El Machine Learning, conocido en español como aprendizaje automático, nació en los años 60 como una subdisciplina de la Inteligencia Artificial. Lo que tenían en mente con su creación era estudiar el reconocimiento de patrones y el aprendizaje por parte de las máquinas, siendo este último la principal prioridad de los investigadores. Con el paso del tiempo el Machine Learning fue variando su enfoque, centrándose así en el razonamiento probabilístico, la investigación basada en la estadística y la recuperación de información.
¿Cómo funciona?
El Machine Learning emplea un conjunto de algoritmos que otorgan la autonomía necesaria a los ordenadores para que aprendan de sus errores u optimicen sus aciertos sin necesidad de intervención humana. El objetivo que se persigue con esto es aumentar la eficiencia, ya que si las máquinas se encargan de realizar los trabajos que se pueden automatizar, los programadores se podrán centrar en otras tareas de mayor dificultad e importancia.
Estos sistemas identifican patrones complejos a partir de volúmenes de datos incalculables, los procesan y predicen el comportamiento.
Tipos de Machine Learning
- Aprendizaje Supervisado: Depende de datos previamente etiquetados, es decir, los seres humanos colocan las etiquetas o rótulos para asegurar la efectividad y calidad de los datos. Por ejemplo se usa en: reconocimiento de voz, detección de spam o reconocimiento de escritura, entre otros.
- Aprendizaje No Supervisado: En este caso al algoritmo no se le pone etiqueta ninguna, por lo tanto, la máquina no cuenta con ninguna indicación previa. Lo que se le proporciona a la máquina es un volumen enorme de datos con las características propias de un objeto, de esta forma la máquina podrá adivinar qué es. Por ejemplo se usa en: Morfología de oraciones o en la clasificación de información.
- Aprendizaje Reforzado: En este tipo, la base del aprendizaje es el refuerzo. La máquina aprende en base a pruebas y errores. Aunque ya conoce desde el principio el resultado no sabe cual es el mejor camino para llegar a él. El algoritmo va asociando patrones, los va repitiendo hasta perfeccionarlos y volverse infalible. Por ejemplo se usa en: toma de decisiones o navegación de un vehículo en automático.
En Emérita Legal nos encontramos dentro del Aprendizaje Semi-Supervisado. Es decir, utilizamos datos tanto etiquetados como no etiquetados. Su uso principalmente es para la clasificación automatizada y otras tareas de reconocimiento y detección de entidades en las resoluciones.
Deep Learning
Aunque en muchos casos tratan el Machine Learning y el Deep Learning como sinónimos, no son lo mismo. El segundo término es un tipo particular del primero, es decir, el Deep Learning se considera Machine Learning, pero existen casos que hacen que no se cumpla lo contrario.
El Deep Learning lleva a cabo el proceso de Machine Learning usando una red neuronal artificial que se compone de niveles jerárquicos. El primer nivel jerárquico consiste en aprender algo simple y mandarlo al siguiente nivel. El siguiente nivel recoge esa información sencilla del primer nivel, la combina y envía esa información al tercer nivel de una forma más compleja, y así sucesivamente.
Hoy en día se está utilizando esta tecnología para resolver distintos problemas:
- Utilización de imágenes en lugar de palabras clave para buscar productos.
- Identificar marcas y logotipos de empresas en publicaciones.
- Buscar preferencias de los consumidores para acertar con los anuncios que le interesen.
- Identificar clientes potenciales.
- Localización de caras.
- Etc…
En definitiva, el Machine Learning es un tipo de Inteligencia Artificial utilizada en nuestro sector, ya que hoy en día ya se utilizan bastantes más tipos de IA. Como ya dijimos en la entrada, los datos en el futuro de la abogacía, las nuevas tecnologías son un complemento, no llegan para sustituir a las personas.
Gran artículo!!!