A causa de la revolución tecnológica y científica la humanidad cuenta con diferentes dispositivos capaces de realizar diversos tipos de algoritmos, el dispositivo más conocido es la computadora que mediante los actuadores que la componen puede lograr óptimamente realizar funciones a alta velocidad y sin errores que en comparación al rendimiento que un humano ofrece realizando la misma función es sin duda una ventaja abismal la que obtiene el sistema en términos de velocidad y precisión; el hecho de obtener altísimos rendimientos permite que por ejemplo en soluciones de problemas de álgebra lineal en donde se debe realizar operaciones matriciales cuyas dimensiones son muy grandes comparadas a las que un humano puede desarrollar con métodos de resolución de matrices se pueda llevar a cabo en un tiempo increíblemente pequeño. A partir de esta idea, este artículo tiene como fin acercar al público de forma amigable al concepto de Machine Learning y mostrar algunas posibles aplicaciones, específicamente en el campo de la Medicina.
Qué es Machine Learning y cómo surge:
Machine Learning o Aprendizaje Automático es una disciplina científica y tecnología en la cual se crean sistemas capaces de aprender automáticamente mediante un set de datos entregado. No sobra decir que el sistema no aprende de la misma forma que un humano es capaz de aprender, principalmente porque para la ciencia moderna no es fácil crear un entorno artificial que sea capaz de conectarse con sistemas biológicos, sin embargo, matemáticamente existen modelos de aprendizaje llamados neuronas que cuando se comunican entre ellas se les da el nombre de redes neuronales las cuales son las que permiten predecir comportamientos o encontrar patrones entre los datos entregados. Los sistemas automáticos aprenden gracias a dos tipos de aprendizaje: el aprendizaje supervisado y no supervisado. Aprendizaje supervisado: En este modelo de aprendizaje se le entrega al algoritmo un conjunto de datos en donde están las características de los elementos y cuales son los resultados que se esperan, a partir de este set el sistema traza una línea la cual se ajusta a los parámetros esperados, esto se conoce en matemáticas como regresión lineal.
Aprendizaje no supervisado:
En comparación al aprendizaje supervisado,para el aprendizaje no supervisado solo se es entregado al algortimo un conjunto de datos, pero no se específica cuáles serán los resultados. El sistema de aprendizaje es capaz de encontrar patrones entre los datos y entrega los valores agrupados según una o más características comunes encontradas.
Cómo surge:
Los primeros algoritmos de Aprendizaje Automático se remontan a inicio de la segunda mitad del siglo XX cuando el informático Arthur Samuel desarrolló un sistema automático capaz de jugar a las damas, este algortimo aprendió a diferenciar las posiciones ganadoras cuando jugó contra sí mismo ciento de miles de veces. En 1958 Frank Rosenblatt diseña el Perceptrón, este es la primera neurona de la historia, gracias al desarrollo de Rosenblatt hoy en día se pueden realizar modelos neuronales complejos. Estos avances impulsan el Machine Learning, aún cuando en los años 1980 y 1993 se vive un pare debido a que el Perceptrón de 1958 presentaba muchas limitaciones. A partir de 1997 las nuevas herramientas del cálculo permitieron sobrepasar las limitaciones del modelo matemático de Rosenblatt al tiempo que el interes por crear grandes sets de datos aumentó, con el comienzo del nuevo siglo grandes empresas se interesaron por implementar algortimos de aprendizaje automático para diferentes fines, entre ellos está la seguridad de datos, comercio financiero, seguridad personal, busqueda online, detección de objetos, visión artificial, entre otros. Actualmente existen empresas dedicadas a integrar sistemas autónomos a sus productos, entre ellas resaltan OpenAI la cual se dedida a realizar estudios para entrar al cerebro humano e implementar inteligencia artificial, también líderes tecnológicos han desarrollado librerías que permiten implementar Machine Learning pero con algortimos más complejos que logran optimizar el aprendizaje y realizar análisis más profundos, se le conoce como Aprendizaje Profundo o Deep Learning y tiene aplicaciones dirigidas al reconocimiento facial, de voz, y procesamiento del lenguaje natural.