Aprendizaje Automático (ML)

El aprendizaje automático (ML) es un subconjunto dinámico de la inteligencia artificial (IA) que permite a los sistemas informáticos aprender de los datos y mejorar su rendimiento sin necesidad de programarlos explícitamente para cada regla. En lugar de seguir instrucciones estáticas y codificadas, los algoritmos de aprendizaje automático identifican patrones dentro de grandes cantidades de datos masivos para tomar decisiones o hacer predicciones. Esta capacidad es el motor que impulsa muchas tecnologías modernas, ya que permite a los ordenadores adaptarse a nuevos escenarios mediante el procesamiento de datos de entrenamiento y el perfeccionamiento de su lógica interna a lo largo del tiempo a través de la experiencia.

Conceptos y técnicas fundamentales

En su esencia, el aprendizaje automático se basa en técnicas estadísticas para crear sistemas inteligentes. Este campo se divide generalmente en tres metodologías principales según cómo aprende el sistema. El aprendizaje supervisado consiste en entrenar un modelo con conjuntos de datos etiquetados en los que se conoce el resultado deseado, una técnica que se utiliza habitualmente en tareas de clasificación de imágenes. Por el contrario, el aprendizaje no supervisado se ocupa de datos sin etiquetar , lo que requiere que el algoritmo encuentre por sí mismo estructuras o grupos ocultos. Por último, el aprendizaje por refuerzo permite a los agentes aprender mediante ensayo y error dentro de un entorno interactivo para maximizar la recompensa. Los avances modernos suelen utilizar el aprendizaje profundo, una rama especializada del ML basada en redes neuronales que imita la estructura en capas del cerebro humano.

Aplicaciones en el mundo real

El aprendizaje automático ha transformado numerosas industrias al automatizar tareas complejas. He aquí dos ejemplos concretos de su impacto:

• Sistemas autónomos: En el ámbito de la visión artificial, se utilizan modelos de aprendizaje automático como Ultralytics para la detección de objetos en tiempo real . Estos sistemas actúan como los «ojos» de los vehículos autónomos, identificando al instante a los peatones, otros coches y señales de tráfico para tomar decisiones de seguridad en fracciones de segundo.
• Diagnóstico médico: En el ámbito sanitario, los algoritmos de aprendizaje automático analizan imágenes médicas complejas para detect , como tumores, antes que los métodos tradicionales. Mediante el procesamiento de historiales clínicos y el uso del análisis de imágenes médicas, estas herramientas ayudan a los médicos a realizar diagnósticos precisos y a crear planes de tratamiento personalizados.

Aplicación del aprendizaje automático

El desarrollo de una solución de ML implica un ciclo de vida conocido como Operaciones de aprendizaje automático (MLOps). Este proceso comienza con la recopilación de datos de alta calidad y la realización de anotaciones de datos para preparar las entradas del modelo. A continuación, los desarrolladores deben entrenar el modelo mientras supervisan problemas como el sobreajuste, en el que un sistema memoriza los datos de entrenamiento pero no logra generalizar a la nueva información.

El siguiente Python muestra cómo cargar un modelo de ML preentrenado utilizando el ultralytics paquete para realizar inferencias sobre una imagen:

from ultralytics import YOLO

# Load the advanced YOLO26 model (nano version)
model = YOLO("yolo26n.pt")

# Perform object detection on an image source
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the results to see the identified objects
results[0].show()

Términos clave distintivos

Es importante diferenciar el «aprendizaje automático» de otros conceptos relacionados. Mientras que la IA es la ciencia general de la creación de máquinas inteligentes, el aprendizaje automático es el subconjunto específico de métodos utilizados para lograr esa inteligencia a través de los datos. Además, la ciencia de datos es un campo más amplio que incorpora el aprendizaje automático, pero que también se centra en la limpieza, la visualización y el análisis estadístico de los datos para extraer información útil para el negocio. Marcos como PyTorch y TensorFlow proporcionan las herramientas subyacentes para construir estos sistemas.

Para optimizar la complejidad de entrenar e implementar estos modelos, las soluciones nativas de la nube como la Ultralytics permiten a los equipos gestionar conjuntos de datos, entrenar modelos escalables y gestionar la implementación de modelos en dispositivos periféricos de manera eficiente.