Si tuviéramos que definir qué es la IA muy brevemente podríamos decir que es una categoría de software que imita las capacidades y comportamientos humanos. La IA es como todo, bien utilizada supone un claro beneficio en múltiples ámbitos, por el contrario y como muchos otros software puede ser usado para fines no tan legítimos ... Vamos a ver en esta serie de breves posts las diferentes categorías en las que podemos subdividir este tipo de software. Hoy comenzamos con el Machine Learning.
Podríamos considerar al Machine learning como el origen del término de IA. Machine Learning es la manera en la que podemos entrenar o enseñar a un modelo computacional para que haga predicciones y saque conclusiones a partir de una serie de datos.
Este campo no creáis que es nada nuevo ya que ingenieros y matemáticos llevan trabajando en él desde hace muchas décadas. Pero no ha sido hasta hace poco cuando ha explotado debido al avance en diferentes tecnologías como la de procesadores dedicados.
Factores clave en el Machine Learning
Hablamos de dos factores, los datos y las relaciones entre ellos.
Datos, datos y más datos. Está es la clave del Machine Learning y del desmedido enriquecimiento de las grandes empresas tecnológicas. Es inimaginable la ingente cantidad de datos que generamos constantemente, quienes son nuestros familiares y amigos, qué webs visitamos, a qué hora nos despertamos y acostamos, donde vivimos, cuáles son nuestros gustos, cuál es nuestro poder adquisitivo, cual es nuestra opinión plasmada en redes sociales, etc...todo esto sumado a la ingente cantidad de sensores en nuestros dispositivos, casas, vehículos...
Todos estos datos son masivamente recopilados y utilizados para alimentar ingentes bases de datos que combinan estos datos y tratan de capturar sus relaciones para generar modelos probabilísticos y predictivos. Ejemplos tenemos a puñados, por ejemplo los sistemas de predicción meteorológica que en base a millones de datos de sensores y datos históricos hacen una predicción de que tiempo hará en los próximos días. En casos como este en que hay un factor no controlado (la meteorología no es una ciencia exacta) es donde podemos ver claramente que la IA no es infalible obviamente, pero cada minuto que pasa es más precisa debido a los nuevos datos recibidos y la corrección de los vectores de probabilidad en relación a los datos pasados.
Usos polémicos del Machine Learning.
Tenemos muchos ejemplos en que el Machine Learning es muy beneficioso para la sociedad pero también otros muchos en que no lo es.
En nuestro día a día las grandes tecnológicas hace tiempo que emplean estos modelos con un único objetivo: el de ganar dinero a nuestra costa. Si tienen los datos de lo que nos gusta, cuando lo consumimos e incluso de que poder adquisitivo tenemos para ello, nos generan una experiencia con un contenido personalizado que por lo general hará que estemos más tiempo en su plataforma y acabemos comprando cosas.
Esto ya sabréis provoca silos de información, podremos estar navegando siempre en nuestras 4 o 5 paginas o redes sociales favoritas solo recibiendo un tipo de información.
Otro ejemplo de uso polémico sería en el ámbito de la sanidad, aunque supuestamente nuestros datos médicos están muy protegidos. A la hora de querer adquirir un seguro medico privado, podemos ver nuestra petición rechazada en base a nuestro historial médico. De nuevo que quieren las empresas? Obviamente maximizar beneficios y si presentamos alguna enfermedad que estadísticamente (Machine learning) vaya a hacerles no ganarlo no les va a interesar para nada..
Para remediar estás situaciones la administración de ajustar las leyes para evitar situaciones de abuso, pero como siempre en este sentido vamos siempre a remolque.
Espero que os sea de utilidad.
