Una de las herramientas en las que el machine learning está más presente es Gmail, el servicio de correo electrónico que tiene la opción de ayudar a escribir un email teniendo en cuenta correos anteriores, ya sea para autocompletar frases, confirmar que quieres enviar un email aun cuando no has adjuntado el archivo, pero cuando sí lo has escrito en el cuerpo del email, etc. La clasificación de los emails en la bandeja de entrada también se hace gracias al aprendizaje automático.

Spotify

Spotify es un servicio de música, podcasts y vídeos digitales en streaming que te da acceso a millones de canciones, y en los que propone listas de reproducción según gustos o patrones de comportamiento. Los algoritmos de recomendación de Spotify son uno de los mejores y más complejos de todo el mundo. Sus recomendaciones se hacen utilizando tres modelos diferentes:

Asistentes personales gracias al machine learning

Si hablamos de machine learning no hay que olvidar los asistentes personales como Siri o Alexa, que utilizan el procesamiento de lenguaje natural o PLN, un mecanismo mediante programas que simulan la comunicación. Las grandes empresas como Google, Apple o Amazon están apostando fuertemente por esta tecnología. Ya tenemos Google Home y Amazon Echo que están causando furor en la actualidad. Este tipo de asistentes aprenden de las conversaciones que registran con millones de usuarios y, sobre todo, del propietario del dispositivo y las tareas que ejecuta.

Los algoritmos generados son capaces de generalizar comportamientos a partir de los datos suministrados en forma de ejemplos.

El aprendizaje automático surge a mediados de los años 80 con la aplicación de las redes neuronales y los árboles de decisión. Se empezó a utilizar en problemas de predicción complejos donde los modelos estadísticos clásicos no eran eficientes como, por ejemplo, el reconocimiento de voz e imágenes, la predicción de series temporales no lineales, la predicción de los mercados financieros, el reconocimiento de texto escrito, etc.

Los modelos de aprendizaje automático se pueden dividir en dos grandes categorías: aprendizaje supervisado y no supervisado. La clave para incluir los algoritmos en un tipo u otro estará en el tipo de datos que utilizamos para su entrenamiento.

Como decíamos, la principal diferencia entre estos dos tipos de algoritmos radica en los datos que utilicemos en su entrenamiento.

En el aprendizaje supervisado, los resultados que se desean obtener del modelo son conocidos previamente.  Por ejemplo, en un algoritmo que predice la validez de un email sabemos que el resultado de salida ha de ser spam o no spam y, su proceso de entrenamiento se realiza con cientos de miles de emails de ejemplo etiquetados como spam y no spam.

Sin embargo, en el aprendizaje no supervisado el entrenamiento no se realiza con datos etiquetados previamente si no que dicho etiquetado de los datos es descubierto durante el propio proceso aprendizaje.

Por ejemplo, un algoritmo de aprendizaje automático desarrollado para clasificar los tipos clientes que tiene una empresa no es entrenado con datos de cliente etiquetados por segmentos porque, justamente, esas etiquetas sobre el segmento al que pertenece cada cliente son las que se desconocen.

 

https://www.iebschool.com/blog/que-machine-learning-big-data/