El Machine Learning (ML) es un área de la informática que utiliza los datos para extraer algoritmos y modelos de aprendizaje, y aplicar las generalizaciones “aprendidas” a nuevas situaciones. Esto incluye la realización de tareas sin necesidad de que una persona las programe directamente. Con el aumento de los casos de uso del análisis de datos moderno, resulta útil desmitificar algunas ideas equivocadas sobre el Machine Learning, con el fin de entender cómo sacar el máximo partido del gran potencial de las máquinas.

Las máquinas no reemplazarán el trabajo de las personas. De hecho, es más probable que el Machine Learning y la Inteligencia Artificial las ayuden a hacer mejor su trabajo. También les permiten concentrarse más en los aspectos fundamentalmente humanos, incluidas la creatividad y la creación de estrategias.

Si bien el Machine Learning y la Inteligencia Artificial son útiles en muchas aplicaciones, hay numerosas áreas para las que estas tecnologías no son eficaces, y que requieren de la influencia, la intervención o la supervisión de una persona. Algunos ejemplos son los siguientes:

• Planeamiento a largo plazo
• Pensamiento creativo o abstracto
• Comprensión de causa y efecto
• Toma de decisiones que requieren ciertos conocimientos y familiaridad con el contexto

El criterio humano también es necesario para eliminar el sesgo inherente a los algoritmos de Machine Learning. A pesar de que la tecnología avanza, es posible que nunca veamos soluciones algorítmicas totalmente perfectas. Para que las personas puedan confiar en los resultados y las recomendaciones de las máquinas, es fundamental que sean transparentes y se puedan explicar. Debemos comprender qué está sucediendo dentro de la “caja negra” de los modelos, a fin de que podamos confiar e integrar la toma de decisiones influenciada por las máquinas en nuestras vidas y negocios.

A diferencia de la creencia popular, el Machine Learning no depende de las experiencias, sino de los datos. No basta con dejar que una máquina sola intente resolver un problema. Las máquinas necesitan aprender a partir de datos y crear algoritmos para luego aplicarlos a situaciones futuras. Algunos ejemplos son los siguientes:

• Un método para clasificar o representar los componentes del conjunto de datos
• Métricas para evaluar o clasificar el éxito
• Optimización de los parámetros del modelo aplicado a los datos

Esto se logra mediante la extracción de una explicación generalizada, como una historia abstracta, del conjunto de datos, que puede incluir patrones complejos o regularidades ocultas que podrían resultar difíciles de identificar para una persona. En las instituciones financieras actuales, el Machine Learning se utiliza con el propósito de analizar datos de transacciones y así detectar irregularidades que podrían ser cargos fraudulentos. También es útil para evaluar riesgos y hacer recomendaciones sobre el otorgamiento de préstamos.

La Inteligencia Artificial y el Machine Learning son conceptos diferentes, pero están relacionados. Una forma de ver la relación entre ambos es pensar en la Inteligencia Artificial como un problema y en el Machine Learning como una posible solución que intenta resolverlo. Si el objetivo final es que una máquina pueda solucionar un problema con las habilidades cognitivas de la inteligencia (humana), un método posible es la creación de algoritmos a partir de los datos y su posterior aplicación a situaciones nuevas y más amplias.

Para entender mejor esta distinción, podemos considerar que la Inteligencia Artificial enfrenta problemas que son fáciles para las personas, pero difíciles para las máquinas, como la visión artificial.

El Machine Learning suele emplearse en situaciones que son más fáciles para máquinas que para personas. Un ejemplo podría ser la ejecución de algoritmos matemáticos complejos o el uso de cálculos de probabilidades.