Chile +56 22 923 2900 | Colombia + 57 601 3557141 - WhatsApp +57 316 4576123 info@solex.biz

SOLEX explica cómo el machine learning está siendo decisivo en la evolución de las empresas.

Andrés Villamizar | Ingeniero electrónico

Account Manager para SOLEX.

Recuerdo el año 2005, cuando Pablo Muñoz, profesor del programa de ingeniería electrónica de la universidad del Quindío, pasaba por nuestro salón de clase solicitándonos, a los 40 estudiantes de la clase, que llenáramos el abecedario con puño. Entendíamos que iba a identificar letras de personas, pero hoy 17 años después, entiendo que estaba alimentado modelos de datos, y que recurría a la data que sus estudiantes de clase le podíamos proporcionar.

Hoy en día no creo que el profesor Pablo necesite que sus estudiantes llenen el abecedario a mano alzada, debido a que hay fuentes ilimitadas para obtener esta información, basta con buscar en Google “abecedario a mano alzada”.

Básicamente es esa la razón, por la cual hoy en día el Machine Learning tienen más sentido que nunca, es por el crecimiento exponencial que están teniendo los datos, o dicho en palabras actuales, gracias al big data.

Este informe de dos entregas permitirá entender el machine learning para las empresas, desde una reseña histórica y teórica (Entrega 1) y una aplicación directa al sector empresarial (entrega 2), inclusive citando plataformas tecnológicas que están siendo decisivas en el uso de la inteligencia Artificial.

Cronología en la evolución de los datos.

  • En 1956 John McCarthy acuñó por primera vez el término IA en su conferencia de Dartmouth, esto sin dejar de un lado al gran Charles Babbage, Alan Turing y John Atansoff, padres de la computación. Nunca se detiene las investigaciones cuando un término tan importante llega a la humanidad.         La Inteligencia Artificial no tiene una definición única, la podemos definir como la forma en la que una máquina o software, “piensa” igual o mejor que un humano. Y de esta forma, definiendo al Machine learning, como un tipo de inteligencia artificial, aquella que se encarga del aprendizaje automático.

Imagen 1. Cronología del crecimiento de los datos

  • Fue hasta aproximadamente el año 1992 cuando se encontraron avances significativos en los computadores, como para pretender implementar modelado de datos funcionales, e iniciar una experiencia real hacia el Machine Learning.
  • Años posteriores se dieron grandes avances, como la llegada de las .com y la llegada del primer gigante que usaría el Machine Learning a gran escala, hablamos de Google, fundado en 1998, quienes se convertirían en los usuarios a mayor escala del Machine Learning para esa década.
  • En el año 2002 ya se generaba 1Tbyte por día, a nivel mundial, una cantidad de datos gigantesca para la época (recordemos que hoy, un solo pc tiene capacidad para almacenar 1Tbyte).
  • Para el año 2012 se generaba por día 1000Tbyte de información, definitivamente el mundo llevaba a un gran crecimiento de datos y acuñar el término BIG DATA era inevitable.
  • Para el año 2022, se genera la gran suma de 1Pbyte de datos por día; el big data lleva a que ya exista una fuente casi ilimitada de datos, para alimentar cualquier modelo de Machine Learning.

El boom del ML hoy, es generado por el big data y por la capacidad de procesamiento de datos.

Como pudimos observar, el término Machine Learning se acuñó desde el año 1956, pero solamente el crecimiento de la información permite que los modelos de datos utilizados para hacer Machine Learning, sean realmente útiles.

Para el año 2012, al generarse 1000Tbyte por día, el mundo entero se encuentra con la realidad que se avecinaba, la era de los datos llegó para quedarse. Época en la que los datos definitivamente se convierten en el activo más importante de cada empresa, de cada ciudad y por qué no, de cada país.

Imagen 2. Big data desde el 2010 al 2025

Fuente: https://es.statista.com/grafico/26031/volumen-estimado-de-datos-digitales-creados-o-replicados-en-todo-el-mundo/

El crecimiento acelerado de datos hoy trae una no tan usada medida de la información, y es el zetabyte, el cual equivale a mil millones de gigabyte. Una cantidad impensada cuando se empezó a hablar de Machine Learning en 1956. Así mismo, la gran capacidad de procesamiento de datos actual (procesadores de 18 núcleos con velocidades promedio de 3GHz) que también era absolutamente impensable en 1956.

Los responsables directos del Big data, son los grandes volúmenes de datos que manejan grandes empresas como Google, Facebook, Amazon, entre otras redes sociales; también el creciente mercado de carros autónomo, el internet de las cosas y las nuevas tecnologías de telefonía, como 4G y ahora 5G.

Diferencia entre la inteligencia artificial y el machine Learning.

Definimos la inteligencia artificial, como la forma en la que una máquina o software, puede pensar igual o mejor que un ser humano.

La Gran ventaja de un ser humano, es que puede tener diferentes tipos de pensamiento. El ser humano está puede desarrollar múltiples tareas como: tener autoconciencia, creatividad y

aprendizaje. Estos tres tipos de inteligencia, hacen que el ser humano sea perfecto a la hora de desempeñar múltiples tipos de actividades

1. Autoconciencia

En una rutina diaria, un ser humano es consciente de que debe levantarse, bañarse, desayunar, ir al trabajo, realizar sus tareas y volver a la casa para compartir con su familiar. Pero sobre todo sabe que debe levantarse con buena energía, para que sea agradable ir a trabajar; además también puede decidir que lo mejor es desayunar porque de esta forma tendrá la suficiente energía para afrontar una mañana llena de retos, aunque sabe que si no desayuna también podrá afrontar la mañana, solo que tal vez se enfrentará a un fuerte dolor de cabeza. Este tipo de pensamiento crítico y sensato no se ha visto reemplazado por ninguna máquina o software, y por lo pronto solo lo podemos ver en las pantallas de cine, haciendo parte de la ciencia ficción.

Imagen 3. Los 3 tipos de Machine Learning

2. Creatividad

Hace pocos años, hemos visto software que diseña imágenes a partir de algunas variables iniciales. Por ejemplo puedes indicarle a una IA que cree un reloj en forma de hexágono y que sea de color verde (ver imagen 4). Este tipo de pensamientos, que anteriormente solo podían estar en la creatividad de un ser humano, también se está observando en las máquinas. También podemos ver máquinas haciendo música de forma automática, componiendo canciones y ofreciendo la mejor versión, a partir de algunos datos de entrada. Por lo que podemos decir que la inteligencia artificial del tipo creativo, está avanzando.

Imagen 4. Reloj Pentágono verde generado por una IA.

Fuente: https://www.xataka.com/robotica-e-ia/inteligencia-artificial-openai-genera-imagenes-nada-a-partir-texto-que-describa-que-queramos-ver

3. Aprendizaje.

¿Cómo podía mi profesor pablo muñoz identificar la letra “a” cuando hay tantas formas diferentes de escribirla?

Imagen 5. Diferentes formas de escribir la letra «a».

Se utilizaba algún método de aprendizaje automático. Y para ello el profesor Pablo requería tener muchas variantes de la letra “a”. Entre más variantes tuviera, mejor sería su predicción; y para esto debía encontrar un modelo matemático que permitiera dicha predicción.

El Machine learning, o aprendizaje automático, es un tipo de inteligencia Artificial; y corresponde a la inteligencia artificial que más ha avanzado hoy en día. Para el ejemplo de la identificación de la letra “a”, todos sabemos cómo es la forma adecuada de escribirla, estos serían los datos de salida; pero también tenemos datos de entrada, y estas entradas son la forma en la que cada persona escribe la “a”. Con estos datos de entrada y salida y utilizando los fundamentos matemáticos adecuados, podemos encontrar una ecuación matemática, para identificar la letra “a”, con múltiples formas de escritura.

De esto se trata el Machine learning, un tipo de inteligencia artificial, que, mediante datos de entrada y salida, permite construir una ecuación matemática para, por ejemplo, Predecir la letra “a” cuando una persona la escriba a mano alzada.

Para esta predicción hay muchísimas estrategias, algoritmos de regresión, bayesianos, agrupación, árbol de decisión, redes neuronales, reducción de dimensión, Aprendizaje Profundo, entre otros; siendo uno de los más usados: Las redes neuronales.

Redes Neuronales

Existen diferentes tipos de algoritmos de Machine Learning. Uno de los más usados son las redes neuronales; consiste en imitar la forma como funcionan las neuronas en el cerebro. A cada entrada de datos se le asigna un peso y un sesgo y al compararlo con el dato esperado de salida se ajusta los pesos y sesgos, hasta definir una ecuación matemática adecuada que posteriormente permita predecir.

Para el siguiente ejemplo, se requiere construir una ecuación matemática, que permita calcular grados Fahrenheit, a partir de grados celcius.

 

Imagen 6. Redes Neuronales.

Los datos de entrada son los grados celcius (-40,-10,0,8,15,22 y 38) y respectivamente le corresponde cada dato de salida en grados Fahrenheit (40,14,32,46,59,72,100). Una ecuación básica, se observa a continuación:

Al ajustar adecuadamente los Pesos y los Sesgos, se puede obtener la ecuación exacta para representar la conversión de Fahrenheit a Celsius:

Una ecuación línea es el resultado más básico que puede entregar una red neuronal. Pero las redes neuronales pueden ser tan extensas, como los datos de entrada y salida lo requieran, hasta lograr ecuaciones muy complejas.

Comentario del autor:

De este primer informe comprendiste:

  • Por qué el big data ha hecho que la inteligencia artificial tome gran importancia en esta década.
  • Diferencia entre la inteligencia Artificial y el machine learning.
  • Y además aprendiste que existen muchos tipos de algoritmo de Machine Learning.

Ya estamos preparados para entender como el ML está siendo decisivo en la evolución de las empresas.

Ver la segunda entrega de este informe, el 28 de octubre.

Andres.villamizar@solex.biz