Es difícil imaginar qué es machine learning si no se tiene al menos una pista. Podríamos imaginarnos algo horripilante (o genial, dependiendo de cada quién) tipo Skynet. ¿No? La forma más simple de entender machine learning es diciendo que es una disciplina que procesa los datos que hay en la información (toda la información) y los traduce en estadísticas para poder predecir comportamientos o eventos que ocurrirán y así poder construir una estrategia de marketing.
Como verán, no es algo tan entretenido como Arnold en una moto disparando escopetas. Y es más, suena complicado, y es bastante complicado, pero ya está pasando y no podemos quedarnos atrás, así que te platicaremos un poco más sobre el tema.
Lo primero que debemos entender es que hay muchísimas herramientas que usan, de alguna manera, estos procesos de aprendizaje y de procesamiento de datos para mejorar las experiencias de los usuarios.
¿Cómo? De la misma manera en la que aprendiste a leer o a escribir. Haciendo un uso extraordinario de una conexión casi infinita de neuronas. Claramente las computadoras y los programas no tienen neuronas (por ahora), sin embargo las neuronas son sustituidas por los cientos y cientos de usuarios que visitan los programas o plataformas.
Y ¿cómo es que estos programas aprenden gracias a estas “neuronas”? Gracias a los patrones.
Cuando te despiertas por la mañana, muy probablemente primero vas al baño, te lavas los dientes, te bañas, te secas, te vistes, desayunas algo rápido y sales al trabajo. Tomas la calle A, cruzas en la B y cortas por la calle C para llegar a tu trabajo. Lo que podría ser una rutina para ti, es un patrón para estas máquinas.
El patrón va a cambiar, y se generará uno nuevo si es que ese día que te despiertas es fin de semana, o está lloviendo, o no sonó tu alarma.
El machine learning son estas máquinas aprendiendo qué factores son los que hacen que tu comportamiento se modifique. El ejemplo de despertar es muy simple y hasta cierto punto obsoleto para este tema, sin embargo, intenta llevar a la máxima expresión ese ejemplo.
¿Cómo se modifican los hábitos de consumo de las personas cuando hay fútbol, o cuando hay algún evento político? ¿Qué si son hombres, o mujeres o niños? El mes, el día, las series de televisión, las películas, una guerra, una devaluación… cientos de miles de factores influyen en ese comportamiento y el machine learning es el encargado de aprender cómo nos comportamos y de qué manera vamos a actuar dependiendo de todo.
Si lo anterior lo tratamos de aplicar en ejemplos muy específicos podríamos mencionar uno muy concreto: tu correo electrónico. ¿Te has preguntado cómo sabe tu correo qué es spam y qué no? En algún momento alguien tuvo que enseñarle al sistema a identificar los patrones que tienen los correos spam y cuando los identifica eliminarlos de inmediato.
Como cualquier proceso de aprendizaje, este tiene fallas, y es por eso que a veces encontramos un correo importante en la bandeja de no deseados. Sin embargo día con día, correo con correo esta herramienta va aprendiendo mucho más.
Son muchos los elementos que desarrollan formas de reconocer las máquinas que van aprendiendo. Estas máquinas aprenden a reconocer patrones como objetos o eventos en escenarios reales, expresiones de los usuarios y el lenguaje que utilizan. Tienen la habilidad de “leer” información y encontrar las anormalidades y luego decidir si es una anomalía o es una excepción de la regla. Y, aún más importante que todo, hacer predicciones de lo que va o podría ocurrir basándose en toda la información anterior.
Uno de los mayores casos de éxito del uso de Big Data y Machine Learning es el del gigante del entretenimiento Netflix y su muy galardonada serie House of Cards. La compañía consiguió hacer un análisis de la información que existe y aprender qué es lo que las personas querían ver. Fue así que nace la serie del muy cruel presidente de los Estados Unidos.
Como puedes ver, no es un tema sencillo, sin lugar a dudas más adelante volveremos a tocar este tema para desglosar mucho más a detalle. Mientras te invitamos a que leas esta otra entrada que tenemos sobre machine learning, y nutras tu conocimiento un poco más.