Secciones

El aprendizaje automático

Copiar URL

El aprendizaje automático es la técnica que consiste en entrenar a una computadora para que encuentre patrones, realice predicciones y aprenda de la experiencia sin una programación explícita.

El aprendizaje automático (ML) es una subcategoría de la inteligencia artificial (IA) que utiliza algoritmos para identificar patrones y hacer predicciones dentro de un conjunto de datos, el cual puede incluir números, textos y hasta fotografías. En las condiciones ideales, el aprendizaje automático nos permite interpretar los datos con mayor rapidez y precisión de la que tendríamos sin la ayuda de las máquinas.

La inteligencia artificial surge cuando los humanos crean inteligencia similar a la humana de manera sintética dentro de una máquina. El aprendizaje automático implica programar las máquinas para que imiten funciones cognitivas específicas propias de los humanos, como la percepción, el aprendizaje y la resolución de problemas.

La manera de lograr que la máquina piense como una persona es entrenándola para que cree su propio modelo predictivo que le permita analizar los datos y, así, adquiera la capacidad de aprendizaje. Para iniciar el proceso, deberá aportar datos a la computadora y elegir un modelo de aprendizaje para darle instrucciones sobre su procesamiento.

Los modelos de aprendizaje automático pueden utilizar los datos para cumplir tres funciones:

  • Describir lo sucedido
  • Predecir lo que sucederá
  • Hacer sugerencias sobre las medidas que se deberían tomar


El modelo de aprendizaje que elija para entrenar la máquina dependerá de la complejidad de la tarea y del resultado que busque obtener. Hay tres estilos de aprendizaje automático:

Aprendizaje supervisado: se utilizan conjuntos de datos etiquetados para entrenar los modelos. Se emplea para tareas como el reconocimiento de imágenes.

Aprendizaje no supervisado: se trata de observar los datos sin etiquetas y encontrar similitudes, patrones y tendencias. Estos modelos se utilizan para tareas como la segmentación de clientes, los sistemas de recomendación y el análisis de datos generales.

Aprendizaje por refuerzo: los modelos se entrenan mediante un proceso de prueba y error dentro de un sistema de recompensas. Se puede utilizar, por ejemplo, para entrenar una computadora con el fin de que participe en un juego donde las acciones derivan en la victoria o la derrota.

Una vez que la computadora se familiarice con la forma en la que debe interpretar los datos (gracias al modelo de aprendizaje y los datos de entrenamiento), podrá hacer predicciones y ejecutar tareas cuando reciba datos nuevos. Poco a poco, sus predicciones serán más precisas a medida que aprenda de los flujos constantes de datos y podrá realizar las tareas de manera más rápida y exacta que las personas.

El aprendizaje automático y la inteligencia artificial se pueden utilizar para mejorar la experiencia de los usuarios, anticipar el comportamiento de los clientes, supervisar sistemas de detección de fraudes e incluso ayudar a los proveedores de atención médica a detectar afecciones que ponen en riesgo la vida. Muchos de nosotros interactuamos con el aprendizaje automático y disfrutamos de sus beneficios todos los días, por ejemplo:

  • Los algoritmos de recomendación en las plataformas de transmisión de video
  • Las líneas de ayuda automática y los chatbots
  • Los anuncios personalizados
  • Los presupuestos automatizados de las instituciones financieras

El aprendizaje profundo es la técnica de aprendizaje automático que posibilita la IA generativa y se utiliza para analizar e interpretar grandes cantidades de datos. Los modelos de lenguaje de gran tamaño (LLM) son un subconjunto de la IA generativa que representan una aplicación fundamental de aprendizaje automático, ya que demuestran la capacidad de comprender y generar lenguaje humano a una escala sin precedentes. 

Hoy en día, el aprendizaje automático es una función esperada en muchas empresas, y hay cada vez más casos prácticos transformadores en los sectores de la salud, los servicios financieros, las telecomunicaciones y el gobierno, entre otros.

IBM y Red Hat trabajaron juntos para crear Ansible® Lightspeed with IBM watsonx Code Assistant, un servicio de IA generativa que permite a los desarrolladores generar contenido de Ansible con mayor eficiencia.

Su equipo puede aprovechar la inteligencia artificial de Red Hat® OpenShift®, como OpenShift Data Science, para diseñar e implementar las aplicaciones de IA y los modelos de aprendizaje automático (ML) de forma transparente y regulada. 

Red Hat OpenShift Data Science es una plataforma que puede entrenar los modelos de IA con sus propios datos, distribuirlos y aplicar en ellos las técnicas de ajuste de instrucciones y perfeccionamiento para sus casos prácticos específicos.

Para las implementaciones de IA de gran tamaño, Red Hat OpenShift ofrece una plataforma de aplicaciones adaptable que es adecuada para las cargas de trabajo de IA, con acceso a los aceleradores de hardware conocidos.

Red Hat también utiliza sus propias herramientas de Red Hat OpenShift AI para mejorar la utilidad de otros sistemas de software open source, como Ansible Lightspeed with IBM watsonx Code Assistant. Esta herramienta permite que los desarrolladores creen contenido de Ansible de forma más eficiente. Lee el texto sencillo que los usuarios escriben en inglés, y luego interactúa con los modelos base watsonx de IBM y genera recomendaciones de código para las tareas de automatización, que luego se utilizarán para crear playbooks de Ansible.

Además, las integraciones de los partners de Red Hat abren paso a un ecosistema de herramientas confiables de IA diseñadas para funcionar en las plataformas open source.

Artículos relacionados

Artículo

¿Qué son los operadores de Red Hat OpenShift?

Red Hat OpenShift Operators automatizan la creación, configuración y gestión de instancias de las aplicaciones desarrolladas específicamente para Kubernetes.

Artículo

¿Por qué elegir Red Hat OpenShift Serverless?

Red Hat OpenShift Serverless amplía Kubernetes para implementar y gestionar las cargas de trabajo sin servidor.

Artículo

¿Por qué conviene elegir Red Hat OpenShift Service Mesh?

Red Hat OpenShift Service Mesh le permite conectar, gestionar y vigilar las aplicaciones basadas en microservicios de manera uniforme.

Más información sobre OpenShift

Productos

Plataforma de aplicaciones empresariales que ofrece servicios probados para lanzar aplicaciones al mercado en la infraestructura que usted escoja.

Almacenamiento definido por software que aloja los datos de forma permanente a medida que los contenedores ajustan su capacidad en todos los entornos.

Plataforma de inteligencia artificial que brinda herramientas para desarrollar, entrenar, entregar y monitorear de manera rápida modelos y aplicaciones habilitadas con inteligencia artificial.

Consola con políticas de seguridad integradas para controlar las aplicaciones y los clústeres de Kubernetes.

Contenido adicional

Ebook

¿Cuál es la diferencia entre Red Hat OpenShift y Kubernetes?

DATASHEET

Red Hat OpenShift Dedicated: descripción del producto

datasheet

Red Hat OpenShift Container Platform: descripción del producto

datasheet

Red Hat OpenShift Kubernetes Engine: descripción del producto

datasheet

Red Hat OpenShift Data Foundation: descripción del producto

Capacitación

Curso de capacitación gratuito

Running Containers with Red Hat Technical Overview

Curso de capacitación gratuito

Developing Cloud-Native Applications with Microservices Architectures

Curso de capacitación gratuito

Containers, Kubernetes and Red Hat OpenShift Technical Overview

Cursos de capacitación certificados

Planes de desarrollo de conocimiento de Red Hat OpenShift