A muchos padres les ha tocado, por desgracia, pisar con los pies descalzos los ladrillos de Lego que sus hijos se han dejado olvidados. Pero un programador holandés
Jacques Mattheij tuvo otro percance relacionado con los coloridos bloques de plástico de construcción: concretamente, se llevó sin querer más de dos toneladas de ellos en una noche de pujas frenéticas en eBay.
Para sacar el máximo partido a su situación, Mattheij creó un proceso de aprendizaje automático para clasificar los miles y miles de piezas de Lego a granel por forma y color. El aprendizaje automático, un término acuñado por el informático Arthur Samuel en 1959, permite a los ordenadores reconocer patrones y «aprender» a analizar datos sin estar programados explícitamente para ello.
Mattheij montó un sistema de cintas transportadoras y contenedores, por los que circulaban los ladrillos «
pasando por delante de una cámara conectada a un ordenador en el que se ejecuta un clasificador de imágenes basado en una red neuronal», según Mental Floss. Las redes neuronales, o redes neuronales artificiales, suelen estar formadas por varios ordenadores conectados entre sí. Están diseñadas para imitar las neuronas del cerebro humano con el fin de enseñar a los ordenadores a tomar decisiones como lo haría una persona.
Una vez que el algoritmo de Mattheij entrenó al ordenador para que reconociera los ladrillos de Lego según determinados parámetros, el sistema de cinta transportadora podía depositar las piezas en contenedores separados. El
El programa informático también se actualiza constantemente a medida que obtiene más datos sobre las piezas de Lego, incluidas las variaciones de bloques rotos, descoloridos y de imitación.
Experimentos en aprendizaje automático y las artes
Los resultados del aprendizaje automático pueden parecer ciencia ficción, pero se están convirtiendo rápidamente en parte de nuestra vida cotidiana. Los algoritmos que conforman los procesos de aprendizaje automático ayudan a Amazon a predecir tus próximas compras y a Netflix a recomendarte películas y series de televisión. Los motores de búsqueda que utilizamos, como Google, emplean el procesamiento del lenguaje natural —otra forma de aprendizaje automático— para determinar la intención que hay detrás de nuestras consultas.
El aprendizaje automático incluso está enseñando a los ordenadores a ver películas y a extraer datos de ellas. El Instituto Geena Davis sobre Género en los Medios, con la ayuda de Google, ha utilizado recientemente el aprendizaje automático para hacer un seguimiento de
sesgo de género en las películas de acción real más taquilleras de 2014, 2015 y 2016.
Anteriormente, los investigadores tenían que ver las películas una por una y registrar los resultados, una tarea que requería mucho trabajo. Sin embargo, gracias al aprendizaje automático, los ordenadores podían ver las películas, clasificar los rostros que aparecían en pantalla y analizar si los personajes que hablaban eran hombres o mujeres.
Además del estudio sobre los sesgos de género, la industria cinematográfica también ha aprovechado el aprendizaje automático con la ayuda de Watson, de IBM. Watson, que compitió y ganó en
¡Jeopardy! En 2011, analizó 100 películas de terror para crear un tráiler cinematográfico único.
El aprendizaje automático de Google
experimentos están llegando incluso al ámbito de las artes. Los usuarios pueden garabatear en Autodraw y dejar que Google lo complete —por ejemplo, haciendo que un gato dibujado de forma rudimentaria parezca realmente un gato— o probar la aplicación QuickDraw de Google para ayudar a la máquina a aprender a reconocer dichos dibujos. Google también cuenta con aplicaciones que permiten a los usuarios tocar un dúo de piano con una máquina, crear letras de canciones a partir de fotos y utilizar una «caja de ritmos infinita» para crear una cacofonía de sonidos cotidianos clasificados mediante aprendizaje automático.
El aprendizaje automático en el mundo empresarial
Pero los procesos de aprendizaje automático no se limitan a la cultura popular. Pueden llegar incluso a influir en el entorno laboral habitual.
El
Harvard Business Review Según el estudio, se prevé que la inversión empresarial en inteligencia artificial (IA) se triplique este año y que el mercado alcance los 100 mil millones de dólares en 2025. Las empresas están utilizando esta tecnología en ámbitos tan diversos como la atención al cliente y la fidelización de clientes, pasando por los recursos humanos y la logística de la cadena de suministro.
En 2017, EagleView adquirió OmniEarth, una empresa dedicada al desarrollo de tecnologías de aprendizaje automático y herramientas de toma de decisiones para los sectores de la gestión de recursos hídricos, las infraestructuras energéticas y los seguros. Estas tecnologías permiten identificar características de propiedades y terrenos que aparecen en imágenes geoespaciales.
Las tecnologías de aprendizaje automático pueden ayudar a EagleView a identificar el estado de los tejados, los árboles que sobresalen y otras características en sus imágenes de Pictometry.
De EagleView
Imágenes de Pictometry® La base de datos cuenta con cientos de millones de imágenes y más de 60 petabytes (60 000 terabytes) de datos. Al utilizar estos recursos junto con las nuevas tecnologías de aprendizaje automático, EagleView puede extraer datos de esas imágenes con mayor rapidez. Entre estas características se incluyen el estado y el material de los tejados, la ramificación de los árboles, las obstrucciones causadas por la vegetación y la presencia de piscinas.
Los procesos automatizados derivados del aprendizaje automático están haciendo que las tediosas tareas de clasificación, categorización y análisis pasen rápidamente a ser cosa del pasado. Al adoptar estos avances, podemos obtener datos más rápidamente para ayudar en la toma de decisiones cruciales, ya se trate de decidir qué hacer con dos toneladas de piezas de Lego o de calcular los riesgos y el estado de millones de inmuebles.