El Machine Learning (ML) se encuadra dentro de las técnicas comúnmente denominadas como Inteligencia Artificial (IA). Vale la pena diferenciar estos conceptos, que normalmente son usados de forma indistinta.
Subconjuntos de la Inteligencia Artificial (IA)
Por un lado, se conocen como IA a las técnicas dedicadas a aplicar condiciones lógicas para llegar a un resultado de forma autónoma. En otras palabras, la IA busca solucionar problemas “imitando” la inteligencia humana
Muchos consideran que el primer caso mediático del uso de IA vino de la mano de Deep Blue, la supercomputadora de IBM diseñada para un objetivo muy específico: jugar (muy bien) al ajedrez. En 1996, se convirtió en la primera computadora en ganar a un campeón mundial de este deporte. A partir de reglas predefinidas y un gran poder de cómputo, Deep Blue podía analizar cientos de millones de posiciones posibles por segundo y decidir, de forma estadística, cuáles eran los mejores movimientos para cada instante dado.
Deep Blue ganando el partido de Ajedrez a Gary Kaspárov, el 10 de febrero de 1996.
Por otro lado, el ML es una rama más específica, parte de la IA. Busca realizar predicciones a partir de modelos entrenados con datos y, sin datos de entrenamiento, no podemos crear un modelo de Machine Learning.
Para diferenciar a la IA y el ML podemos poner otro ejemplo en el mundo de los juegos: el Go, uno de los juegos de mesa más antiguos del mundo. Sus reglas de juego son muy sencillas, pero esto no quita que las combinaciones posibles en un juego de Go sean de 10⁷⁶¹, es decir, más combinaciones que la cantidad de átomos que existen en el universo.
AlphaGo el programa de ML de Google.
En 2015, Google mostró al mundo AlphaGo, un programa con el que buscaban desbancar a los campeones globales de este juego. Como es de esperar con la cantidad de combinaciones que existen, utilizar el mismo enfoque de fuerza bruta de Deep Blue no era una opción, por lo que se recurrió a implementar otra estrategia: aprender de analizar partidas de jugadores expertos de Go y, posteriormente, hacer que AlphaGo juegue millones de partidas contra si misma para generar nuevas tácticas a partir de la experiencia ganada. Gracias a esto, pudo lograr su objetivo y vencer a los mejores jugadores humanos. Nótese que, en este ejemplo como en cualquiera de ML, los datos (en este caso, partidas de expertos) son indispensables para desarrollar un algoritmo, a diferencia del ejemplo de Deep Blue
Dando un paso más allá en términos de abstracción, nos encontramos con el campo donde se están haciendo muchos de los avances más disruptivos en el campo de la IA: el Deep Learning (DL). El DL es un subcampo del ML, que aplica las también renombradas “redes neuronales” para encontrar patrones subyacentes en los datos, requiriendo menor intervención humana que el ML. El DL es especialmente útil en problemas de naturaleza no lineal, cuya resolución suele ser más compleja (o prácticamente imposible) usando algoritmos de ML.
Aplicaciones del Machine Learning
Dicho todo esto ¿Para qué sirve el ML y en qué tipo de tareas nos puede asistir? Aunque esta es una pregunta de por más amplia, el ML tiene hoy en día diversos usos que podemos observar en nuestro día a día. Estos van desde aplicaciones muy complejas, como la conducción autónoma en vehículos como los autos Tesla, hasta aplicaciones más sencillas como el uso de ML para una campaña de Marketing. A continuación, detallamos algunos casos de uso específicos que utilizamos en Merovingian Data:
Motor de ML para conducción autónoma de Tesla.
1) NLP y Social Listening: aplicamos algoritmos de procesamiento de lenguaje natural (NLP por sus siglas en ingles) para determinar ciertas características de textos. Por ejemplo, a partir de un mensaje en redes sociales, podemos obtener su sentimiento, pudiendo ser positivo (por ejemplo, “te quiero mucho”), negativo (por ejemplo, “hoy es un día horrible”) o neutral (por ejemplo, “el pasto es verde”). También podemos determinar la emoción del mismo (alegría, miedo, etc.).
2) Clustering de Clientes: una entidad financiera líder procesa millones de pagos diarios. Surgió la pregunta: ¿a partir de lo que las personas compran, podemos realizar upselling y cross selling? Las posibilidades son muchas: generar paquetes crediticios personalizados, ofrecer el descuento que cada cliente quiere ver, entre otros. Para esto, nos valimos de los datos históricos de transacciones para encontrar grupos o “clusters” de personas que compartan características comunes. Fue un gran desafío dado que no contábamos con un identificador para cada persona (no podíamos distinguir, de forma directa, entre una persona y otra).
Para esto, aplicamos métodos estadísticos clásicos y Machine Learning para diferenciar las personas entre si a partir de la frecuencia de los pagos, con un orden de precisión de segundos. Finalmente, pudimos construir una base de datos de clientes con patrones de consumo específicos y comenzamos a articular las acciones a implementar en el área de marketing y producto para atender las necesidades específicas de cada persona que elige a nuestro cliente todos los días.
3) Predicción: entender el pasado y el presente es vital para el día a día de una compañía, pero ¿cómo podemos predecir el futuro para realizar acciones de forma prematura? En Merovingian hemos llevado adelante proyectos de predicción para distintas áreas: predicción de demanda para una compañía del sector energético, estimación de ventas para un líder del rubro de alimentos y estimación de riesgo crediticio en una compañía financiera.
Como conclusión, podemos observar rápidamente casos de uso del ML que nos pueden asistir para lograr eficiencia en nuestros procesos, expandir la oferta de valor y mejorar la satisfacción del cliente. El hecho de que estas herramientas estén en boca de muchas personas no es casualidad: hoy existen más datos que nunca para alimentar estos sistemas y, si sumamos la capacidad de cómputo que podemos encontrar en “la nube”, las posibilidades pasan a ser muy elevadas.
Desde Merovingian Data, te recomendamos explorar oportunidades del uso de ML porque, aunque probablemente tus datos internos y externos tengan un valor extra que puedas exprimirles, difícilmente esto sea un proceso simple o lineal. Datos sobran, pero es la información y los insights los que escasean. La creatividad humana para idear soluciones es el límite, y es por eso que nuestro objetivo es acompañarte en la transformación Data-Driven para potenciar tu organización a partir del poder de los datos.
