Aprendizaje automático (machine learning)

El aprendizaje automático (machine learning) es la rama de la inteligencia artificial en la que un programa mejora su desempeño en una tarea a partir de la experiencia, es decir, de datos. En vez de que una persona escriba todas las reglas («si el correo dice tal palabra, es spam»), se le dan muchos ejemplos y un algoritmo de aprendizaje encuentra por sí mismo los patrones que permiten predecir.

El término lo popularizó Arthur Samuel, de IBM, con su trabajo de 1959 sobre un programa que aprendía a jugar damas inglesas. Hoy el campo se organiza en tres grandes familias: el aprendizaje supervisado, con ejemplos etiquetados; el no supervisado, que busca estructura en datos sin etiquetas; y el aprendizaje por refuerzo, basado en recompensas. El aprendizaje profundo es un subconjunto que usa redes neuronales de muchas capas.

El flujo típico es: reunir y limpiar datos, elegir características y un tipo de modelo, entrenarlo, evaluarlo con datos que no vio y ponerlo en producción, vigilando que su desempeño no se degrade con el tiempo. La calidad y representatividad de los datos suelen importar más que el algoritmo elegido.

Matices útiles: el aprendizaje automático encuentra correlaciones, no necesariamente causas; puede heredar sesgos de los datos; y un modelo que funciona bien en un contexto puede fallar en otro distinto. Tampoco toda la IA es aprendizaje automático (existe la IA simbólica), aunque hoy la mayoría de las aplicaciones lo son.