Blog

Machine Learning, el futuro de la Inteligencia Artificial y un aliado crucial frente al COVID-19

La Inteligencia Artificial también llamada Inteligencia Computacional, crea sistemas que aprenden por sí mismos. Así como los humanos saben y aprenden sobre el mundo gracias a experiencias pasadas, el conocimiento de las máquinas proviene de los datos que se les haya alimentado.

Pero, ¿hay manera de hacer que las computadoras también aprendan de experiencias pasadas? La respuesta, temida por muchos y anticipada por otros es, sí. Hoy en día ya existen computadoras que retienen información de procedimientos pasados y pueden llegar a resolver ejercicios complejos por sí mismas.

Machine Learning, es una manera de “entrenar” a un algoritmo para que pueda aprender. Dicho entrenamiento involucra alimentarlo con enormes cantidades de datos y permitir que éste se ajuste a ellos y mejore su procedimiento.

Por ejemplo, para que una máquina aprenda a predecir el precio de una casa, ésta debe de tener datos sobre los tamaños, precios y ubicaciones de casas para poder sacar el valor de otras. Esto lo hace construyendo un modelo a base de prueba y error que generaliza el comportamiento observado.

Y  ¿Qué tareas se pueden resolver con Machine Learning?

Estos son algunos ejemplos de lo que el aprendizaje automático puede hacer:

  • Filtro de spam: Ahora recibimos muchísimo menos correos electrónicos de spam que hace años.
  • Recomendaciones personalizadas: Como las que recibimos en Amazon o Netflix.
  • Publicidad: Predicción de cuáles son los anuncios que nos van a interesar más.
  • Mercado inmobiliario: Predicción de cuál va a ser el precio de venta de un inmueble.
  • Reconocimiento de imágenes: Reconocer que contiene una imagen (¿es un coche?, ¿un perro?, ¿un gato?).
  • Percepción: Saber qué objetos hay en una imagen, dónde están y cómo se mueven (necesario para los coches autónomos).
  • Procesado del habla: Por ejemplo Siri, Alexa o el asistente de Google.
  • Traducción automática: Para traducir entre idiomas como en Google Translate.
  • Noticias: Predecir qué artículos tendrán un mayor número de visitas.
  • Juegos: Crear jugadores artificiales que jueguen mejor que nosotros (por ejemplo, Google AlphaZero AI).

Los algoritmos de Machine Learning se dividen en tres categorías:

  • Supervised Learning (aprendizaje supervisado).-En el cual  se utilizan datos previamente etiquetados. Por ejemplo, para saber si una imagen es de un gato o un perro, el modelo se entrena con miles de imágenes catalogadas con cualquiera de esas dos categorías. El objetivo es que después de varios intentos, la máquina pueda reconocer a un perro o un gato aunque la imagen no esté clasificada.
  • Unsupervised Learning (aprendizaje no supervisado).-Su objetivo es comprender y abstraer los patrones de la información directamente . Es decir, a la máquina se le provee una gran cantidad de datos con las características de un objeto (ej. aspectos que conforman un auto) para que pueda determinar que es a partir de esa información.
  • Reinforcement Learning (aprendizaje por refuerzo).-A diferencia de las categorías anteriores, en este caso los modelos ya conocen los resultados pero deben llegar a ellos a prueba y error. Lo que sucede es que el algoritmo va reconociendo los patrones de éxito y aplicándolos para lograr el resultado.

Muchos  autores explican que los algoritmos de Machine Learning no pueden realizar tareas que requieren sentido común, ya que ejerce muchas cadenas de lógica o razonamiento extraído desde un contexto diverso de conocimiento. Éstas últimas son habilidades inherentes del ser humano. Por ejemplo, una computadora puede encontrar la cura a un tipo de enfermedad. Sin embargo, no tiene la habilidad de decir cómo o por qué la persona se enfermó. Por lo tanto, su capacidad de crear un diagnóstico completo es pobre comparado al de un doctor.

Sector Salud

La pandemia representa un desafío sin precedentes para nuestro abandonado sistema de salud y el desarrollo de soluciones de Machine Learning ha demostrado ser cruciales para afrontar la COVID-19. La aplicación de esta área está permitiendo crear mejores sistemas de control y soporte para profesionales del sector salud e investigación.

Machine Learning a logrado  contribuir en 4 aspectos específicos:

  • Predicción de brotes y rebrotes
  • Seguimiento de la propagación del virus
  • Diagnóstico y tratamiento del coronavirus
  • Descubrimiento de vacunas y fármacos.

CIMFASC

Un grupo de alumnos y egresados de la UNI ha preparado una herramienta que permite estimar las cifras de contagios y fallecidos con dos semanas de anticipación. Este grupo  recurrimos a la inteligencia artificial empleando Machine Learning, ellos explican que  funciona de manera similar a nuestro proceso de aprendizaje natural: tomamos decisiones basadas en nuestras experiencias previas.El equipo primero entrenó al software a partir de patrones pasados. Escogieron periodos de tiempo determinados, con cifras conocidas, y excluyeron las dos últimas semanas, como si no las conocieran.“El software analiza la dependencia entre las cifras del primer día y el segundo, el tercero, el cuarto, y así sucesivamente. Y no solo eso, analiza también todas las relaciones posibles entre todos los días del periodo escogido para el entrenamiento. Finalmente, hacemos que pronostique, medimos su performance y corregimos lo que sea necesario corregir”.Una vez que el software ya “sabe” qué criterios seguir para escoger modelos que permitan hacer predicciones acertadas, está listo para ser utilizado.“Cada día se prueban, automáticamente, entre 200 y 300 modelos para cada departamento. El que tiene mejores resultados, es el que se utiliza para hacer la proyección.

”Parece ser que la IA y Machine Learning han llegado para quedarse y no sólo eso sino que van a seguir evolucionando”.

Comparte esta publicación

Share on facebook
Share on whatsapp
Share on telegram
Share on twitter