Skip links

Hace algunos años en el mundo empresarial surgieron términos referidos al mundo de los datos y la inteligencia artificial que poco a poco hemos ido adaptándolos a nuestro lenguaje del día a día. Estos términos son tres principalmente, big data, machine learning y deep learning. Pero, ¿realmente sabemos a que hacen referencia?. En este artículo vamos a describirlos cada uno de ellos junto con algún ejemplo de su aplicación y el por qué van tan unidos estos tres términos.

Big data

¿Qué es?

El big data como su nombre indica, hace referencia a grandes cantidades de información. Se le da nombre de big data a los procesos que generar tanta información en el tiempo que es difícil de tratar, gestionar y almacenar y con ello se requiere de servidores y bases de datos que realicen la tarea de forma paralela para distribuir la carga y poder hacerla más manejable.
Dado el avance de la tecnología y las capacidades de procesamiento y almacenamiento no se pueden dar unas cifras exactas de cuando podemos considerar que una empresa genera tanta información para que dicha información sea denominada big data.

Ejemplos

Uno de los ejemplos que podemos obtener de big data es la gestión de información sobre transacciones de cuentas bancarias. Dado la cantidad de personas que realizan este servicio al cabo del día se requiere de tecnología específica para manejar la cantidad de datos que se generan en cada momento y poder almacenarlos de forma que sea fácil poder acceder a ellos cuando sea necesario.

Otro ejemplo son las búsquedas en Internet en servicios como el que ofrece Google, no solo recibe millones de búsquedas por segundo, sino que además debe devolver grandes cantidades de información para cada una de ellas. Es por ello por lo que disponen de una gran cantidad de datacenters distribuidos por el mundo.

Machine learning

¿Qué es?

El machine learning es un paradigma que forma parte de la inteligencia artificial, en castellano se le suele conocer como aprendizaje automático. El machine learning nació como un caso de estudio para darles a los ordenadores la habilidad de aprender sin ser programados directamente por una persona. Actualmente el machine learning se encarga de reconocer patrones en conjuntos de datos y extraer información o decidir acciones que realizar en base a dichos patrones. Según el tipo de tarea y la cantidad de datos de los que precisamos se pueden utilizar diferentes tipos de algoritmos como pueden ser los árboles de decisión, las mixturas de gaussianas o las redes neuronales entre muchos otros.

Ejemplos

El campo del machine learning esmuy extenso aunque podemos separarlo en 4 clases basadas en el objetivo de su aplicación. La división que planteamos se basa en: clasificación, clustering, regresión y detección de anomalías. Una aplicación real puede situarse en una categoría de las que planteamos o en varias uniendo varios modelos.

Clasificación

La clasificación es la aplicación del machine learning a un conjunto de datos para asignar objetos según sus características a una serie de clases ya definidas. El algoritmo modela los patrones que presentan muestras previamente clasificadas y aprende de dichas muestras a clasificar los nuevos objetos que se le proponen.

Las aplicaciones de la clasificación mediante machine learning pueden ser muy diversas, pueden ser detectar si un objeto en una imagen es válido o no para su venta (control de calidad en una fábrica), determinar a quien pertenece una huella dactilar en un sistema de identificación o decirnos si un comentario en una red social está a favor o en contra de nuestra marca junto a muchas otras.

Clustering

El clustering también conocido como segmentación, se basa en agrupar objetos que contienen características comunes o similares para formar grupos de objetos parecidos.

Una aplicación de clustering puede ser la segmentación de clientes en base a su comportamiento, coste de adquisición, life time value y un largo etcétera para conocer los grupos de clientes que componen nuestro negocio y poder afrontar estrategias personalizadas para cada uno de ellos.

Otra aplicación puede ser la recomendación de venta de productos en tiendas online, en este caso el modelo puede encontrar los productos que son similares a los que estamos buscando y recomendarlos. También puede ser aplicable a otros modelos de negocio como Youtube o Netflix.

Regresión

La regresión tiene como objetivo modelar conjuntos de datos para predecir valores continuos, es en cierta manera similar a la clasificación pero en vez de asignar una clase al objeto propone un número (o varios). Al igual que la clasificación parte de un conjunto de datos previamente numerados para aprender los patrones que sigue este etiquetado.

Algunos de los ejemplos que podemos encontrar en el mundo empresarial de la regresión pueden ser el scoring de leads dentro de una empresa, la predicción de demanda de un producto en determinada hora del día o la cotización de una determinada empresa en bolsa.

Detección de anomalías

La detección de anomalías realiza un análisis de patrones en los datos para detectar datos extraños o que se salen de un determinado conjunto de valores. Este conjunto de modelos puede ser utilizado en aplicaciones que necesiten de un seguimiento continuo de determinados valores clave que puedan afectar a los procesos de la empresa.

Podemos aplicar este tipo de modelos a encontrar posibles fraudes en movimientos bancarios, detección prematura en fallos de maquinaria o  detección de intrusiones en servicios web.

Deep Learning

¿Qué es?

El deep learning es un área del machine learning centrada en el uso de redes neuronales profundas como algoritmo. Las redes neuronales buscan modelar patrones mediante la composición de funciones matemáticas. Las redes neuronales pueden realizar las tareas descritas en el apartado anterior «apilando» funciones matemáticas, estas funciones contiene variables (pesos) que deben ser aprendidos mediante conjuntos de datos que pueden estar etiquetados o no (dependiendo de la tarea que deban resolver). La profundidad de una red neuronal depende de la cantidad y el tipo de funciones que «apilamos» y la forma de la que lo hacemos. Al igual que con el big data, no hay un valor definido en el que podamos decir a partir de que punto se considera deep learning y a partir de cual no.

¿Por qué ha sido una revolución?

Los avances de los últimos años en el mundo del hardware nos han permitido utilizar redes neuronales de mayor tamaño y conjuntos de datos mucho más grandes de forma rápida y efectiva. Esto ha resultado en una mejora considerable en aplicaciones del machine learning y ha generado algunas nuevas que pueden revolucionar nuestras vidas. Además algunas de las empresas ya han visto como aplicar modelos de machine learning a sus procesos puede reducir tiempos y gastos llegando a mejorar la productividad.

Ejemplos

Uno de los ejemplos más claros de la revolución que ha planteado el deep learning es la aparición de los coches autónomos, junto con asistentes virtuales como Siri, Alexa o Google Now. También ha mejorado resultados en detección de objetos en imágenes, reconocimiento de escritura o comprensión del habla.

Reader Interactions

About Jesús Vieco

Ingeniero informático que se especializó en la rama de computación,apasionado por el mundo de la inteligencia artificial, lo que le llevó realizar el máster en inteligencia artificial que ofrece la Universidad Politécnica de Valencia. Fascinado por los avances que la inteligencia artificial, y más en concreto por el aprendizaje automático, pueden aportar a la sociedad. Responsable del área de deep learning en CleverPy.

Este sitio web utiliza cookies para que usted tenga la mejor experiencia de usuario. Si continúa navegando está dando su consentimiento para la aceptación de las mencionadas cookies y la aceptación de nuestra política de cookies, pinche el enlace para mayor información.plugin cookies

ACEPTAR
Aviso de cookies