En lugar de escribir reglas para cada situación, le muestras ejemplos a una computadora y dejas que encuentre patrones. Eso es aprendizaje automático: algoritmos que aprenden de los datos para hacer predicciones. Un filtro de spam aprende de millones de correos electrónicos etiquetados. Un motor de recomendaciones aprende de lo que viste y lo que omitiste.

El aprendizaje automático tiene tres paradigmas principales. El aprendizaje supervisado utiliza datos etiquetados. El aprendizaje no supervisado encuentra estructura en datos sin etiquetar. El aprendizaje por refuerzo entrena agentes mediante recompensas y penalizaciones. El aprendizaje profundo utiliza redes neuronales con múltiples capas para procesar imágenes, voz y texto.

Aplicaciones comunes

• Reconocimiento de imágenes: rostros, objetos, exploraciones médicas
• Lenguaje natural: traducción, chatbots, análisis de sentimientos
• Recomendación: productos, películas, música
• Detección de fraude: tarjetas de crédito, reclamaciones de seguros
• Sistemas autónomos: coches, drones, robots

El aprendizaje automático es potente, pero imperfecto. Los modelos pueden ser sesgados, frágiles y difíciles de interpretar. Requieren grandes cantidades de datos limpios. Fallan de maneras que los humanos consideran obvias. El campo avanza rápidamente, pero no se establecen las medidas de seguridad necesarias.