Por Carlos Martínez de Ibarreta Zorita

Profesor de Métodos Cuantitativos, Universidad Pontificia Comillas.

Pincha aquí para ver el vídeo sobre este post

En este video, Carlos Martínez de Ibarreta, del Departamento de Métodos Cuantitativos de la Facultad de Ciencias Económicas y Empresariales de ICADE Comillas, nos ofrece una introducción clara y concisa sobre los conceptos de Inteligencia Artificial (IA), Machine Learning (ML) y Big Data.

Inteligencia Artificial en la Vida Cotidiana
La IA ya está integrada en nuestra vida diaria de formas casi imperceptibles. Un ejemplo común son las recomendaciones de series en plataformas de streaming, las cuales se basan en modelos de ML que analizan tu historial y preferencias. Las empresas de telefonía móvil utilizan modelos de ML para identificar clientes con alta probabilidad de cambiarse a la competencia y ejecutar políticas de retención. Además, cuando realizas compras en línea, los modelos de prevención de fraude analizan tus transacciones para detectar actividades sospechosas sin supervisión humana. El ML también se utiliza en el deporte, donde los equipos de fútbol de primera y segunda división emplean análisis de datos y modelos avanzados para optimizar estrategias de juego y prevenir lesiones. Un ejemplo sencillo es el mapa de calor, que muestra la posición de un jugador en el campo.

Impacto de Grandes Modelos de Lenguaje
Los grandes modelos de lenguaje, como ChatGPT, han revolucionado la interacción humano-máquina, permitiendo conversaciones que simulan la interacción humana mediante la predicción de la siguiente palabra más probable en una secuencia de texto. Además, la IA ha incursionado en el arte, creando cuadros y composiciones musicales que desafían nuestra percepción de la creatividad humana.

Era del Big Data
La aceptación y omnipresencia de la IA se deben en parte a la masiva generación y disponibilidad de datos en la era digital, conocida como la era del Big Data. Cada minuto, millones de mensajes y transacciones en redes sociales generan vastas cantidades de información que alimentan estos modelos. Nuestra actividad diaria contribuye a una enorme base de datos, formando la llamada huella digital. El Big Data se caracteriza por las 3 “V”: volumen, velocidad y variedad. La variedad se refiere a que todo puede ser un dato; desde los datos tabulares numéricos, llamados datos estructurados, a la información procedente de textos, audios, fotografías, vídeos, que constituyen los datos no estructurados, que ahora sí son materia prima para los modelos de análisis.

Diferencias entre IA, ML y Big Data
La IA es el término más amplio, definido como cualquier técnica que permite a las máquinas resolver problemas como los humanos. Dentro de la IA, el campo que más se ha desarrollado en los últimos años es el ML, que permite a los ordenadores aprender de ejemplos sin programación explícita. Dentro del ML, las redes neuronales artificiales son los algoritmos más avanzados, inspirados en el cerebro humano. El Deep Learning, un subconjunto del ML, utiliza redes neuronales profundas para procesar datos mediante representaciones jerárquicas, y ha revolucionado el campo en los últimos diez años. La IA generativa, una rama del Deep Learning, crea información nueva y original, como textos, imágenes o sonidos, aprendiendo de datos existentes. El Big Data es transversal a todos estos modelos, constituyendo la materia prima necesaria para entrenarlos y obtener resultados espectaculares.

¿Cómo aprenden las máquines? Diferencias entre el enfoque de programación tradicional y el del Machine Learning
En la programación tradicional, se daban instrucciones específicas a los ordenadores para clasificar datos. En el ML, se proporcionan datos para que la máquina aprenda las reglas de clasificación por sí misma, mediante algoritmos de prueba y error y con un cierto grado de probabilidad en los resultados.
En ejemplos sencillos, como identificar un suspenso, o más complejos, como predecir si alguien hace deporte, el ML permite a las máquinas aprender de conjuntos de datos. Incluso en tareas desafiantes, como distinguir si un comentario en redes sociales es irónico, el ML puede lograr resultados sorprendentes.