Contenido
- Automatización en la estafa de la tecnología de la información
- ¿Es la automatización el futuro del aprendizaje automático?
- Sin errores, sin estrés: su guía paso a paso para crear software que cambie su vida sin destruir su vida
- Caso de estudio
- El aprendizaje automático podría reemplazar los trabajos
- Conclusión
Fuente: Krulua / Dreamstime.com
Para llevar:
El aprendizaje automático es la capacidad de un sistema para alterar su propia programación. Pero cuando un sistema puede hacer esto, ¿siguen siendo necesarios los humanos?
El aprendizaje automático ha sido uno de los mayores avances en la historia de la informática, y ahora se cree que es capaz de asumir roles importantes en el campo de los grandes datos y el análisis. El análisis de Big Data es un gran desafío desde la perspectiva de las empresas. Por ejemplo, actividades como dar sentido a grandes volúmenes de formatos de datos variados, preparación de datos para análisis y filtrado de datos redundantes pueden consumir muchos recursos. Contratar científicos y especialistas en datos es una propuesta costosa y no está dentro de los medios de cada empresa. Los expertos creen que el aprendizaje automático es capaz de automatizar muchas tareas relacionadas con el análisis, tanto rutinarias como complejas. La automatización del aprendizaje automático puede liberar muchos recursos que se pueden utilizar en trabajos más complejos e innovadores. Parece que el aprendizaje automático se ha dirigido en esa dirección. (Para obtener más información sobre el uso del aprendizaje automático, consulte Las promesas y las trampas del aprendizaje automático).
Automatización en la estafa de la tecnología de la información
En el caso de las TI, la automatización es la vinculación de sistemas y software dispares para que puedan realizar trabajos específicos sin intervención humana. En la industria de TI, los sistemas automatizados pueden realizar trabajos simples y complejos. Un ejemplo de un trabajo simple podría ser integrar un formulario con un PDF y enviar el documento al destinatario correcto, mientras que el aprovisionamiento de una copia de seguridad externa podría ser un ejemplo de un trabajo complejo.
Para hacer su trabajo, un sistema automatizado necesita ser programado o recibir instrucciones explícitas. Cada vez que se requiere un sistema automatizado para modificar el alcance de sus trabajos, el programa o el conjunto de instrucciones deben ser actualizados por un ser humano. Si bien los sistemas automatizados son eficientes en sus trabajos, pueden ocurrir errores debido a varias razones. Cuando ocurren errores, la causa raíz necesita ser identificada y corregida. Obviamente, para hacer su trabajo, los sistemas automatizados dependen totalmente de los seres humanos. Cuanto más compleja es la naturaleza del trabajo, mayor es la probabilidad de errores y problemas.
Por lo general, los trabajos rutinarios y repetibles se asignan a sistemas automatizados. Un ejemplo común de automatización en la industria de TI es automatizar las pruebas de las interfaces de usuario basadas en la web. Los casos de prueba se introducen en scripts de automatización y las interfaces de usuario se prueban en consecuencia. (Para obtener más información sobre los usos prácticos del aprendizaje automático, consulte Aprendizaje automático y Hadoop en Detección de fraudes de próxima generación).
El argumento a favor de la automatización ha sido que realiza tareas rutinarias y repetibles y libera a los empleados para realizar tareas más complejas y creativas. Sin embargo, también se argumenta que la automatización ha desplazado muchos trabajos o roles que antes realizaban los humanos. Ahora, con el aprendizaje automático llegando a varias industrias, la automatización podría agregar una nueva dimensión por completo.
¿Es la automatización el futuro del aprendizaje automático?
La esencia misma del aprendizaje automático es la capacidad de los sistemas para aprender continuamente de los datos y evolucionar sin la intervención de los seres humanos. El aprendizaje automático es capaz de comportarse como el cerebro humano. Por ejemplo, un motor de recomendaciones en un sitio web de comercio electrónico puede evaluar las preferencias y gustos únicos de un usuario y ofrecer recomendaciones sobre los productos y servicios que mejor se adapten a las elecciones del usuario. Dada esta capacidad, el aprendizaje automático se considera ideal para automatizar tareas complejas relacionadas con big data y análisis. Ya ha superado la principal limitación de los sistemas de automatización tradicionales que no pueden funcionar sin una intervención humana regular. Existen múltiples estudios de caso para demostrar que el aprendizaje automático es capaz de completar tareas sofisticadas de análisis de datos, como se discutirá más adelante en este artículo.
Como ya se señaló, el análisis de big data es una propuesta desafiante para las empresas y puede delegarse parcialmente en los sistemas de aprendizaje automático. Desde la perspectiva de un negocio, esto puede traer muchos beneficios, como la liberación de recursos de ciencia de datos para tareas más creativas y críticas, un mayor volumen de finalización del trabajo, menos tiempo para completar tareas y rentabilidad.
Sin errores, sin estrés: su guía paso a paso para crear software que cambie su vida sin destruir su vida
No puede mejorar sus habilidades de programación cuando a nadie le importa la calidad del software.
Caso de estudio
En 2015, los investigadores del MIT comenzaron a trabajar en una herramienta de ciencia de datos que es capaz de crear modelos de datos predictivos a partir de grandes volúmenes de datos sin procesar utilizando una técnica llamada algoritmo de síntesis de características profundas. El algoritmo, afirman los científicos, puede combinar las mejores características del aprendizaje automático. Según los científicos, ya han probado el algoritmo en tres conjuntos de datos diferentes y van a ampliar el alcance de las pruebas a más conjuntos de datos. Describiendo cómo lo hacen, los investigadores James Max Kanter y Kalyan Veeramachaneni indicados en un documento que se presentará en una ciencia internacional de datos y análisis de la conferencia, “El uso de un proceso de autoajuste, optimizamos toda la ruta sin la intervención humana, lo que le permite generalizar a diferentes conjuntos de datos ".
Examinemos cuán compleja ha sido la tarea: el algoritmo tiene una capacidad que se conoce como capacidad de autoajuste, con la ayuda de la cual deriva o extrae ideas o valores de datos sin procesar como la edad o el sexo, y después de eso, puede crear modelos de datos predictivos. El algoritmo utiliza funciones matemáticas complejas y una teoría de probabilidad conocida como cópula gaussiana. Por lo tanto, es fácil comprender el grado de complejidad que el algoritmo puede manejar. La técnica también ha ganado premios en concursos.
El aprendizaje automático podría reemplazar los trabajos
Se está discutiendo en todo el mundo que el aprendizaje automático puede reemplazar muchos trabajos porque realiza tareas con la eficiencia de un cerebro humano. De hecho, existe cierta preocupación de que el aprendizaje automático reemplace a los científicos de datos, y parece haber una base para tales aprehensiones.
Para los usuarios comunes que no tienen las habilidades de análisis de datos pero que aún necesitan análisis en su vida cotidiana en diversos grados, no es factible tener computadoras que sean capaces de analizar grandes volúmenes de datos y ofrecer análisis. Pero las tecnologías de procesamiento del lenguaje natural (PNL) pueden superar esta limitación al enseñar a las computadoras a aceptar y procesar el lenguaje natural hablado de los humanos. De esa forma, el usuario común no necesita capacidades o habilidades analíticas sofisticadas.
IBM cree que la necesidad de científicos de datos puede minimizarse o eliminarse con su plataforma de análisis de lenguaje natural Watson. Según su vicepresidente de Watson Analytics y Business Intelligence, Marc Atschuller, “Con un sistema cognitivo como Watson que acaba de llegar a su pregunta - o si usted no tiene una pregunta que acaba de cargar los datos y Watson puede mirarlo e inferir lo que tal vez quieras saber ".
Conclusión
La automatización es el siguiente paso lógico para el aprendizaje automático y ya hemos estado experimentando los efectos en nuestra vida cotidiana: en sitios web de comercio electrónico, sugerencias de amigos, recomendaciones de redes de LinkedIn y clasificaciones de búsqueda de Airbnb. Teniendo en cuenta los ejemplos dados, sin duda se puede confiar en la calidad de la producción producida por los sistemas automatizados de aprendizaje automático. A pesar de sus cualidades y beneficios, la idea de aprendizaje automático que causa un enorme desempleo puede parecer un poco de una reacción exagerada. Las máquinas han estado reemplazando a los seres humanos en muchas áreas de nuestras vidas durante varias décadas y, sin embargo, los seres humanos han evolucionado y se han adaptado para seguir siendo relevantes en la industria. Dependiendo de la perspectiva, el aprendizaje automático, a pesar de su disrupción, es solo otra ola a la que las personas se adaptarán.