Los cambios disruptivos que experimenta el mundo ocurren en intervalos cada vez más cortos. De la primera revolución industrial (máquina de vapor) a la segunda (línea de ensamblaje), pasaron casi 100 años; de la tercera (automatización) a la cuarta (sistemas ciber-físicos), apenas 50. Hoy, estamos en los albores de otra disrupción más, para la cual han pasado solamente cinco años en llegar a ella, “la inteligencia artificial (AI)”. Y es justamente dentro de este campo donde reside lo que denominamos Machine Learning (ML) y, a su vez, dentro de ML, podemos encontrar el concepto “Deep Learning”.

Machine Learning utiliza diferentes algoritmos matemáticos y estadísticos para ayudar a la toma de decisiones; hacer predicciones, clasificar datos, buscar referencias cruzadas, correlación y mucho más. Es por ello que implementar ML en los procesos de negocio puede resultar intimidante y complejo.

La percepción de que ML consiste simplemente en componentes, que se instalan, configuran y empiezan a producir resultados, no es del todo correcta. Esta visión simplista explica el comportamiento de ML como una moda que viene y va, lo cual no le hace justicia. Por esta razón, es conveniente proponer una metodología que implemente ML en los procesos de negocio y obtenga resultados favorables. Esta metodología se puede resumir en 4 pasos.

  • Definir los objetivos de negocio. Dentro de una unidad de negocio, existen distintas metas a cumplir, establecidas por objetivos o bien por oportunidades (problemas) que se deben aprovechar. Sin establecer estos objetivos, resultará difícil obtener datos y, por ende, métodos apropiados al problema a resolver. En pocas palabras, es indispensable saber qué se desea solucionar. Por ejemplo, personalización de productos/servicios, administración de programas, empoderamiento del cliente, creación de conciencia y educación del consumidor, administración del riesgo, etc. Al identificar estos objetivos o problemas, se puede definir el conjunto de historias de datos y su beneficio esperado para el negocio. Por ejemplo, optimizar en un 30% el portfolio de servicios, en función del comportamiento del cliente y sus elecciones previas.

 

  • Construir un equipo colaborativo de alto desempeño. La AI y el ML requieren de personas capacitadas en estos temas y, por lo tanto, de un equipo de alto desempeño que permita desarrollar las soluciones necesarias. Los roles sugeridos incluyen científicos de datos, arquitectos de analítica, expertos en negocio y expertos técnicos, administradores de datos etc. Todos ellos trabajando de forma ágil. Cuando la empresa no cuenta con estos recursos, es recomendable apoyarse en un socio comercial, con experiencia en esta área. Tampoco es mala idea aprovechar las bondades de la nube para este tipo de soluciones, lo que supone integrar al equipo a administradores de nube.

 

  • Seleccionar fuentes de datos y algoritmos. Para cada problema, es necesario identificar las fuentes de datos a utilizar, y transformar los datos iniciales en conocimiento. Para lograr esto, se sigue el proceso de descubrimiento de conocimiento a partir de los datos (KDD) que incluye seleccionar los datos, su limpieza, transformación, minería, modelado e interpretación [1]. Este proceso es importante, pues al hacer la minería y modelado de los datos, se puede identificar su comportamiento, dispersión y la correlación entre ellos, que ayudarán a elegir el algoritmo adecuado para ML. Por ejemplo, los datos podrían presentar un comportamiento logístico o lineal, lo cual sugerirá usar algoritmos de regresión multivariable; los datos podrían mostrar una cierta agrupación, con lo que serían candidatos a pasar por un algoritmo de clasificación, como clustering. Es importante mencionar que existen cerca de once clases de algoritmos de ML, con variantes específicas, proporcionando un abanico de casi sesenta algoritmos. Y el número va en aumento.

Ahora, si no se cuenta con el objetivo, es fácil que, dentro de estos sesenta algoritmos, se pueda seleccionar uno que no sea adecuado para la naturaleza del problema a resolver, ni para el comportamiento de los datos. Por eso, la naturaleza del problema a solucionar influye en la selección del algoritmo. Por ejemplo, si se busca predecir una respuesta mediante características específicas del consumidor, se podría sugerir un algoritmo bayesiano, o uno de regresión; si se busca reconocer una figura en una foto o video, se podría aplicar una red neuronal o una red neuronal convolucional (Deep Learning).

 

  • Entrenamiento, prueba e implementación. Los algoritmos de ML se deben “entrenar”. Esto no es otra cosa más que buscar la solución óptima, utilizando los datos conocidos. Para eso, se requieren muchos datos, en torno a miles. Una vez encontrada la solución óptima, es necesario probarlo, con otro subconjunto de datos de la misma fuente. Una forma sugerida es dividir el 70% de los datos para entrenamiento y el 30% restante para pruebas. Si el algoritmo seleccionado es eficaz para el conjunto de datos propuesto, las probabilidades de efectuar una predicción serán muy cercanas a la realidad, típicamente un 90% o más. Una vez que se tiene el algoritmo optimizado, se puede generar una función (código), para que sea consumido por los sistemas que enviarán los datos al algoritmo de ML, y éste devolverá una probabilidad o una predicción. Este algoritmo es el que se puede incluir en dispositivos móviles, o bien exponerlo como un servicio web.

 

Los algoritmos de ML que se desarrollen deben ser medidos y evaluados, para determinar si están ayudando a cumplir los objetivos de negocio. También, para evaluar si no requiere nuevo entrenamiento, debido a que el comportamiento de los clientes haya cambiado.

Como se pude imaginar, los algoritmos de ML se entrenan para las circunstancias de una empresa, y consumirlo en otro contexto podría resultar en predicciones falsas que afecten al negocio. Podría preguntarse, ¿entonces los productos de ML que ofrece el mercado no sirven para mi industria? La respuesta radica nuevamente en los objetivos del negocio, las fuentes de datos y la selección del algoritmo.

Por ejemplo, si se busca implementar reconocimiento facial, los indicadores de la cara pueden ser 34 datos (cejas, posición de ojos, comisura bucal, distancia entre orejas, etc.). Sin embargo, la cara humana no cambia (no hay un tercer ojo, o dos bocas) y, por lo tanto, este tipo de algoritmos se pueden entrenar y ofrecer en el mercado.

 

En conclusión, la implementación de ML en las organizaciones debe partir de un problema de negocio a resolver, o satisfacer los objetivos de negocio establecidos. Esta es una tendencia muy fuerte para éste y los siguientes años, que va a generar impactos en las organizaciones, y en la forma en que conocemos el trabajo hoy en día. Si deseas conocer más acerca de ésta y otras tendencias, sigue la retransmisión de nuestro webinar “5 tendencias tecnológicas y el futuro del trabajo 2020”