⇒ Biografía

Hubert Wasser es analista de datos. Después de pasar 10 años en ESIEA, la escuela de ingenieros de París, como profesor de algoritmos y Machine Learning, es ahora Head of Data Science en AB Tasty.

Según Hubert, el Machine Learning (o aprendizaje automático) genera tanto miedo como esperanza. ¿Podrían convertirse en realidad las teorías de las películas de ciencia ficción ahora que entramos en la era del Machine Learning?

Como experto en la materia, Hubert quería mostrar cómo, usando la inteligencia artificial de forma correcta, se pueden generar oportunidades de negocio y empleo.

 

Cuando los problemas imposibles de resolver se resuelven

El Machine Learning consiste en usar enormes cantidades de datos mediante algoritmos sofisticados para hacer que aquellos problemas que se consideraban imposibles de resolver, consigan resolverse. Uno de los mejores ejemplos es Watson, la máquina de IBM que ya está compitiendo con doctores en el mundo de la medicina. Otro buen ejemplo es el coche autónomo de Google, que está apunto de revolucionar la industria del transporte.

El uso del Machine Learning es, en realidad, más común de lo que piensas y ya está teniendo un impacto real en nuestra vida diaria. Algunos ejemplos son el análisis predictivo del valor de la cesta de compra, la estimación automática de los riesgos al solicitar un préstamo del banco, etc. Se está convirtiendo en la dirección a seguir por muchas empresas y será determinante para la economía.

 

Machine Learning, dos enfoques distintos:

  1. Machine Learning supervisado:

Siguiendo este enfoque, el aprendizaje se basa en datos ofrecidos y resultados esperados. Por ejemplo, para crear un sistema de identificación por voz, los datos consistirían en muestras de voces y los resultados esperados serían los autores de dichas voces. Este tipo de enfoque pretende reproducir las respuestas propias de un humano experto a través del uso de una base de datos.

  1. Machine Learning no supervisado:

Siguiendo este tipo de enfoque, el aprendizaje consiste solo en datos, sin un resultado esperado concreto. El aprendizaje se lleva a cabo de la misma forma siguiendo ambos enfoques. El programa decide por sí mismo cómo tratará y segmentará la información, por ejemplo, el orden de una serie de caras por sexo, edad, color, etc. Este enfoque necesita de un mayor nivel de conocimiento sobre la materia que el método supervisado. Su propósito es identificar nuevos conceptos y resultados que nunca nos habíamos imaginado antes.

En lo que a datos web se refiere, el hecho de crear segmentos de usuarios usando el enfoque no supervisado tiene muchas ventajas. Te permite ir más allá de las ideas tradicionales y detectar nuevos tipos de comportamiento.

¿Cómo afecta el Machine Learning a las empresas y los puestos de trabajo?

El método supervisado del Machine Learning puede considerarse como la forma más “segura” de inteligencia artificial debido a que está controlada y contenida. Sin embargo, al usarla, se corre el riesgo de hacer que ciertos empleos se vuelvan innecesarios. Una vez que la máquina se programa por un experto, esta es capaz de reemplazar al humano que realizaba dicha tarea anteriormente. Por ejemplo, el reconocimiento de voz reemplaza a una secretaria tomando notas, un vehículo autónomo hace que un chófer sea innecesario, etc.

Sin embargo, cuando se usa el método no supervisado, la función del experto es la de crear un protocolo de aprendizaje sin un objetivo concreto. Esto será lo que propicie el aprendizaje. Su principal objetivo no es automatizar una tarea, sino descubrir otras nuevas. En este caso, el Machine Learning no se está usando para sustituir al trabajo de un humano, simplemente se usa para crear información que antes no existía.

Debido a su simplicidad y a su relativa seguridad, el enfoque supervisado es la forma de inteligencia artificial más usada. La principal desventaja de esto es, el potencial que tiene para aumentar las tasas de desempleo. Es por esto que son muchos los que están a favor de crear nuevas profesiones basadas en los descubrimientos conseguidos a través del Mahcine Learning siguiendo el enfoque no supervisado.

Puedes leer el artículo completo en LesEchos.fr .