Según la Wikipedia el machine learning o aprendizaje automático es una rama de la inteligencia artificial, cuyo objetivo es desarrollar técnicas que permitan que los ordenadores aprendan. Puede que a alguno le sorprenda leer que machine learning ya es parte de nuestro día a día, pero últimamente las máquinas se lo han tomado en serio y se están embebiendo en las herramientas que utilizamos en nuestro día a día. En muchos casos sin que nos demos cuenta.
Por ejemplo, cuando he comenzado a escribir la definición de machine learning, el editor de textos con el que escribo este artículo me ha propuesto lo siguiente:
Es decir, ha clasificado automáticamente el texto que he introducido como académico y me ha ofrecido ayuda con la bibliografía. Es solo un ejemplo. Hay muchos otros, como la corrección avanzada de textos, la traducción, sugerencias de diseño en presentaciones, propuesta de gráficos en hojas de cálculo e incluso el análisis automático de los datos para encontrar información relevante o insights.
Aprendizaje automático que nos facilita la vida
Todas estas funciones que nos ayudan en nuestro día a día se basan en algoritmos que aprenden a partir de la forma de escribir, presentar o calcular de millones de personas. Esta comunidad global contribuye, sin saberlo, a la mejora de dichas herramientas.
Los principales actores en el mercado de herramientas de productividad son Microsoft y Google. Ambos están incluyendo estas nuevas funciones en sus productos y servicios para hacerlos más potentes y sencillos. También proporcionan servicios de computación en la nube. En ellos podéis encontrar múltiples casos de uso de machine learning: desde aquellos servicios que utilizan datos y modelos prefabricados, que se pueden invocar sobre nuestros datos (análisis de textos, imágenes, video…) hasta capacidades avanzadas para que construyamos modelos propios a partir de nuestros datos.
Pero hay una diferencia importante en el modo en que ambos fabricantes ponen a disposición de los usuarios finales estas capacidades. Microsoft las incluye en Office 365 como una licencia de su módulo de automatización (Power Automate). Así, cualquier usuario no técnico puede utilizar estas posibilidades, ya sea invocando modelos prefabricados o construyendo los suyos propios. Google, por su parte, incluye estas capacidades en su oferta de servicios cloud, y son necesarios conocimientos técnicos para poder aprovechar estas funciones desde una hoja de cálculo o un documento.
Dos aproximaciones distintas al análisis del sentimiento
He querido comparar cómo es la experiencia con cada uno de estos fabricantes. Para ello he elegido el análisis del sentimiento de una lista de comentarios en Twitter. En concreto, he utilizado algunas de las reacciones a un tweet del Ministerio de Sanidad. Lo he recogido en una hoja de cálculo, a la que aplicaré un modelo prefabricado que identifica si el comentario es positivo, negativo o neutro. Como muestra, incluyo alguno de los comentarios empleados:
En primer lugar, utilizaré Power Automate de Microsoft para analizar el sentimiento que expresan dichos comentarios. En esta herramienta, Microsoft ha incluido, todavía en beta, un módulo llamado AI Builder, que permite invocar modelos prefabricados de análisis de texto e imágenes, además de facilitar la construcción de modelos a partir de nuestros propios datos. Y todo ello sin necesidad de conocimientos expertos. A continuación, podéis ver el flujo que he creado para mi pequeño experimento:
Este flujo se activa manualmente, recorre la lista de comentarios en un fichero Excel, analiza el sentimiento de cada uno, escribe el resultado en el propio fichero y me manda un mensaje a través de Teams cuando ha terminado.
Para hacer lo mismo con Google necesito tener una cuenta de sus servicios de cloud (Google Cloud Platform), e invocar una función de análisis de sentimiento que forma parte de sus modelos prefabricados. Lo haré desde un script que se ejecutará desde una hoja de cálculo en Spreadsheets (G-Suite). En este caso se requieren conocimientos de JavaScript, aunque una vez desarrollado el script se elimina esta complejidad y lo podrían utilizar usuarios no técnicos.
El código es sencillo, básicamente hace una petición a un web service, analiza la respuesta y escribe en la hoja de cálculo el resultado.
Os muestro un ejemplo del análisis que realizan las funciones que proporciona Google:
Por último, éste es el resultado obtenido con ambos métodos:
En el caso de Google el resultado es un número entre -1 (muy negativo), 0 (neutro) y 1 (muy positivo).
En resumen, se trata de dos aproximaciones diferentes al mismo problema que muestran que machine learning ya es parte de nuestro día a día, bien con modelos prefabricados o adaptados a los datos de nuestros negocios. Juzgad vosotros mismos.
Imagen: Mike MacKenzie
Soluciones y Sectores
Te puede interesar
-
5G en logística: aplicaciones y beneficios
5G en el sector logístico resulta un gran aliado para acelerar la transformación de las empresas del sector. Ya ...
-
NB-IoT, una tecnología madura más allá del sector del agua
El pasado 11 de marzo Canal de Isabel II celebró, junto a los principales operadores de telecomunicaciones -Telefónica entre ...
-
Digitalización de la tienda física, el futuro del retail
Ya hay tiendas físicas con probadores virtuales, cajas de autopago, perchas que reflejan el número de likes que esas prendas ...
