Machine Learning: la tecnología tras bambalinas

Si no has vivido en una cueva durante el último año, de seguro habrás escuchado hablar de Chat GPT, Bard de Google o el chat de Microsoft Edge. Estas son inteligencias artificiales (IA) capaces de responder de manera adecuada gran parte de las preguntas que les puedas hacer, casi como si hablaras con una persona experta en el tema. Sin embargo, te aseguramos que no encontrarás a ningún experto al otro lado de la pantalla.

La realidad es mucho más fantástica: estos sistemas funcionan con machine learning, una de las tendencias en la industria del desarrollo de software. En específico, funcionan con un modelo de lenguaje grande (LLM por sus siglas en inglés) que le permite aprender de forma autónoma.

Machine learning consiste en el desarrollo de algoritmos y modelos estadísticos para que los computadores puedan ejecutar tareas sin supervisión. En otras palabras, es una rama de la inteligencia artificial que busca crear programas para que las máquinas “aprendan” a resolver problemas autónomamente por medio de algoritmos o modelos estadísticos.

Cabe destacar que machine learning puede ser algo tan complejo y avanzado como Chat GPT o Bard de Google, así como algo más simple, como resolver problemas de lógica o reconocer especies de plantas en base a la foto de una de sus hojas.

Tradicionalmente se reconocen tres tipos de machine learning:

  1. Aprendizaje supervisado: es un modelo que se entrena entregándole datos (inputs) y resultados deseados a partir de ese set de datos (outputs). A partir de esta información puede predecir comportamientos futuros de ese set. Un ejemplo de esto es si creas un programa para predecir el precio de un departamento a partir del número de habitaciones. El input es el número de piezas y el output deseado son los precios ya asignados a estos departamentos. El modelo aprenderá la relación entre número de piezas y valor del inmueble y podrá predecir precios para nuevos proyectos inmobiliarios. Este es un ejemplo simple de solo una variable. 
  2. Aprendizaje no supervisado: en este tipo de sistema solo se entregan inputs (como número de habitaciones y precios de mercado) y se espera que el modelo busque relaciones entre los datos.
  3. Aprendizaje por refuerzo: esta es la versión robótica del ensayo y error. Se pide al modelo hacer predicciones y se le indica si estas son acertadas o no. Este es un proceso de refuerzo positivo donde se “premia” al modelo cuando hace asociaciones acertadas o deseadas y lo ignora cuando el resultado no es adecuado. Por ejemplo, en marketing se pueden usar modelos de refuerzo para sugerir publicidad a potenciales clientes en base a información demográfica. El sistema va a ser “premiado” cuando el usuario interactúe con una publicación y aprenderá qué tipo de productos interesan a esa persona, lo que le permitirá aumentar el nivel de personalización de las sugerencias.

En TWGroup incorporamos distintos modelos de machine learning en nuestras soluciones de software. Estar al tanto de las tendencias en la industria y reconocer tecnologías emergentes es clave para ser el mejor partner tecnológico para nuestros clientes.

 

Contenido en colaboración con DuTech

case studies

Revisa nuestro contenido