Descripción del aprendizaje automático

Desde los años 50, los investigadores, a menudo, conocidos como científicos de datos, han trabajado en diferentes enfoques relacionados con la inteligencia artificial. La mayoría de las aplicaciones modernas de IA tienen sus orígenes en el aprendizaje automático, una rama de inteligencia artificial que combina la informática y las matemáticas.

Para empezar, se examinará un ejemplo real de cómo se puede usar el aprendizaje automático para solucionar un problema difícil.

Las técnicas agrícolas sostenibles son esenciales para maximizar la producción alimentaria y proteger un medioambiente frágil. The Yield, una empresa de tecnología agrícola australiana, usa sensores, datos y aprendizaje automático para ayudar a los agricultores a tomar decisiones fundamentadas relacionadas con las condiciones meteorológicas, del suelo y los cultivos.

Funcionamiento del aprendizaje automático

Entonces, ¿cómo aprenden las máquinas?

La respuesta es: a partir de los datos. En el mundo actual, se crean enormes volúmenes de datos en el transcurso de la vida cotidiana. A partir de los mensajes de texto, los correos electrónicos y las publicaciones en redes sociales a las que se envían las fotografías y vídeos que se toman en los teléfonos, se generan cantidades masivas de información. Millones de sensores crean todavía más datos en hogares, automóviles, ciudades, infraestructura de transporte público y fábricas.

Los científicos de datos pueden usar todos esos datos para entrenar modelos de Machine Learning que pueden realizar predicciones e inferencias en función de las relaciones que encuentran en los datos.

Los modelos de Machine Learning intentan capturar la relación entre los datos. Por ejemplo, imagine que una organización de conservación del medioambiente busca voluntarios para identificar y catalogar diferentes especies de flores silvestres mediante una aplicación telefónica. En la animación siguiente se muestra cómo se puede usar el aprendizaje automático para habilitar este escenario.

1. Un equipo de botánicos y científicos recopila datos sobre muestras de flores silvestres.
2. El equipo etiqueta las muestras con la especie correcta.
3. Los datos etiquetados se procesan con un algoritmo que encuentra relaciones entre las características de las muestras y las especies etiquetadas.
4. Los resultados del algoritmo se encapsulan en un modelo.
5. Cuando los voluntarios encuentran muestras nuevas, el modelo puede identificar la etiqueta de la especie correcta.

Los enfoques relacionados con la IA han mejorado para completar tareas de mayor complejidad. Estos modelos complejos forman la base de las funcionalidades de la IA.

Aprendizaje automático en Microsoft Azure

Microsoft Azure proporciona el servicio Azure Machine Learning, una plataforma basada en la nube para crear, gestionar y publicar modelos de Machine Learning. Azure Machine Learning Studio ofrece varias experiencias de creación, como:

• Aprendizaje automático automatizado: esta característica permite a los usuarios no expertos crear con rapidez un modelo de Machine Learning efectivo a partir de datos.
• Diseñador de Azure Machine Learning: una interfaz gráfica que permite el desarrollo sin necesidad de código de las soluciones de aprendizaje automático.
• Visualización de métricas de datos: analice y optimice los experimentos con visualización.
• Notebooks: escriba y ejecute su propio código en servidores de Jupyter Notebook administrados que estén integrados directamente en Studio.