- Inicio
- Glosario de IA
- Fundamentos
- Machine learning
Qué es el machine learning
También se dice aprendizaje automático, ML o aprendizaje automatizado.
En dos frases
Rama de la inteligencia artificial en la que un sistema aprende patrones a partir de datos de ejemplo, en lugar de seguir reglas escritas a mano, y los usa para hacer predicciones sobre datos nuevos.
- Bloque
- Fundamentos
- Nivel
- Básico
- Actualizado
Definición amplia
El machine learning, o aprendizaje automático, es la parte de la inteligencia artificial centrada en algoritmos que aprenden los patrones de unos datos de entrenamiento y los aplican a datos que no han visto antes. Google lo describe como un programa o sistema que entrena un modelo a partir de datos de entrada para que haga predicciones útiles con datos nuevos.
La diferencia con la programación clásica está en de dónde salen las reglas. En un programa tradicional, alguien escribe cada condición: si la factura supera tal importe, se revisa. En machine learning se dan muchos ejemplos y el sistema ajusta por sí mismo un modelo matemático que reproduce la relación entre los datos y el resultado. Todo el machine learning es IA, pero no toda la IA es machine learning, aunque hoy sea el enfoque dominante del campo.
Las tres formas de aprender
- Supervisado: aprende de ejemplos etiquetados con la respuesta correcta.
- No supervisado: busca estructura en datos sin etiquetar, por ejemplo grupos parecidos.
- Por refuerzo: aprende por prueba y error, guiado por recompensas.
El deep learning, o aprendizaje profundo, es la parte del machine learning basada en redes neuronales con muchas capas, y es la base de los modelos de lenguaje actuales.
En la empresa, el machine learning está detrás de la previsión de demanda, la detección de fraude, la puntuación de leads o la predicción de bajas de clientes. Su límite principal está en los datos: si son escasos, están sesgados o no representan la situación actual, el modelo heredará esos defectos. Además, un modelo que funciona hoy puede degradarse cuando cambian las condiciones del negocio, por lo que necesita seguimiento después de ponerlo en marcha.
Ejemplos de uso
Comercial y ventas
En ventas, se usa para estimar qué oportunidades del pipeline tienen más probabilidad de cerrarse.
Administración y finanzas
En finanzas, se aplica a la detección de operaciones o facturas anómalas que conviene revisar.
Marketing
En marketing, sirve para segmentar clientes y estimar su propensión de compra.
Recursos humanos y talento
En recursos humanos, aparece en modelos que estiman el riesgo de rotación, un uso que exige especial cuidado con los sesgos.
Datos y analítica
En analítica, se usa en modelos de previsión que combinan muchas variables además del histórico.
Términos relacionados
Fuentes
Del término a aplicarlo en tu empresa.
Lo que explica este glosario se trabaja en los programas de Kynetik, área por área.