Ciencia de datos frente a machine learning: ¿cuál es la diferencia?

Aunque la ciencia de datos y el machine learning están relacionados, son campos muy diferentes. En pocas palabras, la ciencia de datos aporta estructura al big data, mientras que el machine learning se centra en aprender de los propios datos. Esta publicación profundizará en los matices de cada campo.

La ciencia de datos es un campo amplio y multidisciplinar que extrae valor de los enormes conjuntos de datos actuales. Utiliza herramientas avanzadas para analizar datos sin procesar, recopilar un conjunto de datos, procesarlo y desarrollar conocimientos para crear significado. Las áreas que componen el campo de la ciencia de datos incluyen minería, estadística, análisis de datos, modelado de datos, modelado de machine learning y programación.

En última instancia, la ciencia de datos se utiliza para definir nuevos problemas empresariales que las técnicas de machine learning y el análisis estadístico pueden ayudar a resolver. La ciencia de datos resuelve un problema empresarial comprendiendo el problema, conociendo los datos necesarios y analizándolos para ayudar a resolver el problema del mundo real.

El machine learning (ML) es un subconjunto de la inteligencia artificial (IA) que se centra en aprender de lo que se le ocurre a la ciencia de datos. Requiere herramientas de ciencia de datos para limpiar, preparar y analizar primero big data no estructurado. El machine learning puede "aprender" de los datos para crear conocimientos que mejoren el rendimiento o informen las predicciones.

Al igual que los humanos pueden aprender a través de la experiencia en lugar de simplemente seguir instrucciones, las máquinas pueden aprender aplicando herramientas al análisis de datos. El machine learning funciona en un problema conocido con herramientas y técnicas, creando algoritmos que permiten a una máquina aprender de los datos a través de la experiencia y con una intervención humana mínima. Procesa enormes cantidades de datos con los que un humano no podría trabajar en toda su vida y evoluciona a medida que se procesan más datos.

En la mayoría de las empresas, encontrar, limpiar y preparar los datos adecuados para el análisis puede llevar hasta el 80 % del día de un científico de datos. Aunque puede ser tedioso, es crítico hacerlo bien.

Los datos de diversas fuentes, recopilados en diferentes formas, requieren entrada y compilación de datos. Eso puede facilitarse hoy en día con almacenes de datos que tienen una plataforma centralizada donde se pueden almacenar datos de diferentes fuentes.

Uno de los retos de la aplicación de la ciencia de datos es identificar los problemas empresariales pertinentes. Por ejemplo, ¿el problema está relacionado con la disminución de los ingresos o con cuellos de botella en la producción? ¿Está buscando un patrón que sospecha que está ahí, pero que es difícil de detectar? Otros desafíos incluyen comunicar los resultados a las partes interesadas no técnicas, garantizar la seguridad de los datos, permitir una colaboración eficiente entre los científicos de datos y los ingenieros de datos, y determinar las métricas adecuadas de los indicadores clave de rendimiento (KPI).

Con el aumento de los datos de las redes sociales, los sitios de comercio electrónico, las búsquedas en Internet, las encuestas a los clientes y otros lugares, surgió un nuevo campo de estudio basado en big data. Esos vastos conjuntos de datos, que siguen aumentando, permiten a las organizaciones monitorizar patrones y comportamientos de compra y hacer predicciones.

Sin embargo, debido a que los conjuntos de datos no están estructurados, puede ser complicado y llevar mucho tiempo interpretar los datos para la toma de decisiones. Ahí es donde entra en juego la ciencia de datos.

El término ciencia de datos se utilizó por primera vez en la década de 1960 cuando era intercambiable con la frase "ciencia informática". La "ciencia de datos" se utilizó por primera vez como disciplina independiente en 2001. Tanto la ciencia de datos como el machine learning son utilizados por los ingenieros de datos y en casi todos los sectores.

Los campos han evolucionado de tal manera que para trabajar como analista de datos que visualiza, gestiona y accede a los datos, es necesario conocer el lenguaje de consulta estructurado (SQL), así como matemáticas, estadísticas, visualización de datos (para presentar los resultados a las partes interesadas) y minería de datos. También es necesario comprender las técnicas de limpieza y procesamiento de datos. Dado que los analistas de datos suelen crear modelos de machine learning, los conocimientos de programación e IA también son valiosos. así como matemáticas, estadísticas, visualización de datos (para presentar los resultados a las partes interesadas) y minería de datos. También es necesario comprender las técnicas de limpieza y procesamiento de datos. Dado que los analistas de datos suelen crear modelos de machine learning, los conocimientos de programación e IA también son valiosos.

La ciencia de datos se utiliza ampliamente en la industria y el gobierno, donde ayuda a impulsar los beneficios, innovar productos y servicios, mejorar la infraestructura y los sistemas públicos y mucho más.

Algunos ejemplos de casos de uso de la ciencia de datos incluyen:

• Un banco internacional utiliza modelos de riesgo crediticio basados en ML (machine learning) para ofrecer préstamos más rápidos a través de una aplicación móvil.
• Un fabricante desarrolló potentes sensores impresos en 3D para guiar vehículos sin conductor.
• La herramienta de análisis estadístico de incidentes de un departamento de policía ayuda a determinar cuándo y dónde implementar agentes para la prevención del delito más eficiente.
• Una plataforma de evaluación médica basada en IA analiza los registros médicos para determinar el riesgo de accidente cerebrovascular de un paciente y predecir las tasas de éxito del plan de tratamiento.
• Las empresas sanitarias están utilizando la ciencia de datos para la predicción del cáncer de mama y otros usos.
• Una empresa de transporte de servicios de transporte utiliza análisis de big data para predecir la oferta y la demanda, de modo que puedan tener controladores en los lugares más populares en tiempo real. La empresa también utiliza la ciencia de datos en la previsión, la inteligencia global, la cartografía, la tarificación y otras decisiones empresariales.
• Un conglomerado de comercio electrónico utiliza análisis predictivos en su motor de recomendaciones.
• Una empresa de hostelería en línea utiliza la ciencia de datos para garantizar la diversidad en sus prácticas de contratación, mejorar las capacidades de búsqueda y determinar las preferencias de los anfitriones, entre otros conocimientos significativos. La empresa hizo que sus datos fueran de código abierto y entrena y capacita a los empleados para aprovechar los conocimientos basados en datos.
• Una importante empresa de medios de comunicación en línea utiliza la ciencia de datos para desarrollar contenido personalizado, mejorar el marketing a través de anuncios dirigidos y actualizar continuamente las transmisiones de música, entre otras decisiones de automatización.

El inicio del machine learning, y el nombre en sí, surgieron en la década de 1950. En 1950, el científico de datos Alan Turing propuso lo que ahora llamamos la prueba de Turing, que planteaba la pregunta: "¿Las máquinas pueden pensar?" La prueba es si una máquina puede entablar una conversación sin que un humano se dé cuenta de que es una máquina. En un nivel más amplio, se pregunta si las máquinas pueden demostrar la inteligencia humana. Esto condujo a la teoría y el desarrollo de la IA.

El científico informático de IBM Arthur Samuel acuñó la frase "machine learning" en 1952. Escribió un programa para jugar a las damas ese mismo año. En 1962, un maestro de damas jugó contra el programa de machine learning en un ordenador IBM 7094, y el ordenador ganó.

Hoy en día, el machine learning ha evolucionado hasta el punto de que los ingenieros necesitan conocer matemáticas aplicadas, programación informática, métodos estadísticos, conceptos de probabilidad, estructura de datos y otros fundamentos informáticos, y herramientas de big data como Hadoop y Hive. No es necesario saber SQL, ya que los programas están escritos en R, Java, SAS y otros lenguajes de programación. Python es el lenguaje de programación más común utilizado en machine learning.

El machine learning y el deep learning son subconjuntos de la IA. El deep learning enseña a los ordenadores a procesar los datos como lo hace el cerebro humano. Puede reconocer patrones complejos en texto, imágenes, sonidos y otros datos y crear conocimientos y predicciones precisas. Los algoritmos de deep learning son redes neuronales modeladas a partir del cerebro humano.

Subcategorías de machine learning

Algunos de los algoritmos de machine learning más utilizados son la regresión lineal, la regresión logística, el árbol de decisión, el algoritmo Support Vector Machine (SVM), el algoritmo Naïve Bayes y el algoritmo KNN. Estos pueden ser aprendizaje supervisado, aprendizaje no supervisado o aprendizaje reforzado/por refuerzo.

Los ingenieros de machine learning pueden especializarse en procesamiento del lenguaje natural y visión artificial, convertirse en ingenieros de software centrados en el machine learning y mucho más.

Existen algunas preocupaciones éticas con respecto al machine learning, como la privacidad y cómo se utilizan los datos. Se han recopilado datos no estructurados de sitios de redes sociales sin el conocimiento o consentimiento de los usuarios. Aunque los acuerdos de licencia pueden especificar cómo se pueden utilizar esos datos, muchos usuarios de redes sociales no leen esa letra pequeña.

Otro problema es que no siempre sabemos cómo funcionan los algoritmos de machine learning y "toman decisiones". Una solución puede ser lanzar programas de machine learning como código abierto, para que la gente pueda comprobar el código fuente.

Algunos modelos de machine learning han utilizado conjuntos de datos con datos sesgados, lo que se traslada a los resultados del machine learning. La responsabilidad en el machine learning se refiere a cuánto puede ver y corregir el algoritmo una persona y quién es responsable si hay problemas con el resultado.

A algunas personas les preocupa que la IA y el machine learning eliminen puestos de trabajo. Si bien puede cambiar los tipos de trabajos disponibles, se espera que el machine learning cree puestos nuevos y diferentes. En muchos casos, gestiona el trabajo rutinario y repetitivo, lo que libera a los humanos para trabajos que requieren más creatividad y tienen un mayor impacto.

Entre las empresas más conocidas que utilizan el machine learning se encuentran las plataformas de redes sociales, que recopilan grandes cantidades de datos y, a continuación, utilizan el comportamiento anterior de una persona para predecir y pronosticar sus intereses y deseos. A continuación, las plataformas utilizan esa información y el modelado predictivo para recomendar productos, servicios o artículos relevantes.

Las empresas de suscripción de vídeo a la carta y sus motores de recomendación son otro ejemplo del uso del machine learning, al igual que el rápido desarrollo de los coches autónomos. Otras empresas que utilizan el machine learning son las empresas tecnológicas, las plataformas de cloud computing, las empresas de ropa y equipo deportivo, los fabricantes de vehículos eléctricos, las empresas de aviación espacial y muchas otras.

Practicar la ciencia de datos conlleva desafíos. Puede haber datos fragmentados, una oferta escasa de habilidades en ciencia de datos y herramientas, prácticas y marcos entre los que elegir que tengan estándares de TI rígidos para la formación y la implementación. También puede ser difícil operacionalizar modelos de ML (machine learning) que tienen una precisión poco clara y predicciones que son difíciles de auditar.

El portfolio de productos de ciencia de datos y ciclo de vida de IA de IBM se basa en nuestro compromiso de larga duración con las tecnologías de código abierto. Incluye una gama de capacidades que permiten a las empresas desbloquear el valor de sus datos de nuevas maneras.

Watsonx es un portfolio de productos de IA que acelera el impacto de la IA generativa en los flujos de trabajo para impulsar la productividad. El portfolio consta de tres potentes componentes: el watsonx.ai studio para nuevos modelos fundacionales, IA generativa y machine learning; el almacén watsonx.data adecuado para la flexibilidad de un data lake y el rendimiento de un almacén de datos; y el kit de herramientas watsonx.governance, para permitir flujos de trabajo de IA creados con responsabilidad, transparencia y explicabilidad.

En conjunto, watsonx ofrece a las organizaciones la capacidad de:

1. Entrenar, ajustar e implementar IA en toda su empresa con watsonx.ai
2. Escale cargas de trabajo de IA, para todos sus datos, en cualquier lugar con watsonx.data
3. Habilitar flujos de trabajo de datos e IA responsables, transparentes y explicables con watsonx.governance