El aprendizaje automático se utiliza en casi todos los sectores y actividades empresariales. El aprendizaje automático ayuda al sector de la logística a optimizar las rutas de envío y de entrega, al sector minorista a personalizar las experiencias de compra y a gestionar el inventario, a los fabricantes a automatizar las fábricas y a proteger a las organizaciones en todas partes. Cuando una persona utiliza la voz para hacer consultas en su smartphone o altavoz, se utiliza el aprendizaje automático para entender lo que le pide y ayudar a buscar el resultado. El ámbito de aplicación del aprendizaje automático es amplio y se expande constantemente. 

El ritmo de generación de datos se incrementa cada día. El mundo genera cada día más datos que nunca jamás en su historia. Sería prácticamente imposible analizar y utilizar todos esos datos sin el aprendizaje automático. Por eso, el aprendizaje automático abre un mundo totalmente nuevo en cuanto a lo que las personas pueden hacer con los ordenadores y con otras máquinas. El aprendizaje automático ayuda a las empresas con funciones importantes como la detección de fraudes, la identificación de amenazas de seguridad, la personalización y las recomendaciones, el servicio de atención al cliente automatizado a través de bots de chat, la transcripción y traducción, el análisis de datos y más. El aprendizaje automático también está impulsando la emocionante innovación del mañana, como el uso de vehículos autónomos, drones y aviones, la realidad aumentada y virtual, y la robótica. 

Aunque la inteligencia artificial (IA) y el aprendizaje automático (ML) se suelen usar como sinónimos, no son términos intercambiables. 

La inteligencia artificial es un área de la informática que se centra en crear ordenadores y máquinas que puedan razonar, aprender y actuar de forma semejante a la inteligencia humana, o bien sistemas que utilizan datos cuya escala supera lo que los humanos pueden analizar. Este campo abarca muchas disciplinas como el análisis de datos, la estadística, la ingeniería de hardware y software, la neurociencia e incluso la filosofía. 

Si bien la inteligencia artificial es una amplia categoría de la informática, el aprendizaje automático es una aplicación de IA que implica entrenar a las máquinas para que ejecuten una tarea sin que se haya programado específicamente para ella. El aprendizaje automático se utiliza de forma más explícita para extraer el conocimiento de los datos mediante técnicas como las redes neuronales, el aprendizaje supervisado y no supervisado, árboles de decisión y regresión lineal.

Al igual que el aprendizaje automático es un subconjunto de la inteligencia artificial, el aprendizaje profundo es un subconjunto del aprendizaje automático. El aprendizaje profundo entrena redes neuronales con conjuntos de datos. Una red neuronal es un modelo que utiliza un sistema de neuronas artificiales, que son nodos computacionales que se utilizan para clasificar y analizar datos. Los datos se introducen en la primera capa de una red neuronal, donde cada nodo toma una decisión y, a continuación, transmite esa información a varios nodos de la siguiente capa. Los modelos de entrenamiento con más de tres capas se denominan "redes neuronales profundas" o "aprendizaje profundo". Algunas redes neuronales modernas tienen cientos o miles de capas. 

El aprendizaje automático entrena algoritmos con conjuntos de datos para lograr un resultado esperado, como identificar un patrón o reconocer un objeto. El aprendizaje automático es el proceso de optimizar el modelo para que pueda predecir la respuesta correcta en función de las muestras de datos de entrenamiento. 

Si se asume que los datos de entrenamiento son de alta calidad, cuantas más muestras de entrenamiento reciba el algoritmo de aprendizaje automático, más preciso será el modelo. El algoritmo ajusta el modelo a los datos durante el entrenamiento, lo que se conoce como "proceso de ajuste". Si el resultado no se ajusta al esperado, el algoritmo se vuelve a entrenar una y otra vez hasta que dé la respuesta precisa. En esencia, el algoritmo aprende de los datos y alcanza resultados en función de si la entrada y la respuesta se ajustan a una línea, un clúster u otra correlación estadística.

¿Qué son los datos de entrenamiento en el aprendizaje automático? Depende del tipo de modelo de aprendizaje automático que se utilice.

A grandes rasgos, se utilizan tres tipos de modelos en el aprendizaje automático.

El aprendizaje supervisado es un modelo de aprendizaje automático que utiliza datos de entrenamiento etiquetados (datos estructurados) para asignar una función específica a una etiqueta. En el aprendizaje supervisado, se conoce el resultado (por ejemplo, se reconoce la imagen de una manzana) y el modelo se entrena con datos de la salida conocida. Dicho de otro modo, si quieres entrenar el algoritmo para que reconozca imágenes de manzanas, dales imágenes con las etiquetas de manzanas.

Algunos de los algoritmos de aprendizaje supervisado más habituales que se usan actualmente son los siguientes:

• Regresión lineal
• Regresión polinómica
• Vecinos más cercanos
• Naive Bayes
• Árboles de decisión

El aprendizaje no supervisado es un modelo de aprendizaje automático que utiliza datos sin etiquetar (datos no estructurados) para aprender patrones. A diferencia del aprendizaje supervisado, no se conoce de antemano la "exactitud" de los resultados. En vez de eso, el algoritmo aprende a partir de los datos sin intervención humana (por lo tanto, sin supervisión) y los clasifica en grupos según sus atributos. Por ejemplo, si el algoritmo recibe imágenes de manzanas y plátanos, clasificará por sí mismo qué imagen es una manzana y cuál es un plátano. El aprendizaje no supervisado funciona bien en los modelos descriptivos y en la coincidencia de patrones.

Algunos de los algoritmos de aprendizaje no supervisado más habituales que se utilizan en la actualidad son los siguientes:

• Medianas difusas
• Agrupamiento en clúster de mediana‑K
• Agrupación en clúster jerárquica
• Mínimos cuadrados parciales

También existe un método mixto de aprendizaje automático llamado aprendizaje semisupervisado, que consiste en etiquetar solo ciertos datos. En el aprendizaje semisupervisado, el algoritmo debe aprender a organizar y estructurar los datos para lograr un resultado conocido. Por ejemplo, se indica al modelo de aprendizaje automático que el resultado es una pera, pero solo algunos datos de entrenamiento se etiquetan como pera.

El aprendizaje por refuerzo es un modelo de aprendizaje automático que se puede describir como "aprender con la práctica" a través de una serie de experimentos de prueba y error. Un "agente" aprende a realizar una tarea definida a través de un bucle de retroalimentación hasta que su rendimiento se encuentre dentro de un intervalo deseado. El agente recibe refuerzo positivo cuando hace la tarea bien y refuerzo negativo cuando falla. Un ejemplo del aprendizaje por refuerzo se da cuando los investigadores de Google enseñaron a un algoritmo de aprendizaje por refuerzo a jugar al Go. El modelo, que no tenía ningún conocimiento previo de las reglas del Go, simplemente movía piezas de forma aleatoria y "aprendía" los mejores movimientos que se debían realizar. El algoritmo se entrenó con refuerzos positivos y negativos hasta el punto de que el modelo de aprendizaje automático podía ganarle la partida a un jugador humano.

Reconocimiento de patrones

Cuantos más datos consuma un algoritmo de aprendizaje automático, mejor podrá identificar las tendencias y los patrones de esos datos. Por ejemplo, un sitio web de comercio electrónico puede utilizar el aprendizaje automático para comprender cómo compran los usuarios en su sitio y usar esa información para ofrecerles mejores recomendaciones o para encontrar datos de tendencias que puedan generar nuevas oportunidades de productos.

Automatización

El aprendizaje automático y la inteligencia artificial pueden quitarles gran parte del trabajo aburrido y monótono a los trabajadores. Las utilidades como la automatización robótica de procesos pueden realizar algunas de las tediosas tareas empresariales que impiden a los empleados realizar trabajos más valiosos. Los algoritmos de visión artificial y de detección de objeciones pueden ayudar a los robots a recoger y empaquetar artículos de una cadena de montaje. El aprendizaje automático para detectar fraudes y evaluar amenazas de forma ininterrumpida puede detectar fallos de seguridad antes de que se conviertan en un problema.

Mejora continua

Si se utilizan los tipos de datos adecuados, los algoritmos de aprendizaje automático seguirán mejorando para ser más rápidos y precisos. Un buen ejemplo es el conjunto de datos de GPT-3, que sigue mejorando la forma en que genera texto.

Sesgo potencial

La calidad del aprendizaje automático depende de los datos con los que se proporcionan. Si un algoritmo de aprendizaje automático recibe un conjunto de datos sesgado, ofrecerá resultados sesgados. 

Adquisición de datos

El aprendizaje automático puede necesitar una gran cantidad de datos para ser útil. Como muchos casos prácticos del aprendizaje automático se basan en el aprendizaje supervisado, adquirir y limpiar datos estructurados para entrenar a los algoritmos es un primer paso importante, lo que puede resultar difícil si los datos se encuentran en ubicaciones aisladas dentro de una organización.

Se necesitan conocimientos técnicos

Aunque el aprendizaje automático, la inteligencia artificial y los proveedores de servicios en la nube intentan que la configuración y la ejecución de algoritmos de aprendizaje automático sea lo más fácil posible, las organizaciones suelen necesitar programadores y científicos de datos para comprender y utilizar los algoritmos de entrenamiento y sus resultados.  

Mucho consumo de recursos

El aprendizaje automático puede llevar mucho tiempo, ya que requiere muchos recursos informáticos y muchas horas de trabajo para empezar a procesar datos y conseguir resultados.