En la era de la transformación digital, el aprendizaje automático ha emergido como una tecnología clave para redefinir procesos, potenciar innovaciones y abrir nuevas fronteras en la inteligencia artificial. Pero ¿qué es exactamente?, ¿cómo funciona?, y ¿qué impacto tiene en la vida diaria?

Texto: Ana Seoane | Gerard Olivares

Presente en aplicaciones que posibilitan desde el reconocimiento facial en los aeropuertos hasta la mejor comprensión del plegamiento de las proteínas, el machine learning es una rama de la inteligencia artificial que facilita a las máquinas aprender de los datos y realizar predicciones o tareas sin necesidad de ser programadas explícitamente. Gracias a algoritmos capaces de reconocer patrones en grandes volúmenes de información, se pretende entrenar un sistema para que, a través del análisis continuo de datos, logre tomar decisiones o realizar tareas de manera autónoma.

Como resultado, las máquinas pueden identificar tendencias, realizar predicciones y ejecutar acciones cada vez más precisas, optimizando procesos en diversos ámbitos. Desde su conceptualización en los años cincuenta, el machine learning ha evolucionado rápidamente gracias al aumento en la capacidad de procesamiento y el crecimiento exponencial de los datos disponibles.

El poder de los datos

El proceso de machine learning comienza con la recopilación de datos. Estructurados o no, se utilizan para entrenar un modelo algorítmico que, a través de pruebas y ajustes, aprende a interpretar patrones y a hacer predicciones. Existen varios tipos de aprendizaje, que se adecúan a diferentes contextos:

• Aprendizaje supervisado: está basado en datos etiquetados, gracias a los que el algoritmo aprende a predecir resultados a partir de ejemplos previos. Un caso clásico es el filtrado de correos spam: el modelo ordena los emails entrantes según una serie de decisiones o características aprendidas. Este sistema es ideal para clasificar imágenes o predecir ventas futuras.
• Aprendizaje no supervisado: se centra en datos no etiquetados, identificando patrones o agrupaciones. Es utilizado, por ejemplo, para segmentar clientes en campañas de marketing o detectar anomalías en transacciones financieras.
• Aprendizaje semisupervisado: combina datos etiquetados y no etiquetados, optimizando el uso de recursos cuando etiquetar grandes volúmenes de datos es costoso o complejo. Muy valioso en aplicaciones como el análisis médico, donde solo una parte de los datos puede ser clasificada manualmente.
• Aprendizaje por refuerzo: el algoritmo aprende mediante prueba y error, recibiendo recompensas por acciones correctas y penalizaciones por errores. Este método se aplica en robótica, desarrollo de videojuegos y control de sistemas autónomos como drones.

En España, cada vez son más numerosos los proyectos que se benefician del potencial que promete el machine learning en sectores clave como la medicina, la ciencia y la empresa. En el ámbito de la salud, destacan iniciativas como la liderada por el Instituto de Investigación Sanitaria de las Islas Baleares: un proyecto pionero para analizar las causas genéticas del ictus en niños basado en aprendizaje automático y que permite predecir el daño neuronal y desarrollar terapias personalizadas. Según la doctora Iciar Martínez, coordinadora de la Unidad de Genética, el estudio se centrará en menores de muy corta edad, incluso fetos, «para analizar la secuencia genética y predecir el daño neuronal, con técnicas de aprendizaje automático que ayuden a crear pequeños órganos cerebrales a partir de células de pacientes para tratar de encontrar posibles terapias».

También el proyecto IMPaCT (Infraestructura de Medicina de Precisión asociada a la Ciencia y la Tecnología), coordinado por el Instituto de Salud Carlos III, busca consolidar la medicina personalizada en España y se centra en medicina predictiva, ciencia de datos y medicina genómica, utilizando machine learning para analizar grandes volúmenes de datos clínicos y genéticos. El director del programa, Ángel Carracedo, incide en que «el trabajo a corto plazo pretende «ampliar la secuenciación de pacientes, el alcance de los procesos diagnósticos, la mejora de análisis funcionales y el impulso a la integración de datos genómicos en la práctica clínica».

De forma más específica, la startup Sycai Medical trabaja en el desarrollo de un dispositivo médico para detectar de manera temprana el cáncer y las lesiones premalignas en el abdomen a partir de imágenes médicas, sin necesidad de procedimientos invasivos. «Mientras que la mayoría de las aplicaciones de imagen médica se desarrollan para que confirmen un diagnóstico específico, Sycai Medical es la única plataforma que explora las lesiones y patologías, incluso cuando nadie las busca», explica Sara Toledano, CEO y cofundadora de Sycai Medical.

Asimismo, ubicado en el campus de Cantoblanco de la Universidad Autónoma de Madrid, el Centro Nacional de Neurotecnología, diseñado por el científico Rafael Yuste, trabaja en la integración de neurociencias, inteligencia artificial y ética. Entre otros objetivos, aspira a desarrollar herramientas tecnológicas basadas en el cerebro humano para abordar enfermedades como el párkinson y el autismo.

Otra de las iniciativas en este campo es la liderada por la química Noelia Ferruz: el proyecto Athena. Financiado por el Consejo Europeo de Investigación, desarrolla inteligencia artificial pública y explicativa para el diseño de nuevas moléculas, como enzimas que faciliten la creación de fármacos o neutralicen sustancias tóxicas.

A nivel empresarial, España albergará una de las siete primeras fábricas de IA que la Comisión Europea establecerá en la Unión Europea. Ubicada en Barcelona, su objetivo es impulsar la innovación creando un ecosistema europeo para entrenar modelos avanzados y desarrollar soluciones mediante superordenadores de alto rendimiento. También Angels, sociedad de inversión liderada por Juan Roig, planea duplicar su cartera de startups en los próximos tres años y poner el foco en proyectos que integren tecnología transformadora e inteligencia artificial. Entre otras, ha invertido en empresas como FitnessKPI e Inversiva, que aplican machine learning en sus modelos de negocio. Los ejemplos citados son solo algunos de una lista de iniciativas esperanzadoras que no dejan de crecer.

Avanzando hacia el futuro

El aprendizaje automático ofrece una amplia gama de posibilidades, tanto para individuos como para organizaciones. Entre ellas se destacan la optimización de procesos automatizando tareas repetitivas, lo que mejora la eficiencia, reduce errores y permite a los recursos humanos concentrarse en actividades más estratégicas; la toma de decisiones más informada gracias al análisis de grandes volúmenes de datos para identificar oportunidades, anticipar riesgos y adaptar estrategias; la atención personalizada, que mejora la experiencia del cliente a través de recomendaciones y servicios adaptados a sus preferencias; la innovación tecnológica, que impulsa la creación de nuevas soluciones y modelos de negocio para fomentar la competitividad y el crecimiento, y la mejora en seguridad al identificar amenazas y vulnerabilidades con mayor rapidez, minimizando riesgos potenciales en áreas como finanzas y protección de datos.

Desafíos y ética del machine learning

A pesar de sus beneficios, el machine learning se enfrenta a retos técnicos y éticos significativos. La efectividad de los algoritmos depende de la calidad y diversidad de los datos utilizados: si están sesgados pueden conducir a resultados incorrectos o discriminatorios, lo que afecta a la toma de decisiones. 

El uso masivo de datos plantea también preocupaciones sobre la protección de la información personal y la vigilancia. Legislaciones como el Reglamento General de Protección de Datos buscan acotar estas cuestiones con la implicación proactiva de las empresas. En el ámbito laboral, aunque crea nuevas oportunidades, también genera incertidumbre sobre el futuro de determinados empleos, por lo que la transición hacia funciones adaptadas a la era digital será clave. Por otra parte, cuestiones como determinar quién es responsable de las decisiones tomadas por sistemas autónomos como los vehículos inteligentes sigue siendo un debate abierto.

Sin duda, el machine learning está revolucionando la forma de interactuar con la tecnología y resolver problemas, a pesar de que plantea retos éticos y técnicos que deben ser abordados con responsabilidad. A medida que la disciplina siga evolucionando, será crucial fomentar un equilibrio entre innovación y ética garantizando su fiabilidad como herramienta necesaria para el progreso humano. El verdadero potencial de esta tecnología dependerá de cómo se logre integrar en la sociedad de manera justa, segura y eficiente.