¿Qué es Machine Learning?
Machine Learning o Aprendizaje Automático es uno de los campos más nombrados de la Inteligencia Artificial. Su objetivo es que los sistemas aprendan basándose en datos sin necesidad de una intervención humana explícita.
Este aprendizaje consiste en que los ordenadores o máquinas puedan identificar patrones complejos en grandes cantidades de datos, de los que aprenden mediante algoritmos de manera autónoma. Esto les permite generar predicciones bastante exactas y en base a diversos parámetros. También posibilita que ciertas tareas se automaticen, lo que conlleva un ahorro de tiempo y reduce la participación humana.
Algunos de los ejemplos más típicos de Machine Learning son las recomendaciones que hacen al usuario plataformas como Spotify o Amazon o los asistentes virtuales como Siri, aunque sus oportunidades de aplicación son mucho más extensas.
¿Qué es Internet of Things?
Internet de las Cosas se refiere a la interconexión e interacción de diversos objetos físicos a través de Internet. Su objetivo es hacer nuestra vida más sencilla, relegando tareas cotidianas a los mismos. Gracias a sus sensores, nos ofrecen valiosos datos, tanto a nivel personal como empresarial.
Cada vez son más los objetos que forman parte de este fenómeno, que incluye desde los famosos wearables hasta modelos de gestión del tráfico, pasando por frigoríficos inteligentes o dispositivos para el cuidado de las plantas.
¿Cómo se aplica Machine Learning a Internet of Things?
Sectores de todo tipo se están sumando a la implementación de sistemas de IoT, puesto que consideran que esto les permitirá ser más eficientes, ofrecer mejores productos y servicios y, por tanto, conseguir un mayor retorno de la inversión. Sin embargo, no todas las empresas están explotando al máximo el potencial de esta tecnología.
De la mano de los dispositivos de IoT vienen cantidades inmensas de datos que son recogidos de manera continua. El simple uso de Internet of Things, en este sentido, puede resultar contraproducente: si no existe una correcta propuesta de almacenamiento, gestión, análisis y procesamiento, lo que se generan son datos sin utilidad y que ocuparían un valioso espacio de almacenamiento en los servidores, transformándose en ruido.
De este modo, para alcanzar objetivos específicos, “no podemos entender IoT sin Machine Learning” (además de Inteligencia Artificial y Big Data), como explicaba en una conferencia el Global Projects & Tools Manager de Telefónica Global IoT, Javier Lago
Aquí entra en juego la aplicación de Machine Learning a las distintas soluciones de IoT, una combinación que trae consigo numerosas oportunidades.
Como siempre, la domótica y las smart cities son los ejemplos más representativos y en ellos el papel del Machine Learning es esencial. Las horas en las que se enciende automáticamente una calefacción, el alumbrado o incluso la predicción de alimentos que necesitarás que hace el famoso frigorífico inteligente está basada en el aprendizaje automático y continuo en base a la experiencia recibida por los sensores.
Otro uso pasa por su aplicación en oficinas, que en lo que al espacio se refiere (iluminación, uso de dispositivos, etc.) es muy similar a la domótica, pero que van más allá al introducir el Machine Learning en las redes corporativas. Esto facilita, por ejemplo, la detección de fraudes y conlleva una mejor productividad en la empresa.
Con el negocio en auge de los vehículos de alquiler de todo tipo, la introducción de sensores en los mismos es de extrema utilidad para conseguir que estén interconectados y recopilar todos los datos necesarios para su buen aprovechamiento. Se podrán generar predicciones para que la empresa o el usuario actúe en base a datos como la velocidad, la ruta o el tráfico, tal como ocurría con los coches conectados. Sin embargo, en este caso supone un extra de seguridad, ya que en todo momento se puede localizar cada uno de los vehículos.
En definitiva, el Machine Learning termina por estar presente en la mayoría de aplicaciones de Internet of Things que conocemos: coches autónomos, wearables, medicina personalizada, marketing digital, asistentes de voz, reconocimiento facial… Con esta poderosa combinación, las posibilidades son extensas y los resultados muy satisfactorios.
Los dispositivos de IoT, a medida que funcionan, van generando y recopilando datos a través de sus sensores y los envían a la nube, que es donde funciona el Machine Learning y que “está pasando de ser un lugar donde los datos se almacenan a un sitio donde son interpretados y entendidos a través de Machine Learning”. Es entonces cuando los datos son recibidos y el Machine Learning puede entrar en acción y darles valor. Se encarga de clasificarlos y procesarlos para generar insights útiles y obtener predicciones para actuar en consecuencia. Así, la información obtenida y las decisiones tomadas deben llegar de nuevo al dispositivo de IoT (o a otros, posible gracias a la interconexión de los mismos que caracteriza el Internet de las Cosas). Esto es especialmente importante si se requieren respuestas inmediatas, por ejemplo, con los vehículos sin conductor.
Por lo tanto, si bien con estos datos obtenidos de IoT existe la posibilidad de aplicar un análisis de datos tradicional, la gran escala en la que se suelen ubicar hace que Machine Learning sea prácticamente imprescindible por su capacidad de identificar múltiples correlaciones y de analizar los datos cambiantes e incluso factores externos.
Esta combinación también implica beneficios para los algoritmos de Machine Learning. Como aprenden y evolucionan constantemente, encuentran una oportunidad de mejora y crecimiento en las grandes cantidades de datos generadas por los objetos conectados a Internet. De este modo, sus decisiones y predicciones serán cada vez más fiables.
Por lo tanto, Machine Learning es clave para que las aplicaciones de IoT sean realmente “smart” y aporten valor. Aunque pueden funcionar por separado, la mayor virtud de ambos se encuentra en su unión, que probablemente marcará la evolución de las próximas soluciones de IoT.
