Aprendizaje automático (ML)

Distinción entre ML y términos afines

Entender el ML también significa saber cómo se relaciona con otros conceptos clave en este campo:

• Inteligencia Artificial (IA): La IA es el concepto amplio de crear máquinas capaces de un comportamiento inteligente. El ML es el enfoque más destacado y exitoso para lograr la IA. Mientras que la IA es el objetivo general, el ML es la metodología práctica que permite a los sistemas aprender y adaptarse.
• Aprendizaje profundo (AD): El aprendizaje profundo es un subcampo especializado del ML que utiliza redes neuronales (NN) complejas y multicapa, a menudo denominadas redes neuronales profundas. El aprendizaje profundo ha sido responsable de importantes avances en el tratamiento de datos complejos como imágenes, sonido y texto, y es la base de la mayoría de los modelos de visión más avanzados.
• Minería de datos: Aunque ambos campos analizan datos, sus objetivos difieren. La minería de datos, tal y como la definen líderes del sector como SAS, se centra en descubrir patrones desconocidos hasta ahora en grandes conjuntos de datos para generar ideas de uso humano. En cambio, el ML utiliza patrones para construir modelos predictivos que puedan tomar decisiones autónomas sobre datos nuevos y desconocidos.

Tipos de aprendizaje automático

Los modelos de ML se suelen clasificar en función de cómo aprenden de los datos:

• Aprendizaje supervisado: El tipo más común, en el que el modelo aprende a partir de datos etiquetados consistentes en pares de entrada-salida. El objetivo es aprender una función de mapeo que pueda predecir la salida para nuevas entradas. La clasificación de imágenes y la detección de spam son ejemplos clásicos.
• Aprendizaje no supervisado: El modelo recibe datos sin etiquetar y debe encontrar patrones o estructuras intrínsecas por sí mismo, como agrupar puntos de datos en clusters. Los casos de uso más comunes son la detección de anomalías y la segmentación de clientes.
• Aprendizaje por refuerzo: Un agente aprende interactuando con un entorno. Recibe recompensas por las acciones deseables y penalizaciones por las indeseables, con el objetivo de maximizar su recompensa acumulada. Este método se utiliza mucho en robótica y en juegos estratégicos.

Relevancia en IA y visión por ordenador

El aprendizaje automático es un pilar fundamental de la IA moderna y resulta especialmente transformador en el campo de la visión por ordenador (VC). Tareas como la detección de objetos, la segmentación de imágenes y la estimación de poses dependen en gran medida de modelos de ML para interpretar y comprender la información visual. Modelos de última generación como Ultralytics YOLO aprovechan las técnicas de ML, en particular Deep Learning, para lograr una alta precisión y velocidad en aplicaciones en tiempo real.

He aquí dos ejemplos de ML en acción:

1. Análisis de imágenes médicas: En la IA para la atención sanitaria, los modelos de ML entrenados en conjuntos de datos como el de tumores cerebrales pueden analizar resonancias magnéticas o tomografías computarizadas para detectar y perfilar posibles anomalías. Esto ayuda a los radiólogos a resaltar las áreas de preocupación, lo que lleva a diagnósticos más rápidos y precisos. Organizaciones como el Instituto Nacional de Imagen Biomédica y Bioingeniería (NIBIB) están explorando activamente estas aplicaciones.
2. Vehículos autónomos: Los coches autónomos utilizan un conjunto de modelos ML para procesar datos de cámaras, LiDAR y radares en tiempo real. En la IA para automoción, estos modelos se utilizan para detectar y clasificar objetos como otros vehículos, peatones y señales de tráfico, lo que permite al coche navegar por su entorno con seguridad. Las plataformas tecnológicas como DRIVE de NVIDIA se basan en potentes funciones de ML.

Herramientas y marcos

El desarrollo y despliegue de modelos de ML se apoya en un rico ecosistema de herramientas. Frameworks como PyTorch (visite el sitio oficial de PyTorch) y TensorFlow (visite la página principal de TensorFlow) proporcionan los bloques de construcción esenciales para crear redes neuronales.

Plataformas como Ultralytics HUB ofrecen entornos integrados que agilizan todo el flujo de trabajo, desde la gestión de conjuntos de datos y la formación de modelos personalizados hasta la implantación y supervisión de modelos a través de MLOps. La creación de un modelo eficaz suele implicar un cuidadoso ajuste de hiperparámetros y un profundo conocimiento de las métricas de rendimiento.