¿Qué es Machine Learning? Bases para entender la Inteligencia Artificial

Así como no es posible aprender a sumar, sin antes conocer los números, de la misma forma es importante definir y conocer las bases de la Inteligencia Artificial (IA), como el Machine Learning (ML) y el Deep Learning (DL), para poder entender y aplicar esta nueva tecnología que es comparada con la revolución industrial, que ya está entre nosotros, en nuestro ámbito profesional y nuestra vida cotidiana.

Empecemos por el principio, si bien es difícil encontrar una definición universal podemos referirnos  a la IA como “la actividad generada por una máquina que imita las funciones intelectuales y de conocimiento que los humanos asociamos a la inteligencia humana, tales como el razonar, aprender y solucionar problemas1 . Están quienes sostienen que no solo imita tareas humanas, sino que además supera a cualquier experto en la toma de decisiones con menos tasas de error o identificando patrones imperceptibles para el ojo humano.

Aunque es frecuente utilizarlos como sinónimos no lo son, la IA cubre un ámbito más amplio de esta revolución tecnológica incluyendo al ML y al DL.

El termino ML data de 1959, y su objetivo es desarrollar algoritmos que permitan que sistemas informáticos tomen decisiones y aprendan de su resultado, y que estos sistemas sean capaces de aprender sin haber sido programados explícitamente para ello. Luego apareció el DP que basa su poder predictivo utilizando múltiples capas de procesamiento (transformaciones) de la información, comparables con redes neuronales artificiales.

Se entiende al ML como la capacidad de aprender de la máquina por sí misma, usando grandes conjuntos de datos, y con mínima supervisión. Un ejemplo cotidiano del uso del ML es la detección de spam en las computadoras en la clasificación de correo electrónico. A través de información que le proporcionamos a la máquina sobre los mails que recibimos y qué consideramos spam, esta aprende a distinguirlos. A medida que la “experiencia” de estos sistemas aumenta, es decir, se les aporta nuevos datos, mejoran su desempeño logrando ser más eficientes que la capacidad humana.

Existen 2 técnicas de desarrollo de ML:

  1. Aprendizaje supervisado, es el más utilizado, y se trata de entrenamientos en el que se cuenta con datos “etiquetados” con la respuesta que se quiere predecir (un diagnóstico, parámetro, segmentación, etc.) y
  2. Aprendizaje no supervisado en el que no se cuenta con la información sobre la variable que se quiere pronosticar, por lo que debe aprender de las relaciones entre los elementos del conjunto de datos y clasificarlos sin apoyarse en etiquetas o categorías.

Es importante tener en claro que el ML no se trata simplemente de utilizar un algoritmo, sino que es un proceso, que consta de varias etapas; la primera (común a la estadística convencional) es la obtención de raw data, o una base de datos a partir de la cual se realizará un análisis descriptivo y se lograran los algoritmos que aplicará el ML. Las siguientes etapas (propias del ML): limpieza, análisis descriptivo, entrenamiento, validación y test, este último destinado a ratificar los datos para evaluar la calidad del modelo, que posteriormente se convertirá en el algoritmo.

No podemos dejar de mencionar sus limitaciones, y sucede que cuando se intenta generalizar con datos, cuestiones que muchas veces son particulares a cada situación (con más razón en el ambiente de la medicina), la tecnología gana una debilidad. Si bien sabemos que es extremadamente precisa a la hora de identificar y clasificar patrones, para poder lograrlo de manera eficiente, requiere una gran base de datos, y por otro lado carecen de la capacidad de detectar situaciones que no hayan visto previamente, y esto no es algo infrecuente en medicina.

De esta forma podemos resumir en qué consiste el ML como parte de la IA que, junto con el DL, van a ser los que guíen nuestra práctica médica en un futuro no muy lejano; en cardiología sus aplicaciones son varias, y van desde la teleconsulta clínica, a la aplicación en imágenes cardiacas y telemonitoreo de arritmias e insuficiencia cardíaca.

1Ignacio Dorado-Díaz, Jesús Sampedro-Gómez , Víctor Vicente-Palacios , Pedro L. Sánchez; Aplicaciones de la Inteligencia Artificial en cardiología: el futuro ya está aquí, Revista Española de Cardiología, Vol 72, Num 12, Diciembre 2019. DOI: 10.1016/j.recesp.2019.05.016

2Miguel Angel García Fernández, Artículo de opinión sobre: Inteligencia Artificial en imagen cardíaca: El futuro ya está aquí, Revista Argentina de Cardiología, Sociedad Argentina de Cardiología, Vol. 87, Num 6, 2019. DOI: https://doi.org/10.7775/rac.es.v87.i6.16997

3 José Cabanelas Omil, Articulo de investigación: Inteligencia Artificial ¿ Dr.Jekyll o Mr. Hayde?; Mercados y Negocios, Num. 40, 2019; Universidad de Guadalajara. DOI: https://www.redalyc.org/journal/5718/571860888002/html/

Dra. Agustina Miragaya
Cardióloga Especialista en Imágenes Cardíacas
Miembro del Consejo de Salud Digital SAC

Inicio
Comunicaciones SAC

Actividad SAC 2024

Iniciamos un nuevo año con nuevos objetivos y metas a alcanzar. Queremos compartir con nuestra comunidad, el trabajo que venimos realizando como parte de la

Leer Más >>

INSCRIBITE A NUESTRO NEWSLETTER

SAC Móvil

¡Descarga nuestra aplicación para navegar nuestro contenido de una manera más fácil y dinámica!