'Machine learning': la inteligencia que aprende sola

El ‘machine learning’ —aprendizaje automático— permite que las máquinas aprendan sin ser expresamente programadas. Un aprendizaje que es indispensable para que los sistemas sean inteligentes y puedan identificar patrones, convirtiendo los datos en predicciones.

“Cuando estás programando, tú le dices a los datos cuál es el siguiente paso; con ‘machine learning’ ese control se invierte: son los datos quienes te dicen cuál va a ser el siguiente paso”, explicaba el cofundador de Keepcoding, Fernando Rodríguez, en el evento celebrado en el Centro de Innovación de BBVA ‘Big Data & Machine Learning. Millones de datos, Infinitas posibilidades’.

Se denomina ‘machine learning’ a la capacidad que tienen los sistemas para generar sus propios algoritmos en función de los datos y de los resultados que queremos conocer. “Debajo de toda la montaña de datos hay una ley sencilla que explica los comportamientos y que permite definir un patrón”, explicaba el experto.

Cristóbal Sepúlveda, Technical architect en BBVA, señaló en el evento que esta rama de la inteligencia artificial (IA) “permite al banco dar soluciones a problemas gracias al aprendizaje, sin tener que volver a programar”. Estos sistemas creados con ayuda del 'machine learning' no solo dan respuestas, sino que también están aprendiendo a realizar preguntas inteligentes para convertir datos en predicciones y elaborar sus propias hipótesis.

Además, gracias a la IA, ahora es posible conocer mucho mejor a los clientes del banco, según explicó el experto de BBVA. Y esto permite ofrecer cada vez “mejores servicios y experiencia”. “También nos ayuda a nosotros como empleados, al disponer de herramientas mucho más potentes, ahora somos capaces de crear soluciones mucho más innovadoras”, afirmó.

Los años de prueba y error

Una de las características del 'machine learning' es que requiere una gran cantidad de datos y de potencia computacional. Algo de lo que no se disponía en década de 1980, como apuntó Rodríguez, el experto de Keepcoding: “Además de las hombreras y del Equipo A, en esa década hizo furor la inteligencia artificial, que luego desapareció al no ser creíbles las promesas irreales que se hicieron”.

Los años 80 son conocidos por los especialistas como el “invierno de la IA”. Unos años en los que, según Rodríguez, se falló por tres razones: porque la aproximación al problema no era la correcta, y se intentaba utilizar algoritmos muy avanzados para resolver problemas muy simples; por la falta de potencia computacional con ordenadores que no eran capaces de implementar algoritmos de inteligencia artificial y por la falta de datos y lugar en dónde almacenarlos.

Este panorama cambió con la llegada de internet: “Se disparó la generación de datos en volumen, velocidad y variedad”. Esto dio lugar a una “avalancha de datos” que, como resaltó Rodríguez, está siendo utilizada, en el caso de los bancos, para evaluar riesgos o detectar usos fraudulentos de tarjetas de crédito, por ejemplo. “Ahora puedes detectar patrones y predecir comportamientos futuros, algo para lo que es fundamental tener muchos datos”, puntualizó.

Recomendaciones con ‘big data’

Sepúlveda también expuso un caso real de uso de esta tecnología. “En BBVA desarrollamos un recomendador de servicios para los usuarios de la banca”, explicó. Con esta propuesta, lo que se pretende es ofrecer la mejor oferta comercial en función de la operativa utilizada por el usuario y de su navegación. Toda esta información se procesa en un algoritmo de clasificación y se genera una recomendación. “El volumen de información es grandísimo y para hacer la recomendación se necesita ‘machine learning’”, detalla.

Aunque hay muchas ventajas, el ‘machine learning’ también entraña riesgos. Uno de ellos es el “sobreentrenamiento” que provoca que solo se detecten los patrones con los que el sistema se ha encontrado en la fase de entrenamiento. Rodríguez explicó la problemática a través de una anécdota: cuentan que el ejército norteamericano desarrolló un software para detectar tanques que funcionaba perfectamente en el laboratorio. “Sin embargo, cuando lo quisieron poner en práctica se dieron cuenta de que algo fallaba, era incapaz de detectar los tanques”. El problema era que se había entrenado con imágenes de tanques en cielo nublados. Lo que hizo que, al aire libre, el software fuese “un fabuloso detector de nubes”.

*Si estás interesado en big data y Machine Learning, sigue a BBVA en LinkedIn para obtener más información sobre temas similares