Qué es el aprendizaje automático? - Definición e importancia

Muchas personas no comprenden la diferencia entre términos tales como inteligencia artificial (IA), aprendizaje automático (ML) y otros conceptos informáticos avanzados. Si busca una explicación y desea aprender por qué y cómo estas tecnologías se utilizan en las soluciones de ciberseguridad modernas, este artículo abarcará:

• La definición de aprendizaje automático
• Quién utiliza el aprendizaje automático y por qué
• Cómo funciona el aprendizaje automático
• La diferencia entre inteligencia artificial y aprendizaje automático
• Ventajas del aprendizaje automático y por qué es importante
• Aprendizaje automático y ciberseguridad
• La definición de inteligencia mecánica (MI)
• Acronis Cyber Protect Cloud: Paquete Advanced Security

El aprendizaje automático (ML) es un tipo de inteligencia artificial (IA) que puede aprender a partir de datos. Sin la necesidad de contar con un sistema con instrucciones específicas, ML puede determinar patrones, realizar evaluaciones y volver a aprender de forma continua para mejorar la precisión de modelo y el rendimiento utilizando datos etiquetados, algoritmos y modelos estadísticos. Los datos, independiente de que sean texto, archivos, videos, etc., se marcan añadiendo etiquetas informativas que identifican el contexto para que los algoritmos ML puedan aprender de ellos. 

ML desarrolla conocimiento y experiencia, pero se limita en la forma en que se aplica. Por ejemplo, si usted capacita un modelo para reconocer gatos y perros, ML no puede aprender cómo se hornea un pastel debido a que dicha tarea se aleja bastante de su campo de conocimiento.    

ML utiliza una variedad de algoritmos para tomar decisiones, predecir resultados, agrupar los resultados y detectar anomalías. Los clústeres de datos son grupos de datos que tienen características similares que no están presentes en otros clústeres de datos. La detección de anomalías identifica datos que tienen valores atípicos, es decir, que son diferentes de los datos identificados en un clúster determinado. 

Por ejemplo, un modelo ML analizará las imágenes de perros y gatos y creará dos clústeres: uno para perros y otro para gatos. Si los modelos analizan la imagen de un ave, se detectará dicha imagen como una anomalía.

Existen infinitos usos para el ML en cada industria, incluidos los servicios en el sector financiero, de seguro, atención de salud, comercio minorista, gobierno, milicia, agricultura, etc. Usted experimenta muchos ejemplos de ML en el transcurso de su vida diaria. Los ejemplos de cómo el ML se utiliza hoy en día incluyen:

• Cuando escribe un mensaje en su teléfono móvil o en Microsoft Word, se utiliza ML para recomendar palabras que reducen la escritura manual y los errores de tipeo.
• Los motores de búsqueda utilizan ML para realizar sugerencias cuando usted busca información específica o un sitio específico.
• Los filtros de correo electrónico utilizan ML para identificar el spam.
• Las aplicaciones bancarias utilizan ML para identificar transacciones fraudulentas y evaluar la capacidad crediticia de una persona.
• Las organizaciones de seguro utilizan ML para identificar reclamos fraudulentos y predecir primas y pérdidas para sus pólizas.
• En el sector de la salud, se utiliza ML para la secuencia de ADN, para identificar patrones de enfermedades, detectar problemas de salud en etapas tempranas y mejorar la calidad de la atención.
• En la milicia, se utiliza ML para mejorar la precisión de la identificación de objetivos y el transporte del personal y equipo militar.
• Los fabricantes de automóviles utilizan ML para reconocimiento de imágenes en autos y camiones.
• Netflix utiliza ML para recomendar lo que usted podría ver a continuación.
• El reconocimiento de habla utiliza ML para identificar patrones y perfeccionar el reconocimiento del habla de una persona.

Existen varias maneras en que ML puede funcionar. Este es uno de los ejemplos más sencillos del ML en acción.

Paso 0: La empresa debe etiquetar y clasificar datos. La clasificación de datos es el resultado de extraer características de las etiquetas de datos y de organizar los datos por tipo de archivo, contenidos y otros metadatos.  Por ejemplo, los datos pueden clasificarse por departamento, usuario, niveles de confidencialidad, etc. Estos tipos de tareas se logran a través del uso de modelos de ML supervisados que reciben adiestramiento en datos etiquetados. 

Paso 1: Usar los datos clasificados para elaborar el modelo con un conjunto de datos de adiestramiento.   

Paso 2: Este paso se entrelaza con el Paso 1. El modelo utiliza un conjunto de datos de adiestramiento para aprender. Es un proceso interactivo y contempla un bucle de retroalimentación o función de error si algo no llegase a clasificarse adecuadamente, remontándose así el error al Paso 1 para reclasificarse. Para este proceso, ML desarrolla un árbol de decisión binario, que es una estructura basada en un proceso de decisión secuencial. A partir de la raíz, el modelo evalúa una característica y selecciona una de las dos ramas. Este proceso se repite hasta llegar a la última hoja en el árbol. 

Paso 3:  Ahora se incorporan los nuevos datos clasificados en el modelo para reentrenamiento con el objetivo de mejorar el rendimiento y verificar la precisión. En este punto, el modelo identificará el porcentaje de resultados falsos positivos. Depende de la empresa decidir qué porcentaje de falsos positivos es aceptable. Si el porcentaje de falsos positivos no es aceptable, se deben incorporar más datos en el sistema o extraer más características de los datos para reentrenar el modelo y lograr que este cumpla el nivel de falsos positivos aceptable.

Paso 4: De manera alternativa, ML puede compactar u optimizar el modelo generado dependiendo del algoritmo utilizado. Por ejemplo, puede combinar múltiples pasos o realizar procesamiento paralelo. 

IA es el campo de la ciencia que utiliza un equipo para imitar la inteligencia humana. La verdadera IA no solamente implica que un equipo tenga conocimiento, sino también lograr que el equipo sepa cómo aplicar dicho conocimiento utilizando razonamiento y lógica deductiva.  Existen tres subconjuntos:

• La IA Estrecha significa que el equipo es bueno haciendo una cosa, como jugar al ajedrez.
• La IA General significa que el equipo es bueno en un par de cosas, pero no es un ser cognitivo.
• La Súper IA puede aprender, definir sus propios problemas, aprender más y tener un sentido de autoconciencia. Skynet, la mente grupal consciente basada en red neuronal artificial y sistema de superinteligencia general artificial de ficción en la serie Terminator, es un ejemplo de súper IA.

Afortunadamente, o por desgracia, solo hemos llegado a la IA estrecha.

Mientras que el objetivo de la IA es crear equipos inteligentes que puedan simular el pensamiento humano, ML es un subconjunto de IA que permite a los equipos aprender por sí mismos usando datos sin recibir programación específica.

Existen importantes beneficios asociados a ML que incluyen:

• Ideal para analizar grandes conjuntos de datos. ML puede trabajar rápido con conjuntos de datos extremadamente grandes, algo que la mente humana es incapaz de hacer.
• Identificar rápidamente anomalías y valores atípicos. ML es mejor en la detección de anomalías y valores atípicos debido a que no busca algo en específico, a diferencia de la mente humana, sino que busca algo que no debería estar presente. 
• Identificar rápidamente tendencias y patrones. ML puede identificar tendencias y patrones que los humanos no pueden, transformando al ML en una buena aplicación para el minado de datos.
• Mejorar continuamente los resultados. ML no produce resultados estadísticos, sino que mejora constantemente sus modelos y resultados con reentrenamiento continuo.
• Automatiza la toma de decisiones. Gracias a su constante reentrenamiento para mejorar el rendimiento, ML es ideal para automatizar rápidamente las decisiones. Por ejemplo, ML puede analizar su comportamiento en línea y recomendar sitio web, productos o servicios adecuados que usted pueda querer. ML es un componente particularmente importante para mejorar la experiencia de cliente (CX).

Dentro del campo de ML, existen diferentes tipos de aprendizaje:

• El aprendizaje supervisado utiliza datos etiquetados para entrenar (o supervisar) el modelo y predecir de manera precisa los resultados. A través del uso de datos etiquetados, el modelo vuelve a aprender con el tiempo para mejorar las predicciones y el rendimiento.
• El aprendizaje sin supervisión utiliza una familia de técnicas para analizar, agrupar, descubrir patrones y etiquetar datos sin intervención humana (sin supervisión). 
• El aprendizaje semisupervisado utiliza tanto datos etiquetados como sin etiquetar. Por lo general, utiliza una cantidad pequeña de datos etiquetados y grandes conjuntos de datos de datos sin utilizar. El análisis de habla y los documentos de texto contienen un gran volumen de datos sin etiquetar: archivos de audio, libros, scripts, blogs, etc., actividades que pueden tardar demasiado tiempo y ser costosas cuando se trata de etiquetado manual. Con solo un pequeño volumen de datos etiquetados, el aprendizaje semisupervisado puede extraer funciones relevantes.
• El aprendizaje de refuerzo es un tipo de aprendizaje automático que permite a un sistema aprender mediante el ensayo y el error, usando un bucle de retroalimentación, para adaptar su estrategia tras cada paso de decisión. El objetivo del algoritmo es encontrar una solución equilibrada que maximizará sus recompensas. El aprendizaje de refuerzo a menudo se utiliza en aplicaciones de juegos.

Las soluciones avanzadas de ciberseguridad de próxima generación utilizan ML para una variedad de tareas. Algunos ejemplos incluyen:

• Clasificar archivos en malware y archivos limpios
• Identificar correos electrónicos de phishing y spam
• Identificar anomalías cuando un usuario inicia sesión en un sistema analizando y comparando el momento del día y las ubicaciones del usuario. Por ejemplo, si un usuario inicia sesión entre las 8 a.m. y 5 p.m. en New York y el sistema visualiza que esta ID de usuario inició sesión a las 2 a.m. desde China, esto podría ser un ataque.

Al enfocarse en tareas como estas, ML mejora significativamente la seguridad de los datos, ya que analiza rápidamente grandes cantidades de datos a escala e identificará anomalías y potenciales ataques más rápido que la capacidad humana. Esta velocidad ayuda a detener los ataques con mayor rapidez y puede reducir el tiempo entre el momento en que un ataque ocurre y cuando una empresa comprende que se suscitó un ataque.

La inteligencia mecánica (MI) es un súper conjunto de ML y es relativamente un nuevo término. MI interactúa y aprende más de múltiples aportes, los cuales aún no se definen, y del entorno, y puede procesar y adaptar nuevos aportes usando el clásico bucle de retroalimentación o la prueba de regresión (en donde aprende de sus errores). 

De acuerdo con Forbes, la inteligencia mecánica es “lo que se crea cuando los equipos se programan con algunos (pero no todos) aspectos de la inteligencia humana, incluido el aprendizaje, resolución de problemas y la priorización.

“La inteligencia mecánica tendrá un conjunto de diferentes métodos de aprendizaje automático disponibles a su haber, así como una serie de técnicas de automatización y dará prioridad e implementará de forma inteligente una secuencia de ellos en el orden correcto, en el momento ideal para lograr metas comerciales específicas. Usted puede pensar en la inteligencia mecánica como una evolución superior del aprendizaje automático con priorización y metas añadidas; una piedra de tropiezo en el camino de la verdadera IA”.                                    Fuente: Forbes. (2019) ¿Qué es exactamente la inteligencia mecánica?

Por ejemplo, un sistema puede tener múltiples algoritmos de aprendizaje automático:

• Un algoritmo clasifica los correos electrónicos en base al texto contenido dentro de cada email.
• Otro algoritmo detecta cualquier URL dentro del correo electrónico y busca enlaces maliciosos.
• Un tercer algoritmo analiza cualquier imagen contenida en el correo electrónico utilizando reconocimiento de imágenes. De manera independiente, cada una de estas son una forma de ML, pero cuando se combinan y tienen la prioridad para trabajar en conjunto en el orden correcto, nace la inteligencia mecánica.

Acronis Cyber Protect Cloud es la única solución mejorada por inteligencia mecánica que integra de manera nativa la ciberseguridad, la protección de datos y gestiona la protección de puntos finales, sistemas y datos. Esta sinergia elimina la complejidad para que los proveedores de servicio puedan proteger a los clientes mientras reducen los costos. Proporciona:

• La mejor solución de respaldo y recuperación en la industria con copia de seguridad de imagen completa y respaldo de cinco niveles para resguardar cargas de trabajo en más de 20 plataformas, con RPO y RTO cercanos al cero.
• Ciberprotección fundamental sin costo adicional con un motor de detección de comportamiento avanzada y basado en MI que detiene el malware, ransomware y ataques de día cero en los puntos finales y sistemas de sus clientes.
• Gestión de protección que se incorpora para permitir a los MSP realizar investigaciones posincidente de carácter exhaustivo y la rectificación adecuada, mientras se mantienen los costos bajos recopilando evidencia digital y almacenándola en un repositorio central seguro.

El paquete de Advanced Security es un complemento de Acronis Cyber Protect Cloud que permite a los MSP extender su oferta de seguridad con:

• Protección antimalware en tiempo real de pila completa que cubre todos los vectores de ataque con múltiples capas de defensa
• Filtrado de URL para bloquear URL maliciosas, ataques basados en la web y estafas por COVID-19
• Sacar ventaja de la prevención usando la heurística de detección basada en el comportamiento para evitar el aprovechamiento de debilidades desconocidas, incluidos los puntos débiles en la memoria y las inyecciones
• Escaneos de datos de antimalware en la Acronis Cloud para reducir la carga del impacto en los puntos finales de los clientes, permitir escaneos más agresivos y garantizar respaldos libres de malware
• Datos forenses en copias de seguridad para recopilar evidencia digital con mayor velocidad y reducir el costo de la rectificación
• Alimentación de amenaza CPOC para aumentar la reactividad ante amenazas emergentes y obtener sugerencias de rectificación
• Lista de elementos permitidos automática para reducir los falsos positivos y habilitar un escaneo más agresivo
• Prevención de la reinfección de malware que escanea en busca de malware y actualiza las definiciones AV durante la recuperación para prevenir que ocurra una amenaza

Acronis Cyber Protect Cloud con Advanced Security permite a los proveedores de servicios ofrecer más funciones de ciberseguridad a clientes mientras reduce la carga de administración, reemplazando las herramientas antivirus no integradas con seguridad de punto final completa que se integra a la protección de datos.