'Machine learning': ¿qué es y cómo funciona el maestro en reconocer patrones?

Descubrir una nueva canción en Spotify que se ajusta perfectamente al gusto del oyente; verificar que varios correos electrónicos maliciosos han sido automáticamente marcados como 'spam'; o buscar un artículo específico y ver cómo aparece recomendado en una plataforma de 'e-commerce'.

Este mercado, valorado en 135.800 millones de dólares en 2026, se prevé que alcance los 684.400 millones en 2033, con un crecimiento anual compuesto del 26% , según un estudio de GrandViewResearch.

El ‘machine learning’ es un maestro en el reconocimiento de patrones, así como en realizar predicciones y recomendaciones a partir de los datos. Durante el entrenamiento, los modelos ajustan sus parámetros para mejorar su desempeño y poder aplicar lo aprendido a nuevos datos. En general, según un artículo de la Escuela de Información de la Universidad de California (Berkeley), un algoritmo de 'machine learning' sigue estos pasos:

• Proceso de decisión: procesa los datos de entrada para identificar patrones y generar una predicción o resultado.
• Función de error: mide la precisión del resultado comparándolo, cuando es posible,  con ejemplos conocidos para cuantificar el error.
• Proceso de actualización y optimización: utiliza el error para ajustar los parámetros del modelo y mejorar sus resultados.

El aprendizaje automático puede dividirse en tres grandes paradigmas:

• Aprendizaje supervisado. El modelo se entrena con datos etiquetados, en los que se conoce el resultado esperado, para aprender a realizar predicciones ante nuevos datos. Por ejemplo, un sistema entrenado con valoraciones previas de usuarios para predecir si les gustará un determinado contenido.
• Aprendizaje no supervisado. El modelo trabaja con datos no etiquetados para identificar patrones, relaciones o agrupaciones sin disponer de un resultado correcto conocido de antemano. Por ejemplo, agrupar clientes con comportamientos de compra similares sin haber definido previamente esos grupos.
• Aprendizaje por refuerzo. Un agente aprende a alcanzar un objetivo mediante ensayo y error: realiza acciones en un entorno y recibe recompensas o penalizaciones en función de sus resultados. Por ejemplo, un programa que aprende a jugar a un videojuego probando distintas acciones y recibiendo recompensas cuando consigue avanzar.

Existen además métodos como el aprendizaje semisupervisado, que combina datos etiquetados y no etiquetados, y el aprendizaje autosupervisado, que permite obtener señales de aprendizaje de los propios datos sin necesidad de etiquetarlos manualmente. Este último desempeña un papel especialmente relevante en el entrenamiento de los LLM.

La huella del 'machine learning' en el día a día

Montserrat Sacie, científica de datos en BBVA AI Factory, explica algunas de las tareas en las que sobresale el 'machine learning': "Es más óptimo para problemas de regresión (por ejemplo, predicción de saldos en cuenta a futuro), clasificación y 'clustering' (por ejemplo, clasificación de clientes en grupos según sus intereses financieros como 'solventar deuda', 'ahorrar', 'invertir'…), modelado de series temporales (por ejemplo, evolución de precios en acciones) y, en general, algoritmos sencillos basados en la aplicación de reglas matemáticas y estadísticas para el procesamiento de datos".

Estas ventajas hacen que el 'machine learning' esté integrado en muchas de las tareas cotidianas. Algunas de ellas, tal y como señala un artículo de IBM son las siguientes:

• Generar estrategias de marketing. Los equipos de marketing y ventas emplean algoritmos de 'machine learning' para analizar datos, identificar patrones de comportamiento y personalizar sus estrategias . Además, estos algoritmos permiten hacer recomendaciones personalizadas basadas en los gustos, la navegación, el historial de compras del usuario, tal como lo hacen Amazon y Netflix.
• Atención al cliente. El 'machine learning' permite analizar las consultas de los clientes, identificar patrones y dirigirlas a los agentes o servicios más adecuados. Además, se combina con tecnologías como el procesamiento del lenguaje natural (PLN) y, cada vez más, con LLM para desarrollar 'chatbots', asistentes virtuales y otros sistemas capaces de comprender y responder consultas mediante texto o voz.
• Asistentes personales de voz. Los asistentes virtuales que se encuentran en teléfonos o altavoces inteligentes, como Alexa o Siri, utilizan técnicas de 'machine learning' para tareas como reconocer la voz, convertirla en texto e interpretar las solicitudes del usuario.
• Filtrado de correos electrónicos. Clientes de correo electrónico como Gmail utilizan algoritmos de 'machine learning' para clasificar automáticamente los mensajes según su categoría. En caso de detectar actividad sospechosa, estos algoritmos marcan el correo como 'spam'.
• Transacciones financieras. En el sector bancario, el 'machine learning' se utiliza, entre otros ámbitos, para detectar posibles fraudes, analizar grandes volúmenes de datos y desarrollar sistemas de predicción y recomendación. Por ejemplo, BBVA cuenta con un sistema de recomendación integrado en su 'app' que se adapta a los clientes y sugiere posibles productos o líneas de acción para cuidar de su salud financiera según hechos relevantes en sus movimientos bancarios.
• Salud. Los avances en 'machine learning' permiten entrenar sistemas para identificar patrones en imágenes médicas y apoyar la detección de enfermedades. En el cribado de cáncer de mama, por ejemplo, un ensayo realizado en Suecia con más de 100.000 mujeres observó que el uso de inteligencia artificial aumentó un 29% la detección de tumores respecto a la doble lectura convencional de las mamografías, al tiempo que redujo la carga de lectura de los profesionales. Resultados posteriores del mismo ensayo mostraron además una mayor sensibilidad del cribado apoyado por IA y la misma especificidad que el procedimiento convencional.

El viaje del 'machine learning' a lo largo de la historia

El 'machine learning' está presente en gran parte de la tecnología actual, pero su valor fundamental, la predicción, se basa en conceptos básicos de la historia de las matemáticas. De hecho, el teorema de Bayes es un principio que en el siglo XVIII ya hablaba de la probabilidad de que se cumpliera una hipótesis en función de las evidencias relacionadas con dicho evento.

Sin embargo, en el mundo de la computación hay que remontarse a 1951, cuando Marvin Minsky y Dean Edmonds construyeron SNARC ('Stochastic Neural Analog Reinforcement Calculator'), una de las primeras máquinas basadas en una red neuronal artificial. Construida con componentes analógicos, simulaba el comportamiento de una rata que aprendía a recorrer un laberinto mediante un sistema de refuerzo.

Los juegos de mesa se convirtieron pronto en un campo de pruebas para el aprendizaje automático. En la década de 1950, el investigador de IBM Arthur L. Samuel desarrolló un programa capaz de jugar a las damas y mejorar su desempeño aprendiendo de partidas anteriores. En 1959 publicó un influyente trabajo sobre estos experimentos y, pocos años después, su programa llegó a vencer a jugadores humanos de alto nivel.

Un caso parecido sucedió varias décadas después, con otro célebre hito en el aprendizaje automático: en 1997, el ordenador Deep Blue de IBM logró derrotar al por entonces campeón mundial de este juego: Garri Kasparov. La máquina tenía capacidad para evaluar 200 millones de posiciones de ajedrez por segundo y su victoria se convirtió en un hito de la informática, al demostrar hasta dónde podían llegar los sistemas especializados al combinar capacidad de cálculo, algoritmos y conocimiento específico de un dominio.

En 2016, tuvo lugar otro hito histórico significativo de nuevo protagonizado por un juego de mesa: el programa AlphaGo venció al surcoreano Lee Sedol, uno de los mejores jugadores de Go del mundo, en una serie de cinco partidas. Un año después, DeepMind presentó AlphaGo Zero, una nueva versión que aprendió a jugar desde cero mediante partidas contra sí misma y que derrotó por 100 partidas a 0 a la versión de AlphaGo que había vencido a Lee Sedol.  “AlphaGo Zero también descubrió conocimiento nuevo, desarrollando nuevas estrategias creativas y movimientos no convencionales”, explica DeepMind, responsable de su desarrollo, en un artículo.

Con el paso de los años, las máquinas siguen avanzando y superando desafíos. Uno de los más conocidos es el test de Turing, propuesto por el matemático Alan Turing en 1950 para comprobar si, durante una conversación, una persona es capaz de distinguir entre un interlocutor humano y una máquina.

En un estudio de investigadores de la Universidad de California en San Diego, los participantes conversaron simultáneamente con una persona y con distintos sistemas de inteligencia artificial y tuvieron que determinar cuál de sus interlocutores era humano. Cuando recibió instrucciones para adoptar una personalidad humana, GPT-4.5 fue identificado como la persona el 73% de las veces, por encima del propio interlocutor humano con el que era comparado. Llama 3.1-405B alcanzó el 56%. Los investigadores consideran que los resultados aportan la primera evidencia empírica de que un sistema de inteligencia artificial supera una versión estándar del test de Turing de tres participantes.

Desde las primeras redes neuronales hasta los actuales grandes modelos de lenguaje, el 'machine learning' ha evolucionado a medida que lo han hecho los datos disponibles, la capacidad de computación y las técnicas de entrenamiento. El reconocimiento de patrones y la capacidad de generalizar lo aprendido a nuevos datos siguen siendo algunas de sus características fundamentales, con aplicaciones que abarcan desde las recomendaciones de contenidos y la detección de fraude hasta la medicina y los sistemas de inteligencia artificial generativa.