En un contexto en el que la mayoría de industrias se familiarizan con el machine learning y su potencial, la Carrera de Ingeniería de Sistemas consideró conveniente organizar la charla “Machine learning, ¿la nueva electricidad?”, a cargo de Hernán Quintana, ingeniero informático y docente de nuestra Casa de Estudios. El encuentro se realizó el 9 de mayo en el Edificio R, como parte de los Miércoles de Ingeniería.
Quintana trazó la siguiente ruta para la charla: “Comprender qué es y dónde se ubica el machine learning dentro de los avances de la inteligencia artificial, conocer sus beneficios y retos, y tener un punto de partida para su aplicación en proyectos”.
Además, aclaró que, aunque la percepción mayoritaria es que el machine learning requiere de robots, en realidad se trata del aprendizaje que realiza un software mediante la aplicación de estadística y matemáticas. Por ello, aseguró que no se precisa de un poder computacional alto para desarrollar procesos que utilicen machine learning.
A continuación, explicó que el aprendizaje que realiza una máquina puede clasificarse de tres maneras: supervisado, cuando mediante la aplicación de un programa (también llamado learner) la máquina infiere modelos predictivos a través del análisis de data previamente clasificada; no supervisado, cuando la máquina aplica una estrategia de clusterización, encontrando estructuras y similitudes en data no clasificada, tal como hace Facebook para agrupar a sus usuarios; o por refuerzo, cuando se aplican al mismo tiempo técnicas distintas, como sucede en el caso de los automóviles autónomos, que trabajan gracias a redes de modelos predictivos.
El docente opinó que el deep learning, tipo de aprendizaje que se asemeja al proceso cognitivo del ser humano, “aún está lejos de llegar al máximo de sus capacidades, sobre todo cuando trabaja en entornos caóticos, como el reconocimiento de imagen y video”. Asimismo, aseguró que los métodos para llevar a cabo este tipo de procesos se conocen desde hace décadas, pero es solo desde este siglo que existe la tecnología para llevarlos a cabo.
Por último, comentó que el machine learning ya se viene introduciendo con éxito en diferentes industrias. Más allá de casos conocidos —como los de Google, Amazon y Facebook—, mencionó como buenos ejemplos a los data centers, que crean modelos predictivos para determinar qué servidores serán los que recibirán el flujo más alto de datos, y a ciertos programas que vienen experimentando en terrenos artísticos, creando nuevas pinturas y sonidos a partir del procesamiento de una enorme cantidad de datos.
