Abrir publicación
El mundo del Machine Learning

El mundo del Machine Learning

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.  

Abrir publicación
Grandes Obstáculos de la Transición Data-Driven

Grandes obstáculos de la transformación Data-Driven

Durante la última década cada vez más organizaciones alrededor del mundo han descubierto los beneficios de volverse Data-Driven. En el último estudio de NewVantage Partners, compuesto de una amplia variedad de empresas e industrias, 96% de los participantes indicaron que han logrado resultados exitosos de iniciativas de Big Data e Inteligencia Artificial, y el 92% indicó que el ritmo de inversión en este sentido se está acelerando en sus organizaciones.

Sin embargo, subyacen grandes obstáculos en este camino; resulta complejo lograr una unificación de sistemas y datos que permita garantizar la disponibilidad y fiabilidad de las fuentes de información de la organización; y  además está el factor cultural;  lograr embeber la creación constante de nuevos insights (información de valor) en la cultura es por lejos el factor que más fuertemente puede  apalancar o inhibir  el camino a  la transformación en Data-Driven.

Pensemos primero en las implicancias de acceder a información, a verdaderos insights. Para ello, debemos enfocarnos en el proceso de construcción de estos, es decir ¿cómo podríamos modelar la construcción de insights? ¿Cómo describimos los elementos, inputs y outputs que hacen a una cultura Data-Driven? En primer lugar, empezaremos por el input. La creación de un insight de negocio debe tener como mínimo tres elementos:

  1. Datos: los datos son el origen de la construcción de cualquier insight. Ningún insight se puede obtener sin una pata objetiva de apoyo. Normalmente conseguimos construirlos cuando observamos detalladamente cortes y desgloses de información. Los primeros insights siempre surgen de datos, eventos repetidos de información que permiten describir patrones. Por ejemplo: “Estoy vendiendo menos helado que hace 6 meses
  2. Contexto: los datos no hacen sentido sin el contexto. Las notas periodísticas que sacan de contexto a la data no ofrecen insights, los mismos existen cuando conocemos el contexto y logramos enmarcar el dato en un patrón valido para el lugar y momento específico. Sumando al ejemplo anterior: “Estoy vendiendo menos helado que hace 6 meses, pero estoy en invierno
  3. Visión: la visión del tomador de decisiones es otra pata fundamental del proceso de generación de insights, pues hablamos de objetivos organizacionales y mientras no se expliciten los mismos, los datos son imposibles de transformar en un output. “Estoy vendiendo menos helado que hace 6 meses, pero estoy en invierno. El próximo invierno queremos evitar la estacionalidad.

Fijémonos cuán difícil es crear un insight sin estos tres componentes. Un dato sin contexto es simplemente inútil, un insight sin visión no es accionable. Aun así, nos faltan componentes. Aunque estos son los tres inputs clave, en este proceso intervienen otros actores más complejos:

  • Herramientas analíticas que nos permitieron obtener el dato en primer lugar
  • Personas capacitadas para entender el contexto y los patrones del negocio
  • Tomadores de decisión con claridad de visión

Y, por último, ejecución, pues un insight sin acción es desperdicio puro. Es equivalente a pensar en una fábrica que construye autos para guardarlos en un galpón y dejarlos que se oxiden. Ejecutar con efectividad implica accionar y corregir el rumbo rápidamente a través del feedback del mercado o entorno. El proceso de toma de decisiones Data-Driven se puede resumir entonces según la siguiente figura:

Proceso de Generación de Insights
Proceso de Generación de Insights

Es por eso, que los obstáculos más importantes para volverse Data-Driven vendrán no solo por las deficiencias tecnológicas y de información, que son una condición de mínima para el éxito, sino también por la condición de máxima, que es la existencia de una cultura Data-Driven. Es decir, una que adopte procesos de toma de decisiones, que estimule la incorporación del dato, el análisis del contexto y la visión del tomador de decisiones para generar verdaderos resultados organizacionales y que, a su vez, estos se transformen en iniciativas y ejecución.

Existe un elemento acelerador del cambio de la cultura Data-Driven que vale la pena destacar. La importancia de obtener quick-wins (ganancias de corto plazo) al adoptar prácticas de BI. Cuando demostramos a nuestros colaboradores y a la organización que combinar estos tres elementos potencia no solo la probabilidad de éxito de la organización, sino también el empoderamiento de los decisores se genera un impulso que eleva los estándares de desempeño, combate la mediocridad y suma promotores importantes del uso de data en la toma de decisiones.

Volverse Data-Driven entonces, requiere adaptarse al cambio tecnológico, sumar decisores enamorados de la data y de los buenos resultados. Con este impulso el siguiente paso es democratizar el uso de la data a través  de  estrategias de entrenamiento en construcción de insights y adopción para toda la población.

Desde Merovingian Data, nos tomamos este reto con seriedad, por eso siempre partimos desde la visión holística que otorga un Assessment apalancado en procesos, personas y datos, así es como ayudamos a las organizaciones a crear una hoja de ruta completa para el cambio, que no deje de lado la transformación cultural.