El aprendizaje automático ya no es solo para expertos

Si aún no usa el aprendizaje profundo, debería hacerlo. Ese fue el mensaje del legendario ingeniero de Google Jeff Dean al final de su discurso de apertura a principios de este año en una conferencia sobre búsquedas en la web y minería de datos. Dean se refería al rápido aumento de la precisión de los algoritmos de aprendizaje automático, impulsado por los recientes avances en el aprendizaje profundo y al potencial aún sin explotar de estos algoritmos mejorados para cambiar el mundo en el que vivimos y los productos que creamos.

Pero los avances en el aprendizaje profundo no son la única razón por la que este es un gran momento para el aprendizaje automático. Igual de importante es que, en los últimos cinco años, el aprendizaje automático se ha vuelto mucho más accesible para los no expertos, lo que ha abierto el acceso a un enorme grupo de personas.

Para la mayoría de los desarrolladores de software, históricamente ha habido muchas barreras de entrada en el aprendizaje automático, entre las que destacan las bibliotecas de software diseñadas más para los investigadores académicos que para los ingenieros de software, así como la falta de datos suficientes. Sin embargo, con el enorme aumento de los datos que generan y almacenan muchas aplicaciones, el conjunto de empresas con conjuntos de datos a los que se pueden aplicar algoritmos de aprendizaje automático se ha ampliado significativamente.

Al mismo tiempo, en los últimos años se ha producido una proliferación de marcos de aprendizaje automático innovadores y utilizables comercialmente, incluido el exitoso scikit-learn Biblioteca de Python y versiones muy publicitadas de bibliotecas como Tensorflow de Google y CNTK de Microsoft Research. En los últimos dos años, los principales proveedores de servicios en la nube, Amazon Web Services y Google Cloud Services, han lanzado servicios específicos para el aprendizaje automático, tanto plataformas de aprendizaje automático como servicio como máquinas con unidades de procesador de gráficos optimizadas para el trabajo de aprendizaje automático.

El efecto neto de estas nuevas tecnologías es que una persona interesada en utilizar el aprendizaje automático no necesita entender la ciencia de los algoritmos de aprendizaje profundo para poder experimentar con técnicas de vanguardia. Existen tutoriales y códigos públicos para aplicaciones tan diversas como Generación de arte impulsada por la IA, traducción de idiomas, y subtitulación automática de imágenes.

La accesibilidad de este código crea un círculo virtuoso. Su uso por parte de personas no expertas crea una demanda aún mayor de sistemas más fáciles de usar y descubre nuevas aplicaciones del aprendizaje automático, lo que inspira a los expertos a seguir investigando y desarrollando.

Y estas nuevas tecnologías también afectan a quienes trabajan en el aprendizaje automático. A la hora de contratar puestos de aprendizaje automático aplicado, es fundamental contar con habilidades cuantitativas excepcionales, pero la educación directa sobre el aprendizaje automático en sí mismo ha perdido importancia.

En muchos sentidos, este cambio en la accesibilidad imita el progreso que hemos visto en el desarrollo de software en su conjunto. Durante los últimos 50 años, el desarrollo de software ha migrado gradualmente de lenguajes de «bajo nivel» (lenguajes muy técnicos que se relacionan estrechamente con la arquitectura subyacente del ordenador) a lenguajes de alto nivel con barreras de entrada significativamente más bajas. Del mismo modo, el despliegue de software ha pasado de las máquinas y los centros de datos alojados a los servicios basados en la nube, con una reducción masiva del tiempo y el capital necesarios para implementar un nuevo sistema.

Estos cambios no solo han hecho que los desarrolladores de software sean más eficientes, sino que han permitido a un grupo mucho más amplio de personas desarrollar software y crear empresas de software. Los campamentos de software ahora forman a ingenieros en activo en cuestión de meses, y las empresas emergentes pueden convertir las ideas en productos en unos pocos ciclos de desarrollo.

Todo eso no quiere decir, por supuesto, que no haya lugar para los expertos, ya que en la ingeniería de software, aún no se han logrado avances científicos incalculables en el aprendizaje automático. Pero por primera vez en la historia es posible, por ejemplo, que una persona con conocimientos de programación pero sin experiencia en aprendizaje automático cree en una tarde una red neuronal que pueda leer dígitos manuscritos.

Pruébelo para usted.