Ciencia de datos frente a aprendizaje automático: ¿cuál es la diferencia?

Si bien ciencia de datos y machine learning están relacionados, son campos muy diferentes. En pocas palabras, la ciencia de datos aporta estructura a big data, mientras que machine learning se centra en aprender de los datos en sí. Esta publicación investigará a profundidad en los matices de cada campo.

La ciencia de datos es un campo amplio y multidisciplinario 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 insights para crear significado. Las áreas que componen el campo de la ciencia de datos incluyen minería, estadísticas, analytics de datos, modelado de datos, modelado de machine learning y programación.

En última instancia, la ciencia de datos se utiliza para definir nuevos problemas de negocio 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.

Machine learning (ML) es un subconjunto de la inteligencia artificial (IA) que se centra en aprender de lo que surge de 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 insights que mejoren el rendimiento o informen las predicciones.

Así como 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 que una máquina aprenda de los datos a través de la Experiencia y con una intervención humana mínima. Procesa enormes cantidades de datos que un humano no podría procesar 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. Si bien puede ser tedioso, es crítico hacerlo bien.

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

Un desafío en la aplicación de la ciencia de datos es identificar los problemas comerciales pertinentes. Por ejemplo, ¿el problema está relacionado con la disminución de los ingresos o con los cuellos de botella de la producción? ¿Está buscando un patrón que sospecha que está ahí, pero que es difícil de detectar? Otros desafíos incluyen comunicar los resultados a los stakeholders 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 datos de redes sociales, sitios de comercio electrónico, búsquedas en Internet, encuestas a clientes y otros lugares, surgió un nuevo campo de estudio basado en big data. Esos vastos conjuntos de datos, que continúan aumentando, permiten a las organizaciones monitorear 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 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 todas las industrias.

Los campos han evolucionado de tal manera que para trabajar como analista de datos que ve, 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 los stakeholders) 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 los stakeholders) 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 las ganancias, innovar productos y servicios, mejorar la infraestructura y los sistemas públicos y más.

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

• Un banco internacional utiliza modelos de riesgo crediticio impulsados por machine learning (ML) 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 desplegar 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 de atención médica 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 big data analytics para predecir la oferta y la demanda, de modo que puedan tener controladores en las ubicaciones más populares en tiempo real. La empresa también utiliza la ciencia de datos en el pronóstico, inteligencia global, mapeo, precios y otras decisiones comerciales.
• 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 insights significativos. La empresa hizo que sus datos fueran de código abierto, y capacita y empodera a los empleados para que se beneficien de los insights basados en datos.
• Una importante empresa de medios 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 de machine learning, y el nombre en sí, se produjo 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, pregunta si las máquinas pueden demostrar la inteligencia humana. Esto condujo a la teoría y el desarrollo de la IA.

Arthur Samuel, científico informático de IBM, 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 una computadora IBM 7094, y la computadora 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 aprendizaje profundo son subconjuntos de la IA. El aprendizaje profundo enseña a las computadoras a procesar datos de la misma manera que lo hace el cerebro humano. Puede reconocer patrones complejos en texto, imágenes, sonidos y otros datos y crear insights y predicciones precisos. Los algoritmos de aprendizaje profundo son neural networks modeladas a partir del cerebro humano.

Subcategorías de machine learning

Algunos de los algoritmos de machine learning más utilizados incluyen 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/reforzamiento.

Los ingenieros de machine learning pueden especializarse en procesamiento de lenguaje natural y visión artificial, convertirse en ingenieros de software centrados en machine learning y 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 usar 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 "tomar decisiones". Una solución para eso puede ser lanzar programas de machine learning como código abierto, para que las personas puedan verificar el código fuente.

Algunos modelos de machine learning han utilizado conjuntos de datos con datos sesgados, lo que se transmite a los resultados del machine learning. La responsabilidad en machine learning se refiere a cuánto puede ver y corregir una persona el algoritmo 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, maneja el trabajo rutinario y repetitivo, liberando a los humanos para mover a trabajos que requieren más creatividad y tienen un mayor impacto.

Las empresas conocidas que utilizan machine learning incluyen plataformas de redes sociales, que recopilan grandes cantidades de datos y luego utilizan el comportamiento anterior de una persona para pronosticar y predecir sus intereses y deseos. Luego, las plataformas utilizan esa información y modelos predictivos para recomendar productos, servicios o artículos relevantes.

Las empresas de suscripción de videos bajo demanda y sus motores de recomendación son otro ejemplo del uso del machine learning, al igual que el rápido desarrollo de los automóviles autónomos. Otras empresas que utilizan el machine learning son empresas tecnológicas, plataformas de computación en la nube, empresas de ropa y equipamiento deportivo, fabricantes de vehículos eléctricos, empresas de aviación espacial y muchas otras.

Practicar la ciencia de datos conlleva desafíos. Puede haber datos fragmentados, una escasez de habilidades de ciencia de datos y herramientas, prácticas y marcos para elegir que tienen estándares de TI rígidos para la capacitación y el despliegue. También puede ser un desafío poner en funcionamiento modelos de machine learning (ML) que tienen una precisión poco clara y predicciones que son difíciles de auditar.

La cartera de productos de ciencia de datos y ciclo de vida de IA de IBM se basa en nuestro compromiso de larga data 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 una cartera de productos de IA que acelera el impacto de la IA generativa en los flujos de trabajo principales para impulsar la productividad. La cartera consta de tres potentes componentes: watsonx.ai  studio para nuevos modelos fundacionales, IA generativa y machine learning; el almacén watsonx.data adecuado para la flexibilidad de un lago de datos y el rendimiento de un almacén de datos; además, 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 y desplegar 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 datos y flujos de trabajo de IA responsables, transparentes y explicables con watsonx.governance