#14 La importancia del Machine Learning para los líderes de negocio
Tecnología
El machine learning (ML) o aprendizaje automático es una de las tecnologías más disruptivas y revolucionarias de la actualidad. Su potencial para transformar los negocios y la sociedad es enorme, y cada vez más empresas lo están adoptando para mejorar sus procesos, productos y servicios. Pero, ¿qué es el machine learning, cómo funciona, qué beneficios aporta y qué desafíos plantea? En este artículo, intentaré responder a estas preguntas de una manera sencilla pero a la vez práctica, además de ofrecer algunas recomendaciones para los líderes de negocio que quieran entender y aprovechar esta tecnología.
Contenido
Machine Learning
Tipos de Machine Learning
Beneficios del Machine Learning
Casos de uso del Machine Learning
Limitaciones y desafíos del Machine Learning
Comentarios finales
Machine learning
El ML es una rama de la inteligencia artificial que se basa en el uso de algoritmos y datos para que las máquinas puedan aprender por sí mismas, sin necesidad de ser programadas explícitamente. El objetivo es que las máquinas puedan extraer conocimiento de los datos, encontrar patrones, hacer predicciones y tomar decisiones de forma autónoma o asistida.
El concepto de ML no es nuevo, se remonta a los años 50 del siglo pasado, cuando el pionero Arthur Samuel acuñó el término y creó el primer programa capaz de aprender a jugar al juego de damas. Sin embargo, el verdadero auge del machine learning se ha producido en las últimas dos décadas, gracias al avance de la computación, el almacenamiento y la conectividad, que han permitido manejar grandes volúmenes de datos (big data) y ejecutar algoritmos más complejos y potentes.
Según un informe de Statista el mercado global de ML ha venido creciendo a una tasa de crecimiento anual compuesta (CAGR) de 28% alcanzando el año pasado la cifra de 159 billones de dólares, y se espera que supere los 400 billones de dólares en 2028. Estas cifras reflejan el interés y la inversión que están realizando las empresas de diversos sectores y regiones en esta tecnología, que se ha convertido en un factor clave para la competitividad y la innovación. Es importante resaltar que empieza a aparecer como tendencia la adopción de esta tecnología por las medianas empresas.
Tipos de Machine Learning
Hay tres tipos básicos de ML según cómo el algoritmo aprende de los datos:
Aprendizaje supervizado
Hace uso de los conjuntos de datos etiquetados para entrenar los algoritmos para clasificar datos o predecir resultados con precisión. Este proceso previo de etiquetar los datos (que no es otra cosa que clasificarlos de acuerdo a ciertas características) exige la participación humana. Un uso práctico de este modelo de aprendizaje es la desviación automática de mensajes spam a una carpeta diferente a la bandeja de entrada. El algoritmo va aprendiendo y volviéndose más preciso en la medida en que etiquetamos (clasificamos) algunos mensajes como spam.
Aprendizaje no supervizado
Utiliza algoritmos de machine learning para analizar y agrupar en clústeres conjuntos de datos sin etiquetar. Estos algoritmos descubren agrupaciones de datos o patrones ocultos sin necesidad de ninguna intervención humana. Un caso práctico de aplicación de este aprendizaje es la identificación de fraudes en los reportes de gastos. El algoritmo agrupa los reportes por ciertas características que se van dando con regularidad, identificando aquellos que se salen de dichos patrones como potenciales fraudes, reportándolos para una evaluación más profunda.
Aprendizaje reforzado
Es parecido al aprendizaje supervisado pero en vez de aprender con datos de muestra etiquetados, aprende a través de prueba y error. Este modelo de aprendizaje se usa por ejemplo en la reducción del consumo de energía. A través de sensores se recoje información de múltiples puntos y el algoritmo aprende el impacto en el consumo energético al tomar diferentes acciones como apagar y/o prender luminarias, equipos de aire acondicionado, extractores de aire, etc. La cantidad de combinaciones son imposibles de manejar para un ser humano, pero no para un algoritmo, lográndose ahorros de hasta un 30%.
Beneficios del Machine learning
El ML ofrece múltiples beneficios a los negocios, que se pueden resumir en cuatro aspectos: eficiencia, efectividad, diferenciación y predicción.
Eficiencia: el ML permite automatizar y optimizar procesos que antes requerían de intervención humana o que eran demasiado lentos, costosos o complejos. Por ejemplo, el ML puede ayudar a detectar y prevenir fraudes, mejorar la seguridad informática, reducir el consumo energético, gestionar el inventario, etc.
Efectividad: el ML permite mejorar la calidad y el valor de los productos y servicios que se ofrecen a los clientes, al adaptarse mejor a sus necesidades, preferencias y comportamientos. Por ejemplo, el ML puede ayudar a personalizar las ofertas, las recomendaciones, el contenido, el diseño, etc.
Diferenciación: el ML permite crear productos y servicios innovadores que generen una ventaja competitiva y una propuesta de valor única. Por ejemplo, el ML puede ayudar a desarrollar coches autónomos, asistentes virtuales, diagnósticos médicos, traducciones automáticas, etc.
Predicción: el ML permite hacer pronósticos más precisos que refuerzan los tres aspectos anteriormente mencionados. Puede pronosticar las ventas, permitiendo una mejor gestión de inventarios. Puede pronosticar el comportamiento de los clientes, permitiendo una mayor personalización en los productos.
Casos de uso del Machine Learning
El ML se puede aplicar en una gran variedad de casos de uso, que dependen del tipo de problema que se tenga, el tipo de datos con los que se cuenta, y el tipo de solución que se busque. Algunos ejemplos de aplicaciones comunes del ML son:
Reconocimiento de voz: consiste en convertir el habla humana en texto escrito o en comandos para interactuar con dispositivos o aplicaciones. Por ejemplo, el ML se usa en los asistentes de voz como Siri o Alexa, que pueden entender y responder a las preguntas o peticiones de los usuarios.
Procesamiento de lenguaje natural: consiste en analizar y generar texto escrito o hablado en un idioma natural, para extraer o transmitir información. Por ejemplo, el ML se usa en los chatbots, que pueden mantener una conversación con los usuarios y ofrecerles asistencia o información.
Análisis predictivo: consiste en usar datos históricos y actuales para estimar o anticipar eventos o resultados futuros. Por ejemplo, el ML se usa en el marketing, para predecir el comportamiento o la fidelidad de los clientes, o en la bolsa, para predecir el movimiento de los precios.
Clasificación de imágenes: consiste en identificar y etiquetar el contenido de una imagen, reconociendo objetos, personas, escenas, etc. Por ejemplo, el ML se usa en las redes sociales, para etiquetar a los amigos en las fotos, o en la medicina, para detectar anomalías o enfermedades en las radiografías.
Análisis de redes sociales: consiste en analizar los datos generados por los usuarios en las plataformas sociales, como comentarios, opiniones, reacciones, etc., para obtener información sobre sus sentimientos, preferencias, intereses, etc. Por ejemplo, el ML se usa en el comercio electrónico, para obtener feedback de los clientes o influir en sus decisiones de compra.
Detección de fraude: consiste en identificar y prevenir actividades ilegales o sospechosas, como transacciones, accesos, reclamaciones, etc., que puedan causar pérdidas o daños. Por ejemplo, el ML se usa en la banca, para detectar operaciones fraudulentas con tarjetas de crédito o cuentas bancarias.
Desafío para el líder empresarial - ¿Identificas algún caso de uso de ML que pueda darle solución a un problema o desafío de negocio en tu organización?
Limitaciones y desafíos del Machine Learning
El ML no es una solución mágica ni infalible, sino que tiene sus propias limitaciones y desafíos, que hay que tener en cuenta a la hora de aplicarlo. Algunas de estas limitaciones son:
Calidad y cantidad de los datos: el ML depende de los datos para aprender y mejorar, por lo que es fundamental que los datos sean suficientes, relevantes, limpios, completos y actualizados. Unos datos escasos, erróneos, sesgados o desactualizados pueden afectar negativamente al rendimiento y la fiabilidad del modelo de machine learning. Hay bases de datos pre-establecidas que se usan para entrenar a los algoritmos.
Complejidad y coste de los algoritmos: el ML requiere de algoritmos sofisticados y potentes, que pueden ser difíciles de diseñar, implementar, entrenar, evaluar y mantener. Además, estos algoritmos pueden consumir muchos recursos computacionales, lo que implica un mayor coste económico y energético. Hay intentos de reducir la complejidad y el costo como AutoML (ML Automatizado) así como algoritmos pre-configurados y entrenados.
Interpretabilidad y explicabilidad de los resultados: el ML puede generar resultados que no son fáciles de entender o explicar, sobre todo en los casos de deep learning1, donde las redes neuronales2 pueden tener miles o millones de parámetros. Esto puede dificultar la validación, la confianza y la responsabilidad de los modelos de machine learning. Esto hace difícil su aplicación en servicios muy regulados y auditados.
Ética y legalidad de las aplicaciones: el ML puede tener implicaciones éticas y legales, sobre todo en lo que respecta a la privacidad, la seguridad, la equidad y la transparencia de los datos y los modelos. Es necesario establecer unos principios y unas normas que regulen el uso del ML, para evitar posibles abusos, discriminaciones o perjuicios.
Desafío para el líder empresarial - ¿Identificas alguna limitación de la ML que pueda restringir su implementación en tu organización?
Comentarios finales
Hay una serie de indicios que permiten asegurar el crecimiento sostenido del uso del ML en aplicaciones de negocio: aumento de la produccion de datos, crecimiento de la computación en la nube, la expansión del Internet de las cosas, el aumento de la capacidad de procesamiento computacional, la creciente necesidad de las organizaciones por automatizar y optimizar, el avance de otras tecnologías como el procesamiento de lenguaje natural o la visión computarizada.
La Alta Direción tiene la obligación de no solo conocer los beneficios y las limitaciones del ML, sino también de impulsar su evaluación dentro y/o fuera de la organización para minimizar riesgos, resolver problemas y aprovechar oportunidades.
Cada día que pasa sin tomar acción es un día de ventaja para la competencia.
¡Gracias por llegar hasta aquí! Si te ha gustado este artículo no olvides de compartirlo.
Y si deseas profundizar sobre este tema y evaluar cómo desde Moddula podemos ayudarte, puedes hacerlo programando una sesión exploratoria conmigo en este enlace:
¡Hasta la próxima semana!
Deep Learning es un sub-modelo de Red Neuronal con muchos niveles de profundidad
Red Neuronal es un sub-modelo de Machine Learning que se inspira en el cerebro humano y simula las comunicaciones entre las neuronas biológicas.