Qué es el machine learning, en palabras simples

Cuando Netflix te sugiere una serie que termina gustándote, o tu correo manda solo a la basura el spam, hay algo trabajando detrás que aprendió a hacerlo sin que nadie le escribiera reglas para cada caso. A eso se le llama machine learning, o aprendizaje automático en español. Suena a tema de ingenieros, pero la idea de fondo es tan simple que se puede explicar en una frase.

El pionero Arthur Samuel lo definió en los años cincuenta como "el campo de estudio que da a las computadoras la capacidad de aprender sin ser programadas explícitamente". Esa frase, citada hasta hoy por el MIT, sigue siendo la mejor explicación que existe.

Programar con reglas vs. aprender con ejemplos

Para entenderlo ayuda compararlo con la programación tradicional. Programar de la forma clásica es como seguir una receta de cocina: le dices a la máquina exactamente qué hacer, paso a paso. Si quieres que reconozca el correo basura, tendrías que escribirle reglas como "si dice gratis y tiene tres signos de exclamación, es spam". El problema es que la realidad tiene millones de variaciones y nunca terminarías de escribir reglas.

El machine learning le da la vuelta. En lugar de reglas, le muestras miles de correos ya marcados como "spam" o "no spam" y dejas que la máquina descubra sola qué tienen en común los de cada grupo. Aprende el patrón a partir de los ejemplos, y luego aplica ese patrón a correos nuevos que nunca había visto. Por eso IBM lo describe como un tipo de inteligencia artificial que aprende de los datos por sí mismo.

La diferencia es sutil pero enorme: no le enseñas a la máquina la respuesta, le enseñas a encontrar la respuesta a partir de ejemplos.

Es una parte de la inteligencia artificial

Conviene poner las cosas en su lugar. La inteligencia artificial es el paraguas grande: todo intento de que una máquina haga cosas que parecen requerir inteligencia. El machine learning es una rama dentro de ese paraguas, la que se basa en aprender de datos. No toda IA es machine learning, pero hoy buena parte de lo que llamamos IA, incluyendo los asistentes que escriben texto, funciona gracias a él.

Las tres formas de aprender

Según explica el MIT Sloan, hay tres maneras principales en que una máquina aprende, y se distinguen por cómo se le presentan los datos:

• Aprendizaje supervisado: se le dan ejemplos ya etiquetados. Por ejemplo, miles de fotos marcadas como "perro" para que aprenda a reconocer perros por su cuenta.
• Aprendizaje no supervisado: se le dan datos sin etiquetas y la máquina busca patrones sola. Por ejemplo, analizar tus ventas y descubrir que tus clientes se agrupan en tres tipos distintos sin que nadie se lo dijera.
• Aprendizaje por refuerzo: aprende por ensayo y error, recibiendo "premios" cuando acierta. Es como funcionan los autos que aprenden a conducir solos.

No necesitas memorizar estos nombres. Lo importante es la intuición: a veces le damos las respuestas, a veces lo dejamos descubrir grupos, y a veces lo dejamos practicar hasta que mejora. En la práctica, la mayoría de las herramientas que vas a encontrar en un negocio usan el primer tipo, el supervisado, porque es el más fácil de controlar y el que da resultados más predecibles cuando tienes ejemplos claros de lo que quieres que la máquina reconozca.

Dónde lo usas sin saberlo

El machine learning ya está en muchas cosas cotidianas. Las recomendaciones de Netflix o YouTube, que el MIT pone como ejemplo clásico, analizan lo que ves para sugerirte lo siguiente. El mapa que predice cuánto tardarás en llegar, el banco que detecta un cargo sospechoso en tu tarjeta, el teclado del celular que adivina la siguiente palabra: todos aprendieron de millones de ejemplos previos.

En un negocio pequeño también aparece, aunque no lo notes. Cuando una herramienta agrupa a tus clientes por comportamiento, anticipa qué horarios son más demandados o ayuda a un asistente a responder mejor con el tiempo, normalmente hay machine learning trabajando por debajo.

Lo que no es: ni magia ni un cerebro

Aquí va la parte honesta, sin exageración. El machine learning no entiende el mundo como nosotros ni tiene sentido común. Es muy bueno encontrando patrones en datos, y nada más. Si los datos con los que aprendió están sesgados o incompletos, va a heredar esos errores. Por eso aprende como un loro muy aplicado, no como una persona: repite patrones, no comprende significados.

Esto importa cuando decides confiarle algo. Un sistema que aprendió de buenos datos puede ser increíblemente útil; uno que aprendió de datos malos repetirá esos errores con total seguridad, y además con un tono tan convencido que parece que sabe lo que dice. La tecnología no es mágica: es tan buena como los ejemplos que le diste. Por eso conviene tratar al machine learning como a un empleado nuevo muy rápido pero sin experiencia: capaz de hacer maravillas con buena guía, y capaz de meter la pata si lo dejas solo sin revisar.

Para llevar

Si te quedas con una sola idea, que sea esta: machine learning es enseñar con ejemplos en lugar de con reglas. No tienes que entender las matemáticas para sacarle provecho, igual que no necesitas saber de motores para manejar un auto. Lo que sí ayuda es saber qué esperar: una herramienta que mejora con datos buenos, que ahorra trabajo repetitivo, y que necesita de tu criterio para no equivocarse.

Fuentes

• IBM — https://www.ibm.com/think/topics/machine-learning
• MIT Sloan — https://mitsloan.mit.edu/ideas-made-to-matter/machine-learning-explained
• The Enterprisers Project — https://enterprisersproject.com/article/2019/7/machine-learning-explained-plain-english