El Machine learning (ML) es una rama de la inteligencia artificial basada en la idea de que los sistemas pueden aprender de datos, identificar patrones y tomar decisiones con mínima intervención humana. Sin embargo, esa “mínima” intervención requiere una especialización profunda para los ingenieros IT encargados de diseñar e implementar los sistemas. Esto los ha transformado en uno de los roles más demandados por las empresas en la actualidad.
Los ingenieros de Machine Learning diseñan algoritmos que encuentran patrones naturales en los datos, contribuyen a tomar mejores decisiones y a realizar mejores predicciones. En esto tienen muchas similitudes con los científicos de datos, ya que su rol principal es darle valor a los grandes volúmenes de información que las organizaciones poseen hoy en día.
Aquí entra en juego un término clave: Analítica predictiva, que es el uso de datos, algoritmos estadísticos y técnicas de machine learning para identificar la probabilidad de resultados futuros basados en datos históricos, como señala SAS en su página web. “El objetivo es llegar más allá de saber lo que ha sucedido para proveer la mejor evaluación de lo que sucederá en el futuro”.
El ML se utiliza a diario para hacer diagnósticos médicos, conocer las fluctuaciones del mercado bursátil y prever cargas energéticas para determinadas poblaciones, en lo que representa las primeras aproximaciones de una tecnología que promete estar en todos lados en algunos años.
Diversos sabores
Aunque los tipos de Machine Learning utilizados hoy en día son vastos, podrían principalmente clasificarse en tres grandes categorías, de acuerdo con la información del blog Adtext: “aprendizaje supervisado, que depende de datos previamente etiquetados por seres humanos y se utiliza para reconocimiento de voz, escritura y para detectar correo spam; la segunda es el aprendizaje no supervisado, que trabaja con una cantidad enorme de datos y aprende a reconocer elementos complejos, como imágenes, y se utiliza también para detectar lenguaje natural; y en tercer lugar está el aprendizaje por refuerzo, que opera en procesos de ensayo y error ante diversas situaciones, mediante la asociación de patrones de éxito que se repiten hasta ser perfeccionados, y se usa en la navegación de vehículos automáticos y desarrollo de robots entre otras aplicaciones”.
Al observar la oferta de instituciones académicas para aprender ML se encuentra una variedad muy amplia de temas, enfoques y universidades. Por mencionar solo dos opciones, en el track de ML del programa de la maestría en ciencias de cómputo de Columbia University campus Nueva York hay que cubrir materias como Procesamiento de lenguaje natural, Aspectos computacionales de la robótica, Algoritmos para ciencia de datos, Deep Learning y redes neurales, Modelos bayesianos de ML, entre muchas otras.
En Coursera hay diferentes programas con enfoques tan especializados como se desee. Por ejemplo, el curso Algorithmic Toolbox de la Universidad de California en San Diego – que forma parte del Programa especializado “Estructuras de datos y algoritmos” – está catalogado con un nivel intermedio y el participante aprende técnicas esenciales de algoritmos, diseño eficiente de estos para implementar soluciones eficientes.
Mercado en crecimiento
La firma Research and Markets estima que para el 2023, el mercado de ML alcance un valor de $23,500 millones de dólares. A esto se suma que hoy en día la demanda de ingenieros de ML excede la oferta de este tipo de especialistas por mucho, de acuerdo al sitio especializado PayScale. La evolución obvia de este escenario es que cada vez más empresas requerirán de este tipo de profesionista, y transformarse en uno o asegurar a los que ya se tengan en la organización (o estén dispuestos a adquirir estas habilidades) será fundamental para los departamentos de Sistemas en los próximos años.
La capacitación en la materia va desde maestrías en ciencias de datos hasta capacitación específica en sitios como el portal educativo Udacity, que ofrece el programa Machine Learning Nanodegree.
Este último ofrece desarrollar habilidades que permitirán a los ingenieros crear modelos ML aplicables a entornos productivos que sean capaces de ajustarse a métricas de desempeño. Por otro lado, el portal Udemy ofrece capacitación en Python. Este lenguaje de programación en scripts es muy utilizado en técnicas de ML.
Pero contar con un ingeniero en ML no será tarea fácil. De acuerdo con el reporte de empleos de ZDnet y Techrepublic, las grandes compañías tecnológicas están prácticamente cazando a estos profesionistas apenas egresan de las universidades.
¿Quién requiere un ingeniero ML?
De acuerdo con Gartner elementos de AI como ML, entendimiento y procesamiento de lenguaje natural pueden ayudar a las empresas a mejorar la experiencia de sus clientes en las interacciones comerciales que realizan, porque reducirán el tiempo de respuesta en la atención.
La labor de un ingeniero en ML puede aprovecharse en diversas industrias y para múltiples fines. Algunos de ellos son: atención al cliente, automatización de finanzas y contabilidad, detección de fraudes, diagnósticos clínicos, manejo de vehículos autónomos, para optimizar el uso de energía de sistemas de calefacción, ventilación y aire acondicionado en edificios, obtener recomendaciones para dirigir eCommerce, reconocimiento facial en lugares muy concurridos, entre muchos otros.
