miércoles, 15 de agosto de 2018

Seis habilitadores clave del Machine Learning


Aunque sea ahora cuando haya ganado resonancia e impacto, tanto mediático como real, el Machine Learning no es una disciplina nueva. Algunos de sus algoritmos tienen en realidad varias décadas de antigüedad ya. ¿Qué ha cambiado entonces? ¿Por qué se habla ahora tanto de Machine Learning? ¿Por qué ahora parece ser tan útil y aportar tantas posibilidades? ¿Cuáles son los habilitadores clave del Machine Learning?

En el librito 'Machine Learning for dummies. IBM limited edition' sus autores, Judith Hurwith y Daniel Kirsch, identifican seis factores que pueden explicar la explosión del machine Learning. Son estos:
  • Potencia de los procesadores: la capacidad de computación de los microprocesadores ha aumentado drásticamente en los últimos años lo cual es muy importante para una disciplina, el machine Learning, en que abundan el uso masivo de datos y los algoritmos computacionalmente costosos.

  • Almacenamiento: Igualmente, el coste de almacenamiento y gestión de datos ha disminuido drásticamente. Además, se han producido grandes avances en cuanto a la velocidad de ese almacenamiento y en cuanto a las técnicas de procesamiento de grandes cantidades de datos.

  • Computación distribuida: desarrollo de la capacidad de hacer computación distribuida entre varios nodos o clusters lo que, de nuevo, favorece el hacer cálculos complejos sobre grandes volúmenes de datos.

  • Disponibilidad de datos: disponibilidad comercial de conjuntos de datos sobre los que hacer análisis, en algunos casos disponibles en la nube y por medio de APIs.

  • Software abierto: muchos algoritmos de Machine Learning están disponibles como desarrollos open source a través de comunidades con una amplia base de miembros. Esto hace los desarrollos mucho más sencillos.

  • Visualización: no sólo se han desarrollado los algoritmos y capacidades computacionales sino que también se han desarrollado y disponibilizado herramientas atractivas de visualización que posibilitan el uso de los resultados por no especialistas.

Sin duda, se trata de seis buenas razones que, unidas al valor intrínseco del Machine Learning, a su capacidad de análisis, de obtención de conclusiones y de predecir elementos del futuro, explican su gran auge actual.