Los extraordinarios avances que se han producido en los últimos 20 años han dado lugar a lo que ya se conoce como la Cuarta Revolución Industrial. La abrumadora fuerza y velocidad de este cambio nos ha hecho reconsiderar no sólo aspectos fundamentales de la sociedad tal y como la conocemos, sino también como la forma en la que se crea el valor.
En particular, la evolución sin precedentes en la generación y el almacenamiento de información está dando lugar a una nueva forma de entender las relaciones, los procesos y los sistemas globales. En la era de los datos, las herramientas capaces de controlarlos están destinadas al éxito. El aprendizaje automatizado o Machine Learning, un subconjunto de la Inteligencia Artificial, es una de ellas. Su uso se está extendiendo tanto que puede encontrarse en casi cualquier sector y los resultados que ofrece son decididamente prometedores, si no ya transformadores.
El Machine Learning se centra en el uso y desarrollo de algoritmos que utilizan datos para imitar la forma en la que los humanos aprenden, mejorando gradualmente su precisión. Arthur Samuel, pionero en este campo, lo definió en los años cincuenta como el ámbito de estudio que brinda a las computadoras la capacidad de aprender sin ser programadas explícitamente. De hecho, los algoritmos en los que se materializa son capaces de aprender y adaptarse, extrayendo inferencias a partir de los datos, sin seguir instrucciones explícitas, es decir, sin estar programados para hacerlo.
A fin de desarrollar un sistema de Machine Learning con éxito, debe partirse de los datos, como sugiere la definición anterior: se elige una tipología de Machine Learning y se recopilan y preparan datos específicos para ser utilizados como base para el entrenamiento. Cuanto mayor sea el conjunto de datos, más eficaz será la preparación. El modelo se entrena a sí mismo en el conjunto proporcionado para encontrar puntos en común y patrones entre los datos o para formular predicciones. Si el resultado es positivo, entonces el modelo puede emplearse en conjuntos de datos reales. Sin embargo, las características propias de la herramienta impiden que los algoritmos de Machine Learning se apliquen por igual en todos los ámbitos y situaciones. Un ámbito especialmente interesante, por la peculiaridad de las leyes por las que se rige, es el de las finanzas.
Carlotta Berto Salmerón, alumna del programa History Dialogues de la Universidad de Princeton, examina en este informe la situación actual de las aplicaciones de Machine Learning en el entorno financiero y explora su potencial, aún no descubierto, a través de la voz de expertos en la materia. Si quieres saber más, en este enlace puedes acceder al informe completo.
