En el área tecnológica es cada vez más frecuente escuchar el término Machine Learning o Aprendizaje Automático, que es una rama de la Inteligencia Artificial.

Debido al aumento y volumen de datos que las empresas tienen que manejar, la machine learning ha tomado gran relevancia en los últimos años. Este término se utiliza desde la década de los años 50.

Machine Learning

Machine Learning

Desarrollo y uso de la Machine Learning:

El objetivo principal de la Machine Learning es dotar a los ordenadores de la capacidad de aprender sin necesidad de ser programados.

Es decir, crear sistemas que “aprenden” algoritmos para revisión de datos y que automáticamente identifican patrones en los datos. Luego, estos patrones identificados se utilizan para predecir comportamientos futuros y tomar decisiones.

Son varios los métodos de aprendizaje utilizados en la machine learning, los dos principales se identifican en “Supervised learning” (aprendizaje supervisado) y “Unsupervised learning” (aprendizaje no supervisado):

Supervised learning: requiere que previamente los algoritmos se programen o “se entrenen” para la entrada y salida de información, así como acoplar la retroalimentación sobre la exactitud de las predicciones.

Finalizado este proceso, el algoritmo comienza a aplicar lo aprendido en los datos.

Unsupervised learning: en este tipo de aprendizaje los algoritmos no necesitan una programación o “entrenamiento” previo para obtener el resultado deseado.

En lugar de ello, los algoritmos usan un enfoque repetitivo llamado “Deep learning” o aprendizaje profundo, para revisar los datos y llegar a conclusiones. Este proceso se utiliza para procesos con tareas más complejas.

Pero también está el método de “Semisupervised learning” (aprendizaje semi-supervisado) que se basa en el supervised learning pero utilizando datos etiquetados y no etiquetados.

Otro método es el “Reinforcement learning” (reforzamiento de aprendizaje) utilizado comúnmente en robótica, gamificación o navegación donde el algoritmo descubre por medio de prueba y error qué acciones rinden los mejores resultados.

¿Cómo funciona la Machine Learning?

El proceso que se realiza en la machine learning son similares a la minería de datos y modelado predictivo. Ambos procesos requieren a través de los datos buscar patrones y ajustar apropiadamente las acciones del programa.

Si alguna vez has comprado en línea, has podido comprobar que “casi instantáneamente” se sugieren productos específicos de tu interés, durante o al final de tu compra.

Esto sucede porque los motores de recomendación usan la Machine Learning para personalizar el anuncio en línea y “entregarlo” en tiempo real.

Esto es tan solo un ejemplo de lo mucho que se puede hacer al utilizar la Machine Learning. Sin embargo, el campo donde se puede utilizar depende de la imaginación y de los datos que estén disponibles en la empresa.

Al inspeccionar estos datos, las organizaciones trabajan más eficientemente y ganan ventajas sobre sus competidores.

Muchas industrias que trabajan con grandes cantidades de datos reconocen el valor de la tecnología de la Machine Learning. Algunos campos que la utilizan son: transporte, servicios financieros, gobierno, marketing y ventas, entre otros.

Algunos ejemplos de sus aplicaciones son: detectar fraude en transacciones, predecir fallos en equipos tecnológicos, seleccionar clientes potenciales basándose en comportamientos en las redes sociales, definir el mejor momento para publicar un tuit, actualizar Facebook o enviar un newsletter, entre otros.

Aplicación de la Machine Learning en E-learning

Como hemos visto, la Machine Learning se puede aplicar para analizar gran cantidad y diversidad de datos. La educación virtual, o e-learning, puede beneficiarse también de esta nueva tecnología.

Aunque todavía se están dando los primeros pasos en este campo, cabe destacar las aplicaciones en las cuales se está implementando y que puede desarrollarse aún más:

  • Creación de sistemas e-learning adaptados a los diferentes estilos de aprendizaje: en base a las decisiones que toma el alumno en un Learning Management System (LMS), el sistema puede ser capaz de ofrecer los contenidos didácticos adaptados a cada estilo individual.
  • Predicción del comportamiento del alumnado a lo largo de un curso: de forma que permita la posibilidad de reforzar automáticamente los aspectos que son complicados o requieren un mayor esfuerzo.
  • Detección de problemas en el proceso de realización de un curso: estos se derivan de errores en el diseño didáctico o técnico y que al identificar las necesidades de mejora se aplique al material didáctico o el LMS.
  • Recopilación y tratamiento de datos externos a los cursos: en base a las consultas que realizan fuera de un LMS, que permita enriquecer y complementar los contenidos de forma coherente y útil para los estudiantes.
  • La Machine Learning empieza a incursionar en la educación virtual, que en conjunto con la Inteligencia Artificial y la continua evolución del “Big Data” y su integración en los LMS, abren un mundo de posibilidades en el campo educativo.