Detección de rostro. El reconocimiento facial es una de las revoluciones más importante de la década. Se usa para desbloquear el móvil, probar filtros de Snapchat o Instagram e, incluso, para intentar predecir cómo se envejece.
Si bien parece algo nuevo, la primera vez que se utilizó fue a finales del siglo XIX por el oficial de policía francés Alphonse Bertillon con el objetivo de identificar el rostro de criminales y sustituir el método de huellas dactilares.
El software identifica las caras mediante un grupo de 68 referencias o puntos concretos, más o menos, cuya configuración es diferente en cada persona.
Reconocimiento de voz. Los primeros sistemas de reconocimiento de voz fueron creados en 1952 y se basaban en la potencia de voz del hablante. En la actualidad, se cuenta con sistemas como: “Ok Google” u “Oye Siri”, entre otros. Este es uno de los mejores ejemplos de machine learning.
Al comunicarnos
Con el objetivo de entender mejor qué es lo que se necesita cuando formula una pregunta, estos asistentes virtuales terminan conociendo todo del usuario como: patrones de sueño, mensajes, calendario, recordatorios, mails…
Correo electrónico. Al marcar los correos como malware, el sistema termina entendiendo y aprendiendo a enviar dichos mensajes directamente a la carpeta de “no deseados” para mantener al usuario protegido de virus, fraudes o mensajes que no le interesan.
Marketing personalizado. Basado en la actuación del usuario cuando utiliza Internet, sus redes sociales o cómo interacciona, el machine learning aprende de ese comportamiento para recomendarle productos o servicios que encajen con él y se produce así un marketing personalizado basado en patrones de conducta.
Empresas como Google, Amazon e Instagram, entre otras, trabajan con estos datos, ya que incrementa la eficiencia y productividad de las campañas. De hecho, gracias a la IA, las empresas pueden conocer las necesidades del usuario antes que él mismo lo sepa.
También para circular
Google Maps para el tráfico. Cada día se recorren más de 1.000 millones de kilómetros alrededor del mundo utilizando Google Maps. Esta herramienta muestra las rutas más seguras y eficientes utilizando tecnologías basadas en patrones de tráfico y de movilidad recopilados a lo largo del tiempo y combinándolo con condiciones de tráfico en vivo. Así es como se aplica el machine learning para poder generar pronósticos apoyados en ambos conjuntos de datos.
Coches autónomos. En la actualidad, existen coches capaces de conducir de manera autónoma, adelantar, aparcar o realizar cualquier tipo de maniobra. Este tipo de automóviles ofrecen la posibilidad de disminuir las incidencias de tráfico e incluso el número de accidentes, ya que, al eliminar el factor humano de la ecuación, el margen de error es prácticamente inexistente.
Diagnósticos médicos. El uso de sistemas inteligentes dentro de la medicina tiene un gran potencial, ya que permiten procesar una gran cantidad de información y generar diagnósticos ayudando a detectar patologías con mayor rapidez y menor margen de error de lo que lo haría un ser humano.
Las principales áreas médicas en las que se usa machine learning son:
- Oncología, ha demostrado una eficacia del 90% en detección de cáncer de mama y próstata.
- Neurología, donde se han conseguido grandes avances en diagnóstico y tratamiento del ictus, el alzhéimer o la demencia senil.
- Ginecología, ayudando a detectar malformaciones o problemas durante el embarazo.
- Genética, con programas capaces de detectar mediante el rostro más de 8.000 trastornos genéticos y enfermedades raras.