Las técnicas de análisis de datos tienen en el machine learning un sólido apoyo para la generación de conocimiento en la organización. El aprendizaje automático explota la estadística y muchas otras áreas de las matemáticas. Su ventaja es la velocidad.
Créditos fotográficos: BeeBright
Aunque sería injusto considerar que el punto fuerte de este tipo de técnicas es sólo velocidad. Hay que tener en cuenta que la rapidez que caracteriza a esta modalidad de inteligencia artificial proviene de la potencia de procesamiento, tanto secuencial como paralela, y de la capacidad de almacenamiento in memory. Sin embargo, el potencial del aprendizaje automático para complementar otras técnicas de análisis de datos más tradicionales tiene que ver con la capacidad de volver a aprender la representación de los datos.
Machine learning permite a las máquinas usar un lenguaje diferente y propio para la resolución de problemas. Se trata de un lenguaje en continua evolución y con raíces en el análisis, pese a que, para muchos, no pueda considerarse analytics como tal.
Cuando el alcance de las técnicas de análisis de datos se complementa con las posibilidades del machine learning, se consigue ver mucho más claro lo que de verdad importa en términos de generación de conocimiento, no sólo a nivel cuantitativo, sino también asegurando una mejora cualitativa significativa.
Los métodos de aprendizaje automático son muy superiores en el análisis que se practica a datos procedentes de múltiples fuentes. La información transaccional, la que llega de los medios de comunicación social o la que tiene su origen en sistemas como el CRM puede desbordar la capacidad de las técnicas de análisis de datos tradicionales.
Por el contrario, el machine learning de alto rendimiento puede analizar todo un conjunto Big Data, en vez de obligar a los usuarios de negocio a conformarse con una muestra representativa que, al fin y al cabo, se queda en eso, una muestra.
Esta escalabilidad no sólo permite que las soluciones predictivas basadas en sofisticados algoritmos sean más exactas, sino que también impulsa la importancia de la velocidad del software. De esta forma, ya es posible interpretar en tiempo real los miles de millones de filas y columnas que hay que investigar, a la vez que no se detiene el análisis del flujo de datos que va llegando.
Para poder aprovechar al máximo las ventajas del aprendizaje automático, las organizaciones han de avanzar hacia un modelo que permita:
Cuando se democratiza esta tecnología y se integra con las técnicas de análisis de datos que ya están en uso en la organización, el negocio no sólo gana en insights, sino que acelera significativamente el tiempo necesario para generar conocimiento de calidad. De esta forma, cualquier organización, de cualquier tamaño, puede explotar un potencial competitivo sin precedentes.
Parece obvio pensar que el complemento idóneo de las técnicas de análisis de datos también puede ser el factor determinante en su fin. Y sin embargo no es así. Machine learning es una combinación ganadora, cuando se sabe integrar en una estrategia de analytics; pero no puede sustituir las capacidades predictivas básicas que toda organización necesita.
En ocasiones no es eficiente, ni rentable, y mucho menos lógico, recurrir a esta forma de inteligencia artificial para resolver determinadas cuestiones. Normalmente, se trata de temas donde la mejor respuesta proviene de analytics, como:
¿Por qué invertir en aprendizaje automático cuando no es la mejor solución? Complemento sí, sustituto no. Porque si bien las técnicas de análisis de datos que habitualmente se emplean en las organizaciones pueden encontrarse con limitaciones, relacionadas con el volumen de datos a procesar o la velocidad a la que es necesario obtener insights; machine learning tampoco es la alternativa más sencilla.
El aprendizaje automático requiere a la organización el ser capaz de proporcionar datos en determinadas condiciones (un flujo continuo en tiempo real), y, sobre ellos, necesita crear un algoritmo, el que permita llegar a un conjunto de reglas que funcionen independientemente de si existe o no información disponible.
Y, si bien es cierto que la única forma de explotar el verdadero valor que encierra el IoT o la forma más eficiente y de menor coste de lograr soluciones innovadoras en línea con los wearables, por ejemplo, en la industria de la salud, es el machine learning; también hay que tener en cuenta que muchas decisiones de negocio sólo precisan del respaldo que les dan un par de reglas de procesamiento, una solución que les facilite el descubrimiento de datos y la identificación de tendencias, o un software que les permita pronosticar escenarios futuros con un mínimo margen de error.
¿Se puede prescindir de predictive analytics? A día de hoy, sería impensable definir estrategias o llevar a cabo cualquier acción sin el soporte que dan las técnicas de análisis de datos. ¿Es posible seguir avanzando sin aprendizaje automático? Excepto para determinadas industrias y en casos muy concretos, todavía hay margen hasta que resulte imperativo el recurrir a las máquinas para identificar patrones y correlaciones potenciales en datos, a pesar de lo impresionante de los resultados que entregan.