Machine learning

Machine Learning es una disciplina científica del ámbito de la Inteligencia Artificial que crea sistemas que aprenden automáticamente. 

Aprender en este contexto quiere decir identificar patrones complejos en millones de datos. 

La máquina que realmente aprende es un algoritmo que revisa los datos y es capaz de predecir comportamientos futuros. 

Automáticamente, también en este contexto, implica que estos sistemas se mejoran de forma autónoma con el tiempo, sin intervención humana. 

Big Data y Machine Learning aplicado a la empresa

Una empresa de telefonía quiere saber qué clientes están en “peligro” de darse de baja de sus servicios para hacer acciones comerciales que eviten que se vayan a la competencia. 

Cómo puede hacerlo? La empresa tiene muchos datos de los clientes, muchísimos: antigüedad, planes contratados, consumo diario, llamadas mensuales al servicio de atención al cliente, últimos cambios de planes contratados, pero seguramente los usa solo para facturar y para hacer estadísticas. 

Qué más puede hacer con esos datos? Se pueden usar para predecir cuándo un cliente se va a dar de baja y gestionar la mejor acción que lo evite. 

En pocas palabras, con Machine Learning se puede pasar de ser reactivos a ser proactivos. 

Los datos históricos del conjunto de los clientes, debidamente organizados y tratados en bloque, generan una base de datos que se puede explotar para predecir futuros comportamientos, favorecer aquellos que mejoran los objetivos de negocio y evitar aquellos que son perjudiciales.

Esa cantidad ingente de datos son imposibles de analizar por una persona para sacar conclusiones y menos todavía para hacer predicciones. 

Los algoritmos en cambio sí pueden detectar patrones de comportamiento contando con las variables que le proporcionamos y descubrir cuáles son las que han llevado, en este caso, a darse de baja como cliente. 

La cantidad de datos que se generan actualmente en las empresas se está incrementado de forma exponencial. 

Extraer información valiosa de ellos supone una ventaja competitiva que no se puede menospreciar. 

La gran ventaja es que actualmente no hace falta ser un gurú de los datos para poder aprovechar este tipo de tecnologías. 

Existen en el mercado herramientas de uso muy sencillo (incluso para profanos en análisis de datos) y asequibles económicamente para cualquier tamaño de empresa que permiten hacer predicciones como las descritas en el apartado anterior. 

El reto de sacar partido de los datos se ha simplificado enormemente. 

El Machine Learning de hoy no es como antes, esto quiere decir que con datos de calidad, tecnologías adecuadas y análisis propicios es posible actualmente crear modelos de comportamiento para analizar datos de gran volumen y complejidad. 

Además, los sistemas proporcionan resultados rápidos y precisos sin intervención humana, incluso a gran escala. 

El resultado son predicciones de alto valor para tomar mejores decisiones y desarrollar mejores acciones de negocio.

Sin embargo, no debe distraer nuestra atención el volumen de datos. 

No es necesario tener tantos datos como Facebook o como un gran banco para hacer modelos que ayuden al negocio. 

Es mejor tener datos de calidad (fiables y útiles) que tener miles de millones de datos de los que no se puede extraer valor. 

Para avanzar en este tema, empieza por algo sencillo, utiliza Machine Learning supervisado, no te empeñes en usar Big Data, utiliza Machine Learning en la nube y sobre todo, empieza ya. 

Ámbitos de aplicación del Machine Learning

Muchas actividades actualmente ya se están aprovechando del Machine Learning, sectores como el de las compras online, no te has preguntado alguna vez cómo se decide instantáneamente los productos recomendados para cada cliente al final de un proceso de compra?.

El online advertising que consiste en dónde poner un anuncio para que tenga más visibilidad en función del usuario que visita la web o los filtros anti-spam llevan tiempo sacando partido a estas tecnologías.

El campo de aplicación práctica depende de la imaginación y de los datos que estén disponibles en la empresa. 

Detectar fraude en transacciones, predecir de fallos en equipos tecnológicos, preveer qué empleados serán más rentables el año que viene (el sector de los Recursos Humanos está apostando seriamente por el Machine Learning).

Seleccionar clientes potenciales basándose en comportamientos en las redes sociales, interacciones en la web, predecir el tráfico urbano, saber cuál es el mejor momento para publicar tuits, actualizaciones de Facebook o enviar las newsletter.

Hacer prediagnósticos médicos basados en síntomas del paciente, cambiar el comportamiento de una app móvil para adaptarse a las costumbres y necesidades de cada usuario, detectar intrusiones en una red de comunicaciones de datos, decidir cuál es la mejor hora para llamar a un cliente.

La tecnología está ahí, los datos también, por qué esperar a probar algo que puede suponer una puerta abierta a nuevas formas de tomar decisiones basadas en datos? 

Seguro que has oído que los datos son el petróleo del futuro,ahora ya puedes empezar a bombearlo y a sacarlo en la medida que precises.

Modelos

El aprendizaje automático tiene como resultado un modelo para resolver una tarea dada. 

Entre los modelos se distinguen los siguientes : 

Los modelos geométricos, construidos en el espacio de instancias y que pueden tener una, dos o múltiples dimensiones. 

Si hay un borde de decisión lineal entre las clases, se dice que los datos son linealmente separables. 

Un límite de decisión lineal se define como w * x = t, donde w es un vector perpendicular al límite de decisión, x es un punto arbitrario en el límite de decisión y t es el umbral de la decisión.

Los modelos probabilísticos, que intentan determinar la distribución de probabilidades descriptora de la función que enlaza a los valores de las características con valores determinados. 

Uno de los conceptos claves para desarrollar modelos probabilísticos es la estadística bayesiana.

Los modelos lógicos, que transforman y expresan las probabilidades en reglas organizadas en forma de árboles de decisión.

Los modelos pueden también clasificarse como modelos de agrupamiento y modelos de gradiente. 

Los primeros tratan de dividir el espacio de instancias en grupos. 

Los segundos, como su nombre lo indican, representan un gradiente en el que se puede diferenciar entre cada instancia. 

Clasificadores geométricos como las máquinas de vectores de apoyo son modelos de gradientes.

En el aprendizaje automático podemos obtener 3 tipos de conocimiento, que son :

1. Crecimiento : es el que se adquiere de lo que nos rodea, el cual guarda la información en la memoria como si dejara huellas.

2. Reestructuración : al interpretar los conocimientos el individuo razona y genera nuevo conocimiento al cual se le llama de reestructuración.

3. Ajuste : es el que se obtiene al generalizar varios conceptos o generando los propios.

Los tres tipos se efectúan durante un proceso de aprendizaje automático pero la importancia de cada tipo de conocimiento depende de las características de lo que se está tratando de aprender.

El aprendizaje es más que una necesidad, es un factor primordial para satisfacer las necesidades de la inteligencia artificial.