El mundo empresarial está inmerso actualmente en una transformación gracias a la Inteligencia Artificial (IA), reinventando la forma en la que las compañías compiten y se desarrollan. Cuando oímos hablar de inteligencia artificial, la gran mayoría de los avances y aplicaciones se apoyan en la aplicación de una serie de algoritmos conocida como Machine Learning.
El Machine Learning está detrás de muchos de los servicios que utilizamos en nuestro día a día: sistemas de recomendación como los de Netflix, YouTube y Spotify, buscadores como Google, feeds de redes sociales como Facebook y Twitter, asistentes de voz como Siri y Alexa… En todos estos casos, cada plataforma recopila la mayor cantidad de información posible acerca del usuario: los géneros que le gusta ver, los enlaces en los que hace click, el tiempo que pasa en cada vídeo… Con todos estos datos, los algoritmos hacen una suposición altamente informada sobre lo que podría querer el usuario a continuación, es decir, usan los datos que tienen a su alcance para predecir comportamientos.
Podría decirse que el Machine Learning es una subdisciplina de las ciencias de la computación cuyo objetivo es desarrollar técnicas que permitan a los ordenadores y sistemas informáticos aprender. Aunque parezca muy complejo, este proceso es bastante básico. La máquina se limita a buscar patrones entre todos los datos que almacena y los procesa para predecir comportamientos.
¿Para qué sirve Machine Learning?
El Machine Learning sirve, principalmente, para rentabilizar la información de la que dispone una empresa u organización. Se puede orientar hacia múltiples casos de uso, desde conocer el gusto de los consumidores hasta realizar mantenimientos predictivos en la industria. Su implantación en una organización tiene repercusiones de gran calado en la eficiencia, rentabilidad y automatización de cualquier proceso.
Su principal característica, además de que es capaz de identificar patrones muy complejos, es que trabaja con cantidades de datos ingentes. Y por datos podemos entender muchas cosas: números, palabras, imágenes, clics… Cualquier cosa que pueda almacenarse digitalmente es susceptible de alimentar un modelo de Machine Learning. Sin el uso de Machine Learning, resultaría imposible para una persona analizar y extraer conclusiones de bases de datos tan enormes.
Tipos de Machine Learning
Aplicando algoritmos de Machine Learning se pueden desarrollar modelos de comportamiento que se basan únicamente en los datos, sin necesidad de aportar un conocimiento previo sobre el problema que se intenta resolver. En función de la forma en que realicen su aprendizaje, se distinguen tres tipos de algoritmos.
Karen Hao, reportera de Inteligencia Artificial para MIT Technology Review, los explica de la siguiente forma en su artículo “What is Machine Learning”.
Machine Learning de aprendizaje supervisado: Los algoritmos de aprendizaje supervisado trabajan con datos previamente etiquetados para construir modelos. Para que “aprendan” a predecir, se les proporciona un histórico que relaciona determinada variable de entrada con una etiqueta de salida. Podría decirse que sería algo así como un perro rastreador que perseguirá los objetivos una vez que sepa el olor que está buscando. Con este tipo de Machine Learning se puede predecir, según los datos históricos que tengamos, cuándo se estropeará una máquina sometida a determinadas condiciones.
Machine Learning de aprendizaje no supervisado: En este caso se utilizan datos sin etiquetar, es decir, el sistema no conoce una “respuesta correcta” y explora los datos para descubrir algún patrón en ellos. Esto es como dejar que un perro huela toneladas de objetos diferentes y los clasifique en grupos con olores similares. Un ejemplo de esta clase de Machine Learning sería el que realiza Netflix. Cada vez que presionas reproducir, el programa le dice al algoritmo que encuentre series o películas similares. Sus aplicaciones resultan de gran utilidad para agrupar clientes según sus compras: “si el usuario compra esto, es posible que le interese aquello otro…”
Machine Learning de aprendizaje por refuerzo: El aprendizaje por refuerzo es la última frontera del aprendizaje automático. Un algoritmo de refuerzo aprende por ensayo y error para lograr un objetivo claro. Prueba muchas cosas diferentes y es recompensado o penalizado dependiendo de si sus comportamientos ayudan o le impiden alcanzar su objetivo. Esto es como dar un trocito de salchicha a un perro cuando le enseñas un nuevo truco. El aprendizaje por refuerzo es la base de AlphaGo de Google, el programa que supera a los mejores jugadores humanos en el complejo juego de Go.
Machine Learning, ¿una tecnología de futuro?
Machine Learning no es una expectativa de futuro sino una realidad que puede revolucionar el enfoque de las compañías, la eficiencia de múltiples procesos y la toma de decisiones estratégicas. No en vano las herramientas que utilizan esta tecnologías están ganando cada vez más y más fuerza y se empiezan a instalar en la mayoría de procesos productivos.
Desde Talento, conscientes del enorme potencial de esta tecnología, apostamos por Machine Learning como una línea prioritaria de investigación. Nuestros data scientist trabajan en proyectos para mejorar la planificación de la producción en industrias pesadas.
Metalia es uno de los prototipos que hemos desarrollado en base a esta tecnología. Se trata de un software de análisis de datos capaz de aprender a base de ejemplos. Toma los datos del tiempo que se ha tardado en ejecutar cada tarea en otros proyectos parecidos para calcular de manera autónoma cuánto tiempo de producción es necesario en cada caso. Esto resulta de gran utilidad para hacer presupuestos y para identificar vías de mejora en la planificación.
