Por Jorge Manrique, Rector del Colegio Jurista y director general de Gobierno de calidad, consultoría de políticas públicas
Muchas de las nuevas tecnologías se vuelven palabras comunes en las que su uso continuo desaparece su verdadero significado y pueden invisibilizar su impacto o asumirse como parte de una narrativa ajena y carente de pragmatismo.
Un ejemplo es el aprendizaje automático. Parece ciencia ficción, pero es una forma de inteligencia artificial capaz de aprender sin programación explícita por parte de un humano.
Durante la mayor parte de nuestra historia, hemos pensado que el aprendizaje, la capacidad de ajustar nuestro comportamiento en función de la información recopilada, era algo que solo los humanos hacían. Las últimas décadas cambian esta percepción.
Ahora sabemos que los animales de todo tipo aprenden de la experiencia, la enseñanza e incluso el juego. Pero no solo los animales aprenden: cada vez hay más pruebas de que las plantas también lo hacen y las máquinas también son capaces de aprender.
El aprendizaje automático es una forma de inteligencia artificial (IA) que puede adaptarse a una amplia gama de entradas, incluidos grandes conjuntos de datos e instrucción humana.
La capacidad de una computadora para aprender sin ser programada para ello. Se explica porque los algoritmos de aprendizaje automático son capaces de detectar patrones y aprender a hacer predicciones y recomendaciones mediante el procesamiento de datos y experiencias. Esto sin recibir instrucciones de programación explícitas. Los algoritmos también se adaptan en respuesta a nuevos datos y experiencias para mejorar con el tiempo.
La importancia del aprendizaje automático es mayor que nunca por el volumen y la complejidad de los datos que se generan e impacta en varias industrias, incluido el análisis de imágenes médicas y la predicción meteorológica de alta resolución.
Aunque el aprendizaje automático como disciplina se introdujo por primera vez en 1959, hasta finales de la década de 1990 que el aprendizaje automático realmente se posicionó en las industrias a medida que los avances constantes en la digitalización, lenguajes informáticos capaces de matizar más y la potencia de cálculo y la memoria más baratas permitieron a los científicos de datos entrenar modelos de aprendizaje automático para aprender de forma independiente de conjuntos de datos. Más tarde, la amplia disponibilidad de servicios en la nube de bajo costo aceleró aún más los avances en el aprendizaje automático.
Una variable de esta tecnología es el aprendizaje profundo, una versión más avanzada del aprendizaje automático. Es particularmente hábil para procesar una gama más amplia de recursos de datos como texto y datos no estructurados, incluidas imágenes. Este tipo de aprendizaje automático requiere aún menos intervención humana y a menudo, puede producir resultados más precisos que el aprendizaje automático tradicional.
