1

4 verdades sobre Machine Learning

El Machine Learning nunca ha sido tan común y accesible como hoy, pero aún hay mucho desconocimiento al respecto.

CIO América Latina/Mario A. Beroes R./@marioberoes22.

Tal aseveración es parte de una investigación desarrollada por Javier Vargas, gerente de investigación en Easy Solutions, quien desmistifica algunos puntos existentes alrededor del concepto de Machine Learning.  Según Vargas, la tecnología de Machine Learning ha influenciado e impulsado varias industrias y mercados como las cadenas de retail, los proveedores de email y las redes sociales entre muchas otras.

-La industria de la seguridad informática está realizando importantes inversiones en este campo con el fin de fortificar su arsenal contra los cibercriminales. Hoy en día es muy raro encontrar un proveedor de seguridad que no ofrezca algún producto de machine learning.

En el pasado, una gran parte del esfuerzo humano era dirigido hacia el desarrollo de sólidos conocimientos de dominio, los cuales eran luego traducidos en firmas, reglas, listas o patrones de correlación que a su vez pudieran ser integrados en un producto comercializable. Hoy en día, los niveles de protección están recibiendo un refuerzo adicional mediante los análisis predictivo basado en poderosos algoritmos capaces de extraer información de conjuntos de datos aparentemente caóticos y creando relaciones a través del tiempo, el espacio y los comportamientos.

Las verdades

El directivo de Easy Solutions, es de la opinión que esta tecnología está destinada a conquistar aquellos retos antes inalcanzables para las capacidades humanas y los sistemas estáticos. Añade que ML brinda una habilidad sin precedentes para interpretar grandes volúmenes de datos desestructurados provenientes de diversas fuentes, incluyendo interacción de usuarios, datos transaccionales, actividad en redes, historiales de phishing y sistemas de detección en puntos finales.

-Desafortunadamente, y gracias a su ilimitado potencial y enorme éxito al enfrentar difíciles retos, machine learning produce grandes expectativas, presentándose como una caja mágica capaz de resolver cualquier problema. De esta forma, la tecnología crea esperanzas de desempeño irreales en usuarios no muy bien informados.

Los siguientes 4 puntos resaltan algunas de estas ideas, las cuales deben ser tenidas en cuenta por los usuarios para evitar decepciones a la hora de adoptar a dicha tecnología.

  1. Machine learning extrae conocimiento, no lo crea. Las soluciones basadas en machine learning solo alcanzan su verdadero potencial cuando cuentan con suficientes datos de calidad. El tamaño y la precisión de los datos son críticos para la exitosa aplicación de machine learning.
  1. Es tecnología adicional, no un fundamento. Si bien las campañas de marketing quieren hacernos creer que machine learning supera a todos los sistemas existentes, es importante ser cauteloso y tener expectativas razonables.
  1. Las evaluaciones de desempeño realizadas por científicos de datos tienden a ser ambiguas, por lo cual asegúrese de entender su esencia.  Acostúmbrese a términos como tasas de falsos positivos, falsos negativos, precisión y F-Score. Estos términos son de gran importancia al ajustar el modelo de acuerdo a sus necesidades.
  1. Los resultados de los procesos de machine learning no siempre son fáciles de explicar. La industria de la ciberseguridad está acostumbrada a reglas, listas, huellas dactilares e indicadores de afectación. Esto permite explicar fácil y naturalmente por qué una determinada alerta se activó.

“Al ser aplicada correctamente, la tecnología de machine learning aumenta dramáticamente la capacidad de una organización para combatir amenazas sofisticadas, mientras saca mayor provecho de los datos de seguridad y la inteligencia de amenazas. Pero prepárese para evolucionar rápidamente. Nuestros adversarios son inteligentes, y cada día su conocimiento en machine learning aumenta. En poco tiempo estarán listos para tratar de evadir las más avanzadas defensas”.

Machine Learning es capaz de mejorar con el tiempo, solo si las organizaciones están dispuestas a permitir su evolución mediante datos actualizados. Asegúrese de que su infraestructura operacional está al tanto de las predicciones falsas y exitosas del modelo. Esto permitirá ajustarlo y que evolucione más ágilmente.

Mario Augusto Beroes Ríos

Periodista graduado en la UCV en la mención Audiovisual.