APLICACIONES PRÁCTICAS DEL 'MACHINE LEARNING'

  > Vehículos inteligentes: según el informe Automotive 2025: industry without borders de IBM, en 2025 ya veremos coches inteligentes en las carreteras. Gracias al aprendizaje automático, estos vehículos podrán ajustar la configuración interna (temperatura, música, inclinación del respaldo, etc.) de acuerdo a las preferencias del conductor e, incluso, mover el volante solos para reaccionar al entorno.

  > Redes sociales: Twitter, por ejemplo, se sirve de algoritmos de Machine Learning para reducir en gran medida el spam publicado en esta red social mientras que Facebook, a su vez, lo utiliza para detectar tanto noticias falsas como contenidos no permitidos en retransmisiones en directo que bloquea automáticamente.

  > Procesamiento de Lenguaje Natural (PLN): a través de la comprensión del lenguaje humano, asistentes virtuales como Alexa o Siri pueden traducir instantáneamente de un idioma a otro, reconocer la voz del usuario e incluso analizar sus sentimientos. Por otro lado, el PLN también se utiliza para otras tareas complejas como traducir la jerga legal de los contratos a un lenguaje sencillo o ayudar a los abogados a ordenar grandes volúmenes de información relativos a un caso.

  > Búsquedas: los motores de búsqueda se sirven del aprendizaje automático para optimizar sus resultados en función de su eficacia, midiendo la misma a través de los clics del usuario.

  > Medicina: investigadores del Instituto de Tecnología de Massachusetts (MIT) ya utilizan el Machine Learning para detectar con mayor antelación el cáncer de mama, algo de vital importancia ya que su detección temprana aumenta las probabilidades de curación. Asimismo, también se utiliza con una alta eficacia para detectar neumonía y enfermedades de la retina que pueden provocar ceguera.   > Ciberseguridad: los nuevos antivirus y motores de detección de malware ya se sirven del aprendizaje automático para potenciar el escaneado, acelerar la detección y mejorar la habilidad de reconocer anomalías.

Es la clave principal de éxito del sector.

Los coches autónomos es que pueden ser capaces de trasladarse sin la necesidad de un conductor humano. Sin embargo, existen distintos niveles de conducción autónoma, siendo la disponibilidad de piloto automático apenas el nivel 0, y la autonomía total en la conducción, el nivel 5.

En todos los niveles de conducción autónoma, la Inteligencia Artificial tiene un rol preponderante, pues ésta integra diversas disciplinas como el tratamiento de grandes volúmenes de datos (Big Data), el aprendizaje automático o “Machine Learning” y el aprendizaje profundo o “Deep Learning”, necesarias en el diseño de los coches autónomos.

https://youtu.be/qxtIgGVwfF8?t=62

Al disponer de múltiples dispositivos eléctricos como:
* GPS, 
*cámaras, 
*sensores de presencia o de proximidad, entre otros, 

Los coches autónomos captan el comportamiento de diversas variables del entorno, como presencia o forma de obstáculos, peatones, automóviles o señales de tránsito; o volumen de tráfico, condiciones ambientales o de la vía, información que es almacenada continuamente en bases de datos internas del ordenador del automóvil.

Luego, los algoritmos de aprendizaje profundo y automático permiten establecer modelos matemáticos que caracterizan la relación de las variables externas. Con estos modelos, el ordenador es capaz de emitir señales que ponen en funcionamiento distintos dispositivos como válvulas o motores mecánicos y/o eléctricos de los coches autónomos, conocidos como actuadores, posibilitando el control automático de variables de conducción, como la velocidad, fuerza de frenado o posicionamiento de giro de los neumáticos del coche, entre otras.

El Machine Learning es una disciplina del campo de la Inteligencia Artificial que, a través de algoritmos, dota a los ordenadores de la capacidad de identificar patrones en datos masivos y elaborar predicciones (análisis predictivo). Este aprendizaje permite a los computadores realizar tareas específicas de forma autónoma, es decir, sin necesidad de ser programados.

El término se utilizó por primera vez en 1959. Sin embargo, ha ganado relevancia en los últimos años debido al aumento de la capacidad de computación y al boom de los datos. Las técnicas de aprendizaje automático son, de hecho, una parte fundamental del Big Data.