Construyendo la base científica para hacer Machine Learning

Por Javier Viñuales Gutiérrez
Digital Transformation Manager en OpenSistemas

El Machine Learning está de moda, la IA (Inteligencia Artificial), parece que nos está acercando a velocidad de vértigo al mundo de los replicantes de Blade Runner, al teletransporte de Star Trek o… quizás, a un Mundo Feliz… esperemos que no estemos consumiendo soma ya sin darnos cuenta.

Blade Runner

¿Qué es el Machine Learning?

A diferencia de otras parcelas de aplicación de la computación, el Machine Learning tiene mucha base en la ciencia de la computación y en décadas de investigación y no en la tecnología.

El Machine Learning es una rama de Inteligencia Artificial cuyo objetivo es el desarrollo de técnicas para que las computadoras aprendan solas Por tanto, el Machine Learning bebe de la ciencias matemáticas desde hace más de 40 años y no de la con las herramientas que están de moda y el almacenamiento y acceso de los datos en el cloud.

El Machine Learning ha cobrado impulso en los últimos años gracias al abaratamiento de de los costes de computación, por surgimiento de programas de computación y redes neuronales Open Source, respaldados por los grandes de la industria IT como Google con el caso de TensorFlow y por la caída de los costes de almacenamiento de los datos, posible con las nuevas infraestructuras en el Cloud, como es el caso de Azure. 

 

¿Cuándo y cómo aplicar Machine Learning?

¿Cuántos sabéis que una de sus mejores aplicaciones es a Deep Learning?, ¿quién sabe qué es Deep Learning?, ¿sabéis qué son las Convolutional Neural Networks?

Convolutional Neural Networks

… y ¿la formulación matemática de la función de activación sigma?, y ¿la formulación matemática del “bias–variance tradeoff” (o dilema)?, ¿y de qué es el producto de convolución?… y ¿el Teorema de Bayes?.

Es más, ¿sabéis cuándo tiene sentido aplicar el Machine Learning?… esta sí que es una buena pregunta.

Un meet up para no perderse nada.

El machine learning es un campo amplísimo y muy complejo que requiere de un equipo multidisciplinar donde se deben integrar ingenieros en computación, matemáticos, expertos en gestión de proyectos y expertos en el negocio en el que estamos trabajando.

Al final, como en cualquier disciplina, tener una visión completa del ecosistema del medio en el que nos movemos nos convierte en mejores profesionales, junto con el aprendizaje continuo, pues los cambios son rápidos en el sector tecnológico.

Tener criterio y visión amplia sobre qué es la IA y el Machine Learning, dónde se puede aplicar y cómo hacerlo. Es importante tener claro el mapa global de la teoría, de la  técnica y los paradigmas de aplicación.

Desde OpenSistemas somos muy sensibles a todo lo expuesto anteriormente y estamos trabajando de forma muy estrecha al Dpto. de Ciencias de la Computación e Inteligencia Artificial de la Universidad de Sevilla en diversas actividades.

Una de ellas, sencilla y de enorme eficacia es un seminario semanal de dos horas sobre Machine Learning, que lleva el nombre de Seminario IA^3 (Inteligencia Artificial + Aprendizaje Automático).

30 matemátic@s, ingenier@s, doctor@s, doctorand@s, investigador@s, estudiantes o profesionales, dan charlas de ciencia de base y aplicaciones tecnológicas de Machine Learning, semanalmente, durante dos horas.

El objetivo es compartir de forma abierta el conocimiento que se genera en la Universidad y en sus departamentos de investigación y el conocimiento práctico que se genera en la empresa poniendo en práctica la computación de modelos matemáticos y su interacción con la realidad.

¿Quieres conocer qué temas hemos tratado en el seminario y así aprender sobre la base matemática del Machine Learning?. Síguenos la pista en Twitter y entérate de las temáticas de las próximas reuniones y accede a los resúmenes de las mismas. En posteriores entradas iremos compartiendo nuestras notas tomadas en vivo y en directo en el seminario, ¡aprendamos juntos!.