¿Qué es el machine learning?
Definición de aprendizaje automático
El aprendizaje automático (ML) es el subapartado de la inteligencia artificial (IA) que se centra en desarrollar sistemas que aprenden, o mejoran el rendimiento, en función de los datos que consumen. Inteligencia artificial es un término amplio que se refiere a sistemas o máquinas que imitan la inteligencia humana. El aprendizaje automático y la IA suelen nombrarse juntos, y los términos a veces se usan indistintamente, pero no significan lo mismo. Un aspecto importante que hay que destacar es que, aunque todo aprendizaje automático es IA, no toda la IA es aprendizaje automático.
Hoy en día, el aprendizaje automático está en todas partes. Cuando interactuamos con bancos, realizamos compras online o usamos redes sociales, los algoritmos de aprendizaje automático entran en juego para que nuestra experiencia sea eficiente, fluida y segura. El aprendizaje automático y la tecnología relacionada se desarrollan rápidamente, y apenas estamos empezando a conocer la superficie de sus capacidades.
Tipos de aprendizaje automático: dos enfoques de aprendizaje
Los algoritmos son los motores que impulsan el aprendizaje automático. Generalmente, en la actualidad se utilizan dos tipos principales de algoritmos de aprendizaje automático: el aprendizaje supervisado y el aprendizaje no supervisado. La diferencia entre ellos se define por cómo cada uno aprende acerca de los datos para hacer predicciones.
| Aprendizaje automático supervisado | Los algoritmos supervisados de aprendizaje automático son los más utilizados. Con este modelo, un científico de datos actúa como guía y enseña al algoritmo las conclusiones que debe sacar. Al igual que un niño que aprende a identificar las frutas al memorizarlas con un libro de imágenes, en el aprendizaje supervisado, el algoritmo se entrena mediante un conjunto de datos que ya está etiquetado y tiene un resultado predefinido. Los ejemplos de aprendizaje automático supervisado incluyen algoritmos tales como regresión lineal y logística, clasificación multiclase y máquinas de vectores de soporte. |
| Aprendizaje automático no supervisado | El aprendizaje automático no supervisado utiliza un enfoque más independiente, en el que un ordenador aprende a identificar procesos y patrones complejos sin la guía cercana y constante de un ser humano. El aprendizaje automático no supervisado implica un entrenamiento basado en datos que no tienen ni etiquetas ni un resultado específico definido. Para continuar con la analogía de la enseñanza infantil, el aprendizaje automático no supervisado es similar a un niño que aprende a identificar frutas mediante la observación de colores y patrones, en lugar de memorizar los nombres con la ayuda de un maestro. El niño buscaría similitudes entre las imágenes y las separaría en grupos, asignando a cada grupo su propia etiqueta nueva. Los ejemplos de algoritmos de aprendizaje automático no supervisado incluyen el agrupamiento de k-means, el análisis de componentes principales e independientes y las leyes de asociación. |
| Elección de un enfoque | ¿Cuál es el mejor enfoque para tus necesidades? La elección de un algoritmo de aprendizaje automático supervisado o no supervisado depende generalmente de factores relacionados con la estructura y el volumen de tus datos y del caso de uso al que deseas aplicarlo. El aprendizaje automático ha florecido en una amplia gama de industrias, ofreciendo asistencia para múltiples objetivos empresariales y casos de uso, como:
|
Aprendizaje automático y desarrolladores
Cuando empiezan a utilizar el aprendizaje automático, los desarrolladores dependerán de sus conocimientos en materia de estadística, probabilística y cálculo para crear modelos que aprendan de manera más eficaz con el paso del tiempo. Si cuentan con habilidades sólidas en estas áreas, los desarrolladores no deben tener problemas para aprender las herramientas que muchos otros desarrolladores utilizan para entrenar algoritmos modernos de ML. Los desarrolladores también pueden tomar decisiones dependiendo de que sus algoritmos sean supervisados o no. Es posible que un desarrollador tome decisiones y configure un modelo al inicio de un proyecto y, posteriomente, permita que el modelo aprenda sin intervención de los desarrolladores.
A menudo, la línea que separa al desarrollador del científico de datos es muy fina. En ocasiones, los desarrolladores sintetizan datos de un modelo de aprendizaje automático, mientras que los científicos de datos se desarrollan soluciones para el usuario final. La colaboración entre estas dos disciplinas puede propiciar que los proyectos de aprendizaje automático sean más valiosos y útiles.
Objetivo empresarial del aprendizaje automático: modelar el valor del ciclo de vida del cliente
El modelado del valor de vida útil del cliente es esencial para las empresas de comercio electrónico, pero también es aplicable en muchas otras industrias. En este modelo, las organizaciones utilizan algoritmos de aprendizaje automático para identificar, comprender y retener a sus clientes más valiosos. Estos modelos de valor evalúan cantidades masivas de datos de clientes para determinar quiénes son los que más gastan, los defensores más leales de una marca o las combinaciones de estos tipos de cualidades.
Los modelos de valor de por vida del cliente son especialmente eficaces para predecir los ingresos futuros que un cliente individual aportará a una empresa durante un periodo determinado. Esta información permite a las organizaciones concentrar sus esfuerzos de marketing en alentar a los clientes de alto valor a interactuar con su marca con mayor frecuencia. Los modelos de valor de vida útil del cliente también ayudan a las organizaciones a orientar su gasto de adquisición para atraer nuevos clientes que sean similares a los clientes de alto valor existentes.
Modelar la pérdida de clientes mediante aprendizaje automático
La adquisición de nuevos clientes toma más tiempo y es más costosa que mantener a los clientes existentes satisfechos y leales. El modelado de fuga de clientes ayuda a las organizaciones a identificar qué clientes son más propensos a dejar de comprometerse con una empresa y por qué.
Un modelo de fuga efectivo utiliza algoritmos de machine learning para proporcionar información sobre todo, desde los puntajes de riesgo de abandono para los clientes individuales hasta los conductores de abandono, clasificados por importancia. Estos resultados son clave para desarrollar una estrategia de retención algorítmica.
La obtención de una visión más profunda de la fuga de clientes ayuda a las empresas a optimizar las ofertas de descuento, las campañas por correo electrónico y otras iniciativas de marketing específicas que hacen que sus clientes de alto valor sigan comprando y regresando a por más.
Los consumidores tienen más opciones que nunca, y pueden comparar los precios a través de una amplia variedad de canales, al instante. La fijación de precios dinámica, también conocida como fijación de precios a demanda, permite a las empresas mantener el ritmo acelerado de la dinámica del mercado. Permite a las organizaciones fijar precios de forma flexible a los artículos según factores que incluyen el nivel de interés del cliente objetivo, la demanda en el momento de la compra y si el cliente se ha comprometido con una campaña de marketing.
Este nivel de agilidad empresarial requiere una sólida estrategia de machine learning y una gran cantidad de datos sobre cómo la disposición de los diferentes clientes a pagar por un bien o servicio cambia en diferentes situaciones. Aunque los modelos de precios dinámicos pueden ser complejos, algunas empresas como las aerolíneas y los servicios de viaje compartido han implementado con éxito estrategias dinámicas de optimización de precios para maximizar los ingresos.
Objetivo empresarial del aprendizaje automático: llegar a los clientes mediante la segmentación
El marketing exitoso siempre ha consistido en ofrecer el producto correcto a la persona correcta en el momento adecuado. Hace no mucho tiempo, los profesionales de marketing confiaban en su propia intuición para segmentar clientes y para separar a los clientes en grupos para campañas específicas.
Hoy en día, el machine learning permite a los científicos de datos usar algoritmos de agrupación y clasificación para agrupar a los clientes en personas basándose en variaciones específicas. Estas personas consideran las diferencias de los clientes en múltiples dimensiones, como la demografía, el comportamiento de navegación y la afinidad. La conexión de estos rasgos a los patrones de comportamiento de compra permite a las compañías con conocimientos en datos implementar campañas de marketing altamente personalizadas que sean más efectivas para impulsar las ventas que las campañas generalizadas.
A medida que los datos disponibles para las empresas crecen y los algoritmos se vuelven más sofisticados, las capacidades de personalización aumentarán, lo que acercará a las empresas al segmento ideal de clientes.
Objetivo empresarial del aprendizaje automático: aprovechar el poder de la clasificación de imágenes
El machine learning admite una variedad de casos de uso más allá del sector retail, los servicios financieros y el comercio electrónico. También tiene un tremendo potencial para aplicaciones para la ciencia, la atención sanitaria, la construcción y los servicios públicos. Por ejemplo, la clasificación de imágenes emplea algoritmos de machine learning para asignar una etiqueta proveniente de un conjunto fijo de categorías a cualquier imagen de entrada. Permite a las organizaciones modelar planos de construcción 3D basados en diseños 2D, facilitar el etiquetado de fotos en redes sociales, informar sobre diagnósticos médicos y más.
Los métodos de machine learning, como las redes neuronales, se utilizan a menudo para la clasificación de imágenes, ya que pueden identificar de manera más eficaz las características relevantes de una imagen en presencia de posibles complicaciones. Por ejemplo, pueden considerar las variaciones en el punto de vista, la iluminación, la escala o el volumen de desorden en la imagen y compensar estos problemas para ofrecer la información más relevantes y de alta calidad.
Motores de recomendación
Los motores de recomendación son esenciales para los consumidores de cross-selling y up-selling y para ofrecer una mejor experiencia de cliente.
Netflix tasa el motor de recomendaciones que impulsa sus sugerencias de contenido en 1000 millones de dólares por año y Amazon afirma que su sistema aumenta las ventas anuales entre un 20 % y un 35 %.
Los motores de recomendaciones utilizan algoritmos de aprendizaje automático para analizar grandes cantidades de datos y predecir la probabilidad de que un cliente compre un artículo o disfrute de una parte del contenido, y luego ofrecen sugerencias personalizadas al usuario. Esto genera una experiencia más personalizada y relevante que fomenta un mayor compromiso y reduce la fuga.
Casos de uso de aprendizaje automático
El machine learning potencia una variedad de casos clave de uso empresarial. No obstante, ¿cómo ofrece una ventaja competitiva? Una de las cualidades más convincentes del machine learning es su capacidad para automatizar y acelerar el tiempo de decisión y el tiempo de rentabilidad. Eso comienza al obtener una mayor visibilidad empresarial y al mejorar la colaboración.
"Tradicionalmente, lo que vemos es que las personas no pueden trabajar conjuntamente" afirma Rich Clayton, vicepresidente de estrategia de productos de Oracle Analytics. "Agregar el machine learning a Oracle Analytics Cloud en última instancia ayuda a las personas a organizar su trabajo y construir, capacitar e implementar estos modelos de datos. Es una herramienta colaborativa cuyo valor yace en acelerar el proceso y permitir que diferentes partes de la empresa colaboren entre sí, lo que brinda una mejor calidad y modelos para que puedas implementar".
Por ejemplo, los departamentos de finanzas típicos se ven agobiados por la repetición de un proceso de análisis de varianza, una comparación entre lo que es real y lo que se pronosticó. Es una aplicación poco cognitiva que puede beneficiarse enormemente del machine learning.
"Al integrar el machine learning, las finanzas pueden funcionar más rápido y de manera más inteligente, y continuar desde donde se detuvo la máquina", sostiene Clayton.
El poder de la predicción
Otra capacidad emocionante del machine learning es su capacidad predictiva. En el pasado, las decisiones empresariales a menudo se tomaban en base a los resultados históricos. Hoy en día, el machine learning emplea una analítica contundente para predecir lo que sucederá. Las organizaciones pueden tomar decisiones proactivas con anticipación en lugar de confiar en datos pasados.
Por ejemplo, el mantenimiento predictivo puede permitir a los fabricantes, a las compañías de energía y a otras industrias tomar la iniciativa y garantizar que sus operaciones sigan siendo confiables y optimizadas. En un campo petrolero con cientos de taladros en operación, los modelos de machine learning pueden detectar equipos que corren el riesgo de fallar en un futuro próximo y luego notificar a los equipos de mantenimiento con anticipación. Este enfoque no solo maximiza la productividad, sino que también aumenta el rendimiento de los activos, el tiempo de actividad y la longevidad. También puede minimizar el riesgo de los trabajadores, disminuir la responsabilidad y mejorar el cumplimiento normativo.
Los beneficios del mantenimiento predictivo se extienden al control y la gestión del inventario. Al evitar el tiempo de inactividad no planificado mediante la implementación del mantenimiento predictivo, las organizaciones pueden predecir con mayor precisión la necesidad de repuestos y reparaciones, lo que reduce significativamente los gastos de capital y operativos.
Potencial del aprendizaje automático
El machine learning ofrece un enorme potencial para ayudar a las organizaciones a obtener valor empresarial proveniente de la gran cantidad de datos disponibles en la actualidad. Sin embargo, los flujos de trabajo ineficientes pueden impedir que las empresas sean conscientes del máximo potencial del machine learning.
Para tener éxito a nivel empresarial, el machine learning debe formar parte de una plataforma integral que ayude a las organizaciones a simplificar las operaciones e implementar modelos a escala. La solución adecuada permitirá a las organizaciones centralizar todo el trabajo de la ciencia de datos en una plataforma colaborativa y acelerar el uso y la administración de herramientas, marcos e infraestructura de código abierto.