Fortune Business Insights estima que la oportunidad de mercado potencial para el aprendizaje automático es de 26,000 millones de dólares, con tasas de crecimiento anual compuesto de 36% hasta 2030.

¿Qué es el aprendizaje automático? Un campo de la inteligencia artificial que proporciona a los sistemas la capacidad de aprender y mejorar a partir de la experiencia sin estar programados explícitamente. 

Se trata de computadoras y programas que pueden programarse para funcionar con una mínima intervención humana y, en algunos casos, pueden aprender y/o actualizarse por sí mismos.

Esencialmente, se centra en el desarrollo de algoritmos y modelos que permiten a las computadoras procesar grandes cantidades de datos, derivar patrones a partir de estos datos y luego tomar decisiones o predicciones basadas en ellos.

En otras palabras, este tipo de inteligencia artificial permite realizar tareas específicas sin ser programadas explícitamente para ello.

Así pues, encuentra relaciones entre variables y resultados, y descubre interacciones entre múltiples variables.

Aprendizaje automático 

¿Cuánto valor potencial anual podrían generar las aplicaciones de aprendizaje automático con computadoras cuánticas totalmente tolerantes a fallas? Según predicciones de Boston Consulting Group, entre 150,000 millones y 220,000 millones de dólares en todo el mundo para los usuarios finales y proveedores de tecnología para 2050.

El aprendizaje automático tiene tres subcampos principales: aprendizaje supervisado, no supervisado y por refuerzo. 

Supervisado

Los datos etiquetados se utilizan para aprender características predictivas importantes para alguna variable de respuesta. 

En esta variante, los modelos se entrenan utilizando datos etiquetados, es decir, datos que tienen una entrada y una salida conocida. 

El modelo aprende a hacer predicciones o tomar decisiones basadas en ejemplos de entrenamiento. 

Un ejemplo: la predicción del precio de una casa según sus características.

No supervisado 

Aquí no hay etiquetas, sino que se utilizan características (o rasgos) observadas de entidades para agruparlas en grupos. 

El objetivo es descubrir patrones o estructuras subyacentes en los datos. 

A manera de ejemplo, esto se utiliza en aplicaciones como la segmentación de clientes.

Por refuerzo

En el aprendizaje por refuerzo, los modelos aprenden a tomar decisiones secuenciales interactuando con un entorno y recibiendo retroalimentación en forma de recompensas o castigos. 

Por ejemplo se usa en aplicaciones como los juegos de estrategia y la optimización de procesos.