0

El aprendizaje automático demuestra su valor al negocio

machine-learningEl aprendizaje automático no podría estar más candente. Un tipo de inteligencia artificial que permite a las computadoras aprender a realizar tareas y hacer predicciones sin programación explícita. El aprendizaje automático se ha vuelto novedoso entre el grupo de tecnología a la moda, pero sigue siendo un concepto algo futurista para la mayoría de las empresas. Sin embargo, gracias a los avances tecnológicos y los marcos emergentes, el aprendizaje automático puede llegar a ser tendencia pronto.

La firma de consultoría Deloitte espera ver un gran aumento en el uso y la adopción del aprendizaje automático en el próximo año. Esto se debe, en gran medida, a que la tecnología se está volviendo más dominante. Las últimas investigaciones de la firma muestran que en todo el mundo más de 300 millones de smartphones, o más de un quinto de las unidades vendidas en el 2017, tendrán capacidades de aprendizaje.

“La nueva tecnología de chips en forma de unidades de procesamiento central, unidades de procesamiento gráfico o matrices de puertas programables de campo, será capaz de proporcionar procesamiento de redes neuronales a precios, tamaños y consumos de energía que encajan con los smartphones”, señala Stuart Johnston, líder de las prácticas de tecnología, medios de comunicación y telecomunicaciones en Deloitte.

“Este hardware añadido al software del aprendizaje automático habilitará los programas nativos diseñados para imitar aspectos de la estructura y función del cerebro humano, y se aplicará a áreas como la navegación de interiores, clasificación de imágenes, realidad aumentada, reconocimiento de voz y traducción de idiomas”, añade Johnston. “Lo que eso significa desde la perspectiva de un usuario cotidiano, es que las tareas complicadas serán más fáciles, personalizadas, rápidas y con mayor privacidad”.

Las empresas de varias industrias ya están utilizando o experimentando tecnologías de aprendizaje automático. Aquí le echamos un vistazo a la manera en que tres empresas están aprovechando el aprendizaje automático para un gran impacto en el negocio.

Depositando esperanzas en imágenes ricas en datos
El sitio de medios sociales Pinterest comenzó a hacer pruebas con el aprendizaje automático en el 2014, cuando empezó a invertir bastante en la tecnología de visión artificial y creó un pequeño equipo de ingenieros enfocados en reinventar la forma en que la gente encuentra imágenes.

Menos de un año después, la empresa lanzó la “búsqueda visual”, una nueva herramienta que no requiere consultas de texto para buscar información. “Por primera vez, la búsqueda visual le ofreció a la gente una forma de obtener resultados incluso cuando no pueden encontrar las palabras correctas para describir lo que están buscando”, señala Mohammad Shahangian, director de la ciencia datos en Pinterest.

La búsqueda visual es impulsada por el aprendizaje profundo, una versión del aprendizaje automático que aprovecha las redes neuronales más profundas y permite a Pinterest detectar, de manera automática, objetos, colores y patrones en la imagen de cualquier pin; y recomendar objetos relacionados. Se dan más de 200 millones de búsquedas visuales en Pinterest cada mes, además más de dos mil millones de búsquedas de texto, comenta Shahangian.

En el verano del 2016, la búsqueda visual evolucionó cuando Pinterest introdujo la detección de objetos, que encuentra todos los objetos en la imagen de un pin en tiempo real y proporciona resultados relacionados.

“Hoy en día, la búsqueda visual se ha convertido en una de nuestras características más utilizadas, con cientos de millones de búsquedas visuales cada mes, y miles de millones de objetos detectados”, afirma Shahangian. “Ahora, estamos introduciendo tres nuevos productos además de nuestra infraestructura de descubrimiento visual”.

Pinterest posee una de las mayores colecciones de imágenes ricas en datos en Internet. “Utilizamos el aprendizaje automático para clasificar y escalar constantemente 75 mil millones de objetos dinámicos, desde pines comprables hasta videos, y mostrarle el pin correcto a la persona adecuada en el mejor momento”, indica Shahangian. “Nuestro objetivo principal es ayudar a la gente a descubrir contenidos atractivos, como productos para comprar, recetas para hacer y proyectos para probar; y el aprendizaje automático nos ayuda a proporcionar una experiencia más personalizada”.

A medida que Pinterest amplía su audiencia internacional, es vital que su servicio sea personalizado para las personas independientemente de dónde viven, qué idioma hablan o cuáles son sus intereses, anota Shahangian. “Usando modelos aprendidos automáticamente, hemos aumentado el número de pines localizados para países fuera de los Estados Unidos en un 250% durante el año pasado”, señala. “Ahora, cada uno de los más de 150 millones de personas que visitan Pinterest mensualmente ven los pines más relevantes para su país e idioma”.

Además, el aprendizaje automático predice la relevancia de un pin promocionado en el sitio, así como su rendimiento, ayudando a mejorar la experiencia del usuario con las ideas promovidas de empresas.

“Recientemente, añadimos el aprendizaje profundo a nuestra recommendations candidate pipeline para hacer que los pines relacionados sean aún más relevante”, añade Shahangian. “Los ingenieros de Pinterest han desarrollado un sistema escalable que evoluciona con nuestros productos y con los intereses de las personas, para así poder presentar las recomendaciones más adecuadas. Al aplicar este nuevo modelo de aprendizaje profundo, las primeras pruebas muestran un aumento en el compromiso con los pines relacionados en un 5% a nivel mundial”.

Pinterest está desarrollando constantemente tecnologías con lo último en aprendizaje automático “para construir un motor de descubrimiento visual, incluyendo avances en la detección de objetos, el escalamiento de un corpus de datos cada vez mayor y el conjunto de imágenes ricas en datos, para personas de todo el mundo”, anota Shahangian.

Construcción de modelos de alta dimensionalidad
Otra empresa que utiliza el aprendizaje automático, el proveedor de software Adobe Systems, ha trabajado con el aprendizaje automático supervisado y sin supervisión, así como con modelos estadísticos para ayudar a administrar su negocio durante años, según Anandan Padmanabhan, vicepresidente de Adobe Research.

Con la transición de los negocios de Adobe a una oferta de suscripción basada en la nube, hubo dos factores fundamentales que dieron lugar a la necesidad de un aprendizaje automático a gran escala dentro de la empresa: los canales en línea se convirtieron en la fuente primaria de adquisición de clientes, y la necesidad de impulsar el compromiso y retención de productos a escala a través de millones de clientes. Además, los datos capturados en la participación del cliente con un producto en particular, son mucho más detallados a través del aprendizaje automático
.
“Adobe captura estos datos longitudinales de nivel de evento en el uso del producto, marketing y soporte al cliente para construir varios tipos de modelos predictivos”, anota Padmanabhan. Estos incluyen modelos de conversión y retención pagados, modelos de retención de clientes, extracción y segmentación automatizadas de propiedades, modelos de ventas up-selling y cross-selling, y modelos óptimos de asignación y predicción basados ??en segmentos.

Las herramientas que la compañía ha utilizado para sus esfuerzos de aprendizaje automático incluyen Python Scikit-learn, Spark ML, SAS, y métodos internos patentados.

Los métodos de aprendizaje automático han ayudado a la compañía a construir modelos individuales de alto nivel dimensional, señala Padmanabhan. “Anteriormente, Adobe aprovechaba las herramientas estadísticas para construir modelos más agregados, que ignorarían la heterogeneidad individual”, comenta.

Entre los beneficios clave del aprendizaje automático para Adobe está una mayor comprensión del impacto marginal de los medios de pago, lo que ha dado lugar a una mejor asignación de puntos de contacto de los medios de comunicación a través de varios canales de venta; y la capacidad de entender las propensiones individuales del cliente y las etapas del ciclo de vida, que ayudan a impulsar campañas de marketing.

La compañía también ha visto un mayor compromiso de los clientes a través de una mejor comprensión de la manera en que se utilizan los productos individuales, y mediante respuestas a las campañas de marketing, lo que ha llevado a productos y experiencias de soporte al cliente más personalizadas. Eso, a su vez, ha ayudado con la retención de clientes.

Además, Adobe ha visto mejoras en las ventas empresariales y la planificación del territorio, que impulsan mayores eficiencias de ventas; y en el desarrollo de una forma consistente de definir y analizar los indicadores clave de rendimiento en el negocio, lo que ha permitido evaluar todas las campañas en un marco común.

Dado el éxito hasta el momento, la compañía está buscando otras opciones para aprovechar el aprendizaje automático. “Hay una fuerte presión dentro de Adobe para aprovechar el aprendizaje automático en la gestión de todos los aspectos de la experiencia del cliente”, señala Padmanabhan.

Gestión del riesgo para los clientes
En LexisNexis Risk Solutions (LNRS), un proveedor de servicios de gestión de riesgos financieros, el aprendizaje automático ayuda a los clientes a protegerse contra el robo de identidad, lavado de dinero, las estafas de beneficios, el fraude en la atención médica, las deudas incobrables y otros riesgos.

LNRS comenzó a utilizar el aprendizaje automático hace ya varios años para analizar y extraer información de piscinas de datos enormes y heterogéneas, para crear gráficos y realizar predicciones sobre eventos, señala Flavio Villanustre, vicepresidente de arquitectura tecnológica y producto en LNRS.

Principalmente, la compañía utiliza herramientas locales de aprendizaje automático basadas en HPCC Systems, una plataforma masiva de computación de procesamiento paralelo y de código abierto para el procesamiento y análisis de datos.

La plataforma “nos da ventajas cuando se trata de modelos complejos y se necesita escalabilidad para aplicar a conjuntos de datos muy grandes y diversos”, indica Villanustre. Además de la plataforma HPCC, LNRS diseñó sus propias abstracciones específicas de dominio en forma de lenguajes específicos de dominio, tales como Scalable Automated Linking Technology, una sofisticada herramienta de vinculación de registros, y Knowledge Engineering Language que combina análisis de gráficos con capacidades de aprendizaje automático.

Antes del aprendizaje automático, el modelado a través de algoritmos requería que la gente comprendiera el dominio del problema en particular, extrajera datos de la información existente, y escribiera grandes programas “basados ??en heurística” con reglas condicionales para modelar diferentes resultados posibles de los datos entrantes. “Estos sistemas anteriores requerían que los expertos revisaran los datos para entender la realidad y describirlos a través de declaraciones condicionales que una computadora pudiese comprender”, añade. “Esto era muy tedioso, un trabajo duro, y preferible dejarlo para las computadoras”.

Esto cambió por el aprendizaje automático, que permitió que las computadoras extraigan los datos y representen la realidad a través de modelos basados ??en ecuaciones estadísticas, indica Villanustre. “Así se ahorran innumerables horas del tiempo de expertos en dominios y les permite trabajar con conjuntos de datos que, si fueran manejados por humanos, causarían complicaciones”, añade. “Los programas informáticos resultantes son más compactos, fáciles de implementar y eficientes”
.
LNRS utiliza el aprendizaje automático para describir redes completas de organizaciones e individuos para identificar anillos de fraude. También utiliza la tecnología para evaluar y hacer predicciones sobre el riesgo de crédito y seguros, identificar el fraude en las transacciones relacionadas con la asistencia sanitaria y ayudar a capturar a criminales.

“El aprendizaje automático está en el núcleo de todo lo que hacemos”, anota Villanustre. Y la compañía está estudiando las últimas iteraciones de la tecnología. Algunos de los desarrollos recientes en torno a las redes de creencias profundas -modelos gráficos generativos compuestos de múltiples capas de variables latentes con conexiones entre las capas- y el aprendizaje profundo, están demostrando ser campos prometedores de aplicaciones, afirma.

“Para nosotros, siempre es importante validar estas nuevas metodologías con las leyes y regulaciones de los países en los que trabajamos, pues así nos aseguramos de que puedan ser utilizados para maximizar el beneficio para los individuos y la sociedad”, indica Villanustre.

El aprendizaje automático como tendencia
Es probable que la adopción del aprendizaje automático sea diversa y se desarrolle en una amplia gama de industrias, incluyendo la venta al por menor, automotriz, servicios financieros y atención médica, dice Johnston de Deloitte.

En algunos casos, ayudará a transformar la forma en que las empresas interactúan con los clientes, comenta Johnston. Por ejemplo, en la industria minorista, el aprendizaje automático podría reformar completamente la experiencia del cliente. La capacidad mejorada para utilizar el reconocimiento facial, como una herramienta de identificación del cliente, se está aplicando de nuevas maneras por compañías como Amazon en sus tiendas Amazon Go, o por medio de su plataforma Alexa.

“Amazon Go elimina la necesidad de pagar antes de salir debido al uso de la visión por computadora, la fusión de sensores, y el aprendizaje profundo o automático; y espero que, este año, muchos centros comerciales y minoristas empiecen a explorar opciones similares”, anota Johnston.

El hecho de que aparatos comunes como los smartphones estén equipados con capacidades de aprendizaje automático, significa que la tecnología ya no estará limitada a aplicaciones teóricas o altamente selectivas.

“Ejemplos de tecnologías emergentes de smartphones impulsadas por el aprendizaje automático incluyen cosas como programas que determinan los estados de ánimo y emociones de los usuarios a través de sensores de presión, programas que hacen predicciones sobre bienestar y vida usando datos de salud, y programas que detectan objetos circundantes”.

Fuera de los smartphones, también veremos la aparición del aprendizaje automático en drones, tabletas, automóviles, dispositivos de realidad virtual o realidad aumentada, herramientas médicas y una amplia gama de dispositivos IoT, lo que permitirá que esté a disposición de las industrias que utilizan estos productos.

Bob Violino, InfoWorld.com

Ordenado por: Nuevas Tecnologías Tags: 

Contenidos recomendados...

Comparta esta publicación

Artículos relacionados

Escriba su comentario

Ud. tiene que estar conectado para publicar comentarios.

Red de publicaciones IDG en Latinoamérica: Computerworld Ecuador - Computerworld Colombia - CIO Perú // Contáctenos
© 6475 Computerworld Venezuela - All rights reserved ---- WordPress - Tema adaptado por GiorgioB