Cuando pensamos en Machine Learning, a todos nos viene a la cabeza la película de 'Yo, Robot', donde androides con formas humanas, tienen conciencia propia y capacidad de decisión en función de su contexto. Estos autómatas conseguirán en breve, pensamos, sobrepasar el conocimiento humano en cualquier tipo de ámbito y negocio. Y nos enamoramos de este concepto de Machine Learning, idílico, y lo visualizamos más cerca que nunca.
Es entonces cuando, si somos curiosos, empezamos a aprender de los conceptos del Machine learning, Big
data, Data analytics y los temáticas relacionadas con este ecosistema. Y pasamos de ese enamoramiento inicial a entender la cruda realidad. Vemos, que
esos maravillosos humanoides, son simplemente métodos de resolver los problemas. Problemas que
ya resolvíamos hasta la fecha, pero con una capacidad de cálculo mucho superior a la
nuestra. Que aquella inteligencia a punto de sobrepasar la humana, está lejos
de ella. Y es en ese momento, que me viene este twit a la cabeza.
Holy crap! Some guy shouted “Machine learning is just statistics!” and then this happened pic.twitter.com/78VgmMmD5D
— 🔥Kareem Carr🔥 (@kareem_carr) September 8, 2020
Ahora bien, maticemos este concepto. Si analizamos con
detalle el Machine learning, propone solución a los problemas clásicos,
aprovechando todo el conocimiento estadístico y matemático que teníamos hasta
la fecha, pero “entrenando” a una máquina para poder predecir que sucederá. Y
este predecir se basa en 3 ámbitos:
Aprendizaje supervisado: Dónde se busca etiquetar o dar el valor numérico a una determinada
variable a partir de toda la información histórica disponible. Por ejemplo,
predecir cuál será el nivel de ventas durante el próximo mes. Esto se realiza a
través de Regresiones lineales/logísticas, Árboles de decisión, Redes
neuronales, Series temporales, etc.
Aprendizaje no supervisado: Dónde se busca identificar o clasificar la información en
conjuntos conectados. Por ejemplo, la identificación de comportamiento anómalo de
un ascensor, para su mantenimiento preventivo. Esto se realiza a través de Clústeres,
Anomalías, Asociaciones, etc.
Aprendizaje reforzado:
Dónde se enseña a un agente externo a cómo interactuar con el medio y
se recompensa para seguir mejorando. Por ejemplo, un programa que aprende a
jugar al 3 en raya.
Ahora que conocemos el detalle, podríamos pensar que no son
más que las estadísticas utilizadas desde hace años, y que apenas está aportando
valor. Pero démosle la vuelta. Este tipo de modelos nos permite ejecutar un volumen de cálculos
con información histórica que hasta ahora no éramos capaces de hacer. ¿Qué
pensarías si te dijera que con la información histórica de tu compañía ahora
somos capaces de detectar cuándo un cliente comprará un producto y por lo tanto
cuándo necesitaremos stock? ¿O cuáles son aquellos atributos son más relevantes
para un cliente en la compra de ese producto? ¿O identificar, a través del
audio de un motor en uso, el problema que tiene le coche sin tener que manipularlo e investigarlo por completo? ¿O saber el tráfico que habrá en cierta zona para recomendarte
una mejor ruta?
Día a día, vamos incluyendo nuevas funcionalidades que nos
hacen la vida más fácil, aprovechando estos modelos de aprendizaje. La visión
de Yo Robot con la que todos nos imaginamos inicialmente el concepto de Machine
Learning, sigue siendo un objetivo de estudio, denominado Inteligencia Global.
Pero todavía no hemos llegado allí, y estas herramientas nos permiten seguir
mejorando nuestro día a día.
Pero recordemos que, lo más importante, es formular la
pregunta de negocio. La pregunta que nos permita enfocar el problema a resolver y que,
a día de hoy, sólo la creatividad y capacidad de análisis humana nos permite realizar. Y aquí es
donde, desde negocio, debemos aportar todo nuestro conocimiento y seguir
creciendo juntos.
¿Y la ética? ¿Dónde queda en todo esto? Seguid conectados, y
lo trataremos durante las próximas publicaciones.
Comentarios
Publicar un comentario