7 aplicaciones del Machine Learning en la vida cotidiana de las que pocos son conscientes

El machine learning dota a los ordenadores de un aprendizaje automático sin necesidad de que sean programados de forma continuada y por eso, quizás, esta técnica ha tomado mayor protagonismo en los últimos años. En un periodo muy corto de tiempo los algoritmos de machine learning han evolucionado para que el big data obtenga mejores resultados y resuelva problemas de manera más eficiente.

Según cifras estimadas por Accenture, la aplicación de machine learning aumentará la productividad de las empresas en más de un 40% para el año 2035. De hecho, actualmente más del 60% de los CEOs españoles ya están utilizando IA en sus procesos de automatización y el 25% de las empresas invierten hasta 44 millones de euros en modificar y reorientar sus modelos de negocio a los algoritmos.

Pero aunque parezca que hablamos de tecnología del futuro, lo cierto es que forma parte de la actualidad de toda la población. Por eso, desde Ironhack han recopilado 7 ejemplos que ponen en evidencia el uso del machine learning en la vida cotidiana:

1. Detección de rostro: Para desbloquear el móvil o para usar filtros de redes sociales, la primera vez que se aplicó de esta manera fue a finales del s. XIX para identificar el rostro de criminales y sustituir el método de las huellas dactilares.
2. Reconocimiento de voz: este es uno de los mejores ejemplos, los asistentes virtuales están a la orden del día y terminan conociendo todos los patrones del usuario (patrones de sueño, mensajes, calendario, recordatorios…).
3. Gmail: al filtrar los correos como malware, el sistema automáticamente acaba entendiendo y aprendiendo cuáles son los mensajes “no deseados”.
4. Marketing personalizado: el ML interpreta cuándo el usuario usa internet, cómo hace uso de sus redes sociales, con qué páginas interacciona más y así, basándose en sus patrones de conducta, se aumenta la productividad de las campañas.
5. Google Maps para el tráfico: se muestran las rutas más seguras y eficientes fijándose en los patrones de tráfico y de movilidad recopilados a lo largo del tiempo y combinándolo con condiciones de tráfico en vivo.
6. Coches autonómos: estos automóviles disminuyen la cantidad de incidencias de tráfico e incluso el número de accidentes.
7. Diagnósticos médicos: al procesar tal cantidad de información se pueden detectar patologías con mayor rapidez y menor margen de error de lo que lo haría un ser humano.