Como México, India es un país con una cantidad de habitantes con diabetes. Y uno de los efectos adversos de mayor preocupación es la retinopatía diabética, ya que la enfermedad crea lesiones en la parte de atrás de la retina que gradualmente pueden llevar al paciente a la ceguera total. De acuerdo con el portal de Google, existen hoy en día 415 millones de personas en el mundo con riesgo de este tipo de ceguera. Esta problemática se hace más complicada en entornos rurales, lejos de especialistas y de un monitoreo frecuente, en una infraestructura limitada. Si consideramos que el seguimiento se debe hacer en etapas tempranas de la enfermedad, no existe capacidad médica para atender y monitorear a esta demanda de pacientes. Afortunadamente, la ciencia y la tecnología han hecho importantes avances en inteligencia artificial para desarrollar algoritmos de machine learning con el propósito de acelerar la detección e interpretación de los grados de avance de la retinopatía diabética y poder tomar acciones desde etapas tempranas y reducir las posibilidades de ceguera.
Con frecuencia al aprendizaje automático (ML o Machine Learning por su origen en inglés) suele llamársele de forma indistinta como Inteligencia Artificial (AI – Artificial Intelligence); sin embargo, aludiremos al reciente clásico nacional de “No es falso, pero se exagera”.
De manera simple, se denomina inteligencia artificial a la tecnología que habilita a una máquina para simular una conducta humana; dentro de este universo, machine learning es un subconjunto de esta tecnología que busca permitir a una máquina aprender de datos que han ocurrido en el pasado sin una programación explícita o tradicional.
Como su nombre lo indica, en la programación tradicional explícitamente se indican las reglas a las que se someten los datos con la finalidad de obtener un resultado. Pero ¿Qué pasa cuando las situaciones no permiten conocer con certeza las reglas que se deben aplicar? pues este es el lugar ideal para machine learning, en donde la máquina, teniendo los datos y los resultados, trata de descifrar cuáles son esas reglas.
Es en ese proceso de descifrado en donde radica uno de los retos mas importantes, ya que la máquina (que comúnmente es un conglomerado de grandes capacidades de procesamiento, almacenamiento y conectividad) necesita aprender. Y para ello deben prepararse cuidadosamente grandes conjuntos de datos (datasets) para que pueda tener un aprendizaje de calidad, que se traduce en un grado de asertividad alto con el mínimo de errores.
Aunque se podría desarrollar una aplicación sencilla que permita a una máquina distinguir a un perro de un gato, hoy en día las aplicaciones de machine learning nos permiten acceder a soluciones de situaciones altamente complejas que de otra forma podrían llevar muchísimo tiempo ser resueltas. Desde aplicaciones de reconocimiento de imágenes para detectar si un sembradío está siendo invadido por una plaga, identificar el nivel de gravedad de una retinopatía diabética o el desarrollo de las habilidades para los coches autónomos; hasta aplicaciones de análisis de información como determinar, con base al histórico de licitaciones, el rango de precio sugerido que cierto producto debe tener para incrementar sus posibilidades de ganar un concurso; o predecir en los siguientes seis meses la tasa de deserción de los consumidores de cierto servicio para poder desarrollar efectivas estrategias de retención de clientes. El potencial de machine learning es realmente vasto, con la capacidad de cubrir necesidades de una gran cantidad de sectores de nuestra economía.
El concepto de machine learning no es realmente novedoso, ya que la mayor parte de los algoritmos que se usan hoy en día fueron desarrollados hace 30 o 40 años atrás. Es gracias a la evolución de poderosas capacidades de almacenamiento y procesamiento que no han detenido su camino, los servicios de nube y una estructura efectiva de costos lo que ha facilitado el ingreso de esta tecnología en la esfera empresarial; sin embargo, el factor principal que ha permitido el éxito en su adopción ha sido AutoML.
AutoML (Automated Machine Learning) es una tecnología que automatiza todo el proceso de desarrollo de modelos de machine learning, desde la preparación de datos hasta la selección de algoritmos y optimización de parámetros. Esto permite que personas sin experiencia técnica profunda puedan crear modelos predictivos simplemente subiendo sus datos, eliminando la necesidad de conocer sofisticadas técnicas de programación o algoritmos específicos.
Por tanto, la principal ventaja de AutoML es que democratiza el uso de machine learning a nivel empresarial, reduciendo el tiempo (y el costo) de desarrollo de meses a días y permitiendo que analistas de negocio, equipos de marketing o finanzas puedan implementar soluciones como predicción de abandono de clientes, detección de fraudes u optimización de precios sin necesidad de un equipo especializado en data science.
La pregunta surge entonces ¿Qué tan lejos estamos de su utilización generalizada? De acuerdo con las firmas especializadas, no tanto: ResearchAndMarkets.com estima que para el 2030 el mercado global de AutoML experimentará un crecimiento explosivo, con proyecciones de alcanzar los 10.9 mil millones de dólares, tomando como referencia que en 2023 fue de 1.1 mil millones.
Machine learning prácticamente se encuentra en franca adopción, y desde estos momentos hemos vislumbrado algunos de sus primeros beneficios como lo es el reconocimiento facial en algunos teléfonos móviles; por su parte, seguramente las empresas podrán tomar ventaja de las capacidades analíticas y predictivas de esta tecnología para ser más eficientes y en consecuencia mas competitivas. Y, definitivamente, habrá quienes harán caso omiso de este proceso evolutivo, y no nos extrañe que en una de esas futuras tardes esas personas tengan un sobresalto cuando un asistente personal tipo “Alexa” o ”Siri” le comenten que han observado que enciende las luces de su casa en promedio a las seis con veintiocho minutos de la tarde y que le proponen dejar automatizada esa actividad. Esa es la sutil diferencia entre mantener nuestra capacidad de asombro por la tecnología y la de dejarnos sorprender por la misma.