Learning machine no deja de sorprender a las empresas que se deciden a profundizar en sus aplicaciones. Machine big data o aprendizaje automático son algunos de los términos por los que se conoce a esta mezcla de computación y robótica que forma parte de algunas de las disrupciones mejor valoradas de los últimos tiempos.
Créditos fotográficos: monsitj
Sin embargo, para comprender mejor lo que es el machine learning, más que bucear en sus raíces etimológicas, merece la pena invertir algo de tiempo en conocer cuáles son los algoritmos que hacen posible que este subgénero de la inteligencia artificial sea tendencia.
Learning machine: lo que es preciso aprender de sus algoritmos
¿Cómo consigue Amazon ofrecer a pie de página esos productos que pueden interesar al usuario? ¿De qué modo Netflix plantea el abanico de recomendaciones al espectador? ¿Cuál es el secreto de esas empresas que parecen conocerlo todo de sus clientes?
La clave de su éxito está en la incorporación del learning machine en su estrategia. El aprendizaje automático no es simplemente una forma más popular de aproximarse a la analítica predictiva, sino que podría considerarse como un universo separado, cuyo potencial tiene que ver con:
1. El uso de la lógica para modelar la planificación, el razonamiento y la resolución de cuestiones que no son problemas técnicos o relacionados con la tecnología, sino que tienen que ver con las personas y sus necesidades.
2. La utilización de big data para hacer predicciones o sugerencias calculadas basadas en datos estructurados y no estructurados, registros históricos y datos recientes, incluso recogidos en tiempo real.
3. El foco en la resolución de problemas, a los que busca dar respuesta mediante diferentes algoritmos.
No todos los algoritmos de learning machine tienen la misma naturaleza. Algunas de ellos funcionan mejor para ciertos objetivos de negocio, mientras que otros no podrían contribuir generando valor en esos mismos campos. Lo mismo sucede cuando se trata de evaluar las características del conjunto de datos a analizar.
Aprendizaje de refuerzo, supervisado y no supervisado son las principales categorías del machine big data aunque, nos centraremos en los algoritmos de aprendizaje automático aplicables a los casos en que se cuenta con datos históricos que ya han sido etiquetados, es decir, sobre los que ya se conocen ciertas características o comportamientos.
Los algoritmos de aprendizaje automático y su utilidad de negocio
Existen muchos algoritmos de learning machine supervisado, aunque, entre los más importantes se encuentran los siguientes:
- El algoritmo de clasificación Naïve Bayes: permite, dado un ejemplo, encontrar la hipótesis que mejor lo describe. Para poder llegar a una conclusión, necesita que el sistema se nutra de datos suficientes, aunque, cuando el volumen de información es muy grande, debe recurrirse a la hipótesis de la independencia condicional, que permite simplificar la expresión del Teorema de Bayes, factorizando la probabilidad. En las organizaciones, este tipo de algoritmos de machine learning se utilizan para los software de reconocimiento facial o para determinar si la emoción contenida en un texto es positiva o negativa. Sin embargo, su uso también alcanza a realidades más cotidianas, como el marcar un correo electrónico como spam o no spam.
- Árboles de decisión: en base a un gráfico, esta herramienta logra servir como apoyo a una toma de decisiones informada, al exponer las distintas opciones y sus posibles consecuencias, incluidos los resultados de eventos fortuitos, los costos de recursos y la utilidad. A la hora de trabajar con este algoritmo es necesario tener en cuenta que hay que conocer el número mínimo de preguntas simples (es decir, las que puedan responderse con un sí o un no) que es preciso lanzar para evaluar la probabilidad de tomar una decisión correcta. La ventaja de los árboles de decisión es que permiten abordar el problema de una manera estructurada y sistemática para llegar a una conclusión lógica. Pueden emplearse para predecir la respuesta del público ante el lanzamiento de un nuevo producto o para averiguar la idoneidad de una campaña de marketing.
- Modelos de regresión lineal: el método de los mínimos cuadrados ordinarios permite es un método para realizar la regresión lineal que puede aplicarse al análisis de relaciones entre variables financieras. El análisis de regresión permite desde desarrollar previsiones de futuro, hasta identificar los factores que mayor incidencia tienen en la generación de beneficios de una corporación o determinar cuánto afectará un cambio en las tasas de interés a una cartera de bonos.
- Métodos de regresión logística: una vez más, la estadística hace posible modelar un resultado binomial con una o más variables explicativas. En este caso, se encarga de medir la relación entre la variable dependiente categórica y una o más variables independientes. Así, aplicando una función logística se pueden estimar las probabilidades de ocurrencia de un suceso. Esta aplicación de learning machine sirve a las empresas para elaborar, por ejemplo, sus pronósticos acerca de los ingresos que obtendrán con la venta de un determinado producto o las condiciones climatológicas en un área determinada y una fecha en concreto que pudieran afectar al transporte de mercancías.
- Máquinas de vectores de soporte: las denominadas SVM (support vector machines, en inglés) basan su funcionamiento en un algoritmo de clasificación binario que facilita a los negocios identificar el género de los usuarios de sus webs o escoger el tipo de publicidad que debe aparecer en la pantalla, entre otras aplicaciones.
Si bien al oír hablar de inteligencia artificial o machine learning puede parecer que es un área reservada para un reducido grupo de negocios de perfil ultra-innovador y vocación disruptiva, en la actualidad, los usos del aprendizaje automático ya están tan extendidos y las herramientas que permiten incorporarlos a la estrategia de negocio tan avanzadas, que cada vez son más quienes pueden aprovecharse de su potencial para ofrecer a sus clientes una experiencia más personalizada, de muchas formas diferentes.
