5 ejemplos de aprendizaje automático que debes conocer

Paul Matthews, freelance tech writer, writes about examples of aprendizaje automático across the the salud, entertainment, marketing and education industries. 

Desde el desarrollo de frontales hasta el sector de la automoción, las aplicaciones de aprendizaje automáticog for business purposes is bigger than ever. Examples of machine learning in the real world include recommendation engines, object detection, natural language processing, and more. Let’s analyse five interesting examples of how ML is being used to deliver better online experiences and advance salud and education.

1. Música: Spotify y Soundcloud 

 Compañías como Universal, Sony y EMI han pasado por una digitalización masiva en los últimos 10 años, evolucionando de "vender un cierto número de discos" a "transmitir ese disco durante 'n' número de veces". La monetización mediante anuncios a través de reproducciones en portales como Youtube, Spotify y Soundcloud es algo buscado. ¿Cómo pueden estas plataformas atraer constantemente tráfico y oídos hacia sus lanzamientos en un mercado musical tan ruidoso? Atrayendo automáticamente a más y más usuarios, con herramientas de Machine Learning. ¿Cuántas veces has visto (o mejor, escuchado) una pista al azar en tu mezcla diaria aconsejada como "algo basado en tus gustos"? La respuesta a esta misma cuestión es una aplicación relativamente sencilla que combina

1. la estructura real de la canción, y
2. el hecho de que los usuarios hayan reproducido su canción elegida antes o después de la recomendada.

Tanto Spotify como Soundcloud utilizan el algoritmo ML para entender y analizar las elecciones del usuario y tomar una decisión basada en la información que han recopilado.

2. PathAi: Diagnóstico rápido con Tensorflow 

PathAi es principalmente una aplicación basada en Tensorflow que ayuda a acelerar el diagnóstico asociando los síntomas y otras variables del entorno (demográficas, de ubicación y demás). El mayor argumento de venta de PathAi es el hecho de que no sólo puede lanzarse en una arquitectura completamente basada en la nube, sino que también es extremadamente delgado, en comparación con otras voluminosas piezas de software en el sector de la salud, que, a veces, requieren hardware ad-hoc. PathAi está definitivamente preparada para convertirse en algo muy grande en un futuro próximo, dada su reciente ola de inversión que ascendió a más de $11 millones. 

Es bastante difícil catalogar a cualquier startup médica relacionada con el ML o la tecnología como un futuro "estándar de la industria" pero, por ahora, podemos decir con seguridad que PathAi está sentando las bases en lo que respecta al futuro de la salud y la tecnología. 

3. Concerto: Ciencia de datos médicos mediante ML 

Con Concerto, seguimos analizando el sector sanitario y sus aplicaciones basadas en el aprendizaje automático. Cuando se desarrolló Concerto, sus creadores tenían una idea clara: construir algo que pudiera ayudar a oncólogos, cirujanos y médicos en general a entender los síntomas, procesando automáticamente bases de datos voluminosas y a veces confusas en una fracción de segundo. Concerto es, de hecho, la primera herramienta de ciencia de datos con fines médicos. Construido en Nueva York por un equipo de antiguos científicos de datos, Concerto ha sido un refrescante aroma de tecnología en un mundo médico que, en términos de procesamiento de datos, sigue dependiendo del papel y de la lenta comunicación entre profesionales, lo que hace que, a veces, el desarrollo de cualquier tipo de procedimiento sea lento y estresante. Concerto es un ejemplo contundente y tangible de cómo la ciencia de los datos se aplica a infraestructuras y arquitecturas para construir procesos y no para meros objetivos de marketing y anuncios de retargeting. Concerto está llamado a convertirse en la base de datos más utilizada en 2025, al menos en los Estados Unidos. 

4. Personalización de la web: Lo que le gusta, cuando lo quiere 

Ah, machine learning and marketing. If this isn’t the biggest combination of the decade, then there isn’t another one. With web personalization, we refer to the usage of a number of programming languages (mainly Python and Javascript) to optimise a catalogue, a product listing, or a piece of content on a web page/application. The personalization process is divided into 3 main sections, acquisition, processing and build. 

-El adquisición se refiere a la recopilación de datos que se realiza cuando un usuario entra en una página (principalmente a través de las cookies, por tanto), responde a una encuesta por correo electrónico o escribe cualquier cosa en el cuadro de búsqueda de la página. Esta parte debe aclararse al usuario a raíz de la última sentencia del GDPR. 

-El procesamiento parte está relacionada con el uso de librerías Python que, de hecho, procesan los comportamientos de los usuarios, creando puntos de datos en un entorno de lago de datos interno, que se convierten efectivamente en directrices para las herramientas Javascript que están renderizando estos datos en contenidos personalizados. 

-El construir es el que se produce cuando la citada herramienta de Javascript optimiza la página. Si, por ejemplo, las directrices de esos puntos de datos dicen que el usuario x, al que le gustan los zapatos rojos, está navegando en ese momento por la sección de calzado, la aplicación basada en JS moverá esos resultados hacia arriba, aumentando, por tanto, la tasa de conversión del sitio. Muy sencillo, pero muy eficaz. 

Varias marcas, como Zara, Primark, Boohoo y ASOS, utilizan la personalización. 

5. La educación en su conjunto 

Hay decenas de startups relacionadas con la educación que están construyendo herramientas basadas en el aprendizaje automático para mejorar este sector educativo. Cuál es su objetivo? Estos son algunos ejemplos de usos del aprendizaje automático en la educación: 

- Resolución de problemas y obtención de datos precisos con facilidad. Imagina tener un profesor que pueda acceder a problemas complicados en cuestión de segundos, para luego explicarlos de la forma más sencilla después de que el software los haya reducido, según el nivel del público. 

- Creación automática de tareas y exámenes en función del tema, su nivel de dificultad y mucho más. Un ahorro de vida para un profesor, ¿verdad? Un algoritmo de ML para esto podría ser entrenado para poner un papel de examen con el nivel de dificultad requerido y también podría tener las soluciones calculadas automáticamente. 

- El análisis y la predicción del progreso de la clase, mediante el análisis de la tasa de éxito de los exámenes y ensayos, ayudará a los profesores a evaluarse a sí mismos también

Conclusión:

Los ejemplos de aprendizaje automático en el mundo actual son infinitos. Es fácil entender por qué el futuro del ML es tan brillante, tanto desde la perspectiva de las empresas como de los usuarios. El futuro está, efectivamente, automatizado.

Necesidad de consultar a un experiencia en aprendizaje automáticot? Contrata a científicos autónomos en Kolabtree. Es gratis publicar tu proyecto y empezar. 

Paul Matthews es un escritor de negocios y tecnología con sede en Manchester que escribe para
informar mejor a los empresarios sobre cómo llevar un negocio con éxito. Actualmente está
consultando al mayor equipo de desarrolladores de aplicaciones en Manchester.