Machine Learning, Casos de Éxito y 6 pasos para su implementación.

El uso del Machine Learning para las empresas se encuentra en auge. Desde la mejora de la experiencia del usuario hasta el desarrollo de productos, casi no existe área en la actualidad que no haya sido alcanzada por el Machine Learning.

Machine Learning es un camino para la creación de inteligencia artificial, aunque existe cierta discrepancia acerca de su relación exacta con la inteligencia Artificial, algunos ven al Machine Learning como una subdivisión de la IA, mientras otros lo ven completamente a la inversa. Como lo vimos en nuestro último blog la IA busca replicar algunos aspectos humanos en la toma de decisiones, mientras que el Machine Learning puede ser usado para automatizar virtualmente cualquier tarea, no sólo aquellas relacionadas con la cognitiva humana.

Casos de éxito en el uso de Machine Learning

El uso de Machine Learning viene aumentando no sólo en la periferia de los modelos de negocios, sorprendentemente muchos negocios lo ubican en el centro, siendo el pilar y hasta parte esencial de sus ventajas competitivas hacia el consumidor. La tecnología ha permitido a los negocios ejecutar tareas a una escala que antes se pensaba imposible, generando no sólo eficiencia para las compañías sino que además nuevas oportunidades de negocio, a continuación algunos ejemplos:

Detección de Fraudes

Actualmente las transacciones financieras se mueven cada día más hacia un entorno online, esto a su vez, ha abierto una puerta hacia la posibilidad del fraude. Compañías de tarjetas de crédito, bancos y tiendas por departamento usan cada ves más aplicaciones de Machine Learning para identificar posibles fraudes. A un nivel primario, estas aplicaciones trabajan aprendiendo las características para legitimar transacciones, para luego escanear todas las transacciones que ingresan a la plataforma. Esta herramienta clasifica las transacciones y realiza alertas cuando se encuentran posibles fraudes.

Asistentes Virtuales

En la actualidad, la mayoría estamos familiarizados con los asistentes virtuales de diferentes compañías como Apple y Google. Lo que probablemente no conozcamos es que estas tecnologías son potenciadas por modelos de Machine Learning en diferentes formas que incluyen; Deep Learning, una técnica de aprendizaje basada en redes neuronales. Además de juegar un papel importante en el desarrollo del lenguaje natural, que es cómo el bot es capaz de interactuar con el usuario y comprender sus preferencias.

Motores de Recomendación

Hoy en día, las más grandes compañías online del mundo utilizan motores de recomendación para mostrar el producto correcto hacia sus consumidores en el momento idóneo. El gigante Amazon lideró esta tecnología en el inicio de la última década. Actualmente se ha convertido en un estándar en los sitios de compra online. Estas herramientas consideran el historial de búsqueda del usuario en el tiempo y son capaces de realizar sugerencias hacia productos enlazados que el cliente no conocía o buscaba aún.

Estos son sólo algunos de los innumerables ejemplos que existen de la aplicación de Machine Learning en nuestro día a día. Las empresas optan cada día más por integrar modelos de ML debido a los beneficios que se obtiene de su aplicación, como son:

• Incremento de la productividad
• Reducción del costo laboral
• Mejores proyecciones financieras
• Entendimiento más claro de los consumidores

La implementación en 6 Pasos

Implementar un modelo de Machine Learning es un proceso con varios pasos que requieren el input de diferentes tipos de expertos, a continuación un ejemplo de desarrollo en 6 pasos:

1. Toda implementación de Machine Learning inicia con la identificación de un problema, mientras más específica sea la oportunidad a mejorar más eficiente será el proyecto de Machine Learning.

2. Siguiendo con la etapa de formulación de problema, los equipos de Data Science deberán escoger el algoritmo ideal. Cada tipo de algoritmo funciona mejor con determinadas tareas. La regresión simple por ejemplo, funciona muy bien donde el usuario busca predecir una variable desconocida basada en una variable o data que posee, este algoritmo suele usarse para determinar si un evento ocurrirá o no. Cuttin Edge Deep Learning por otro lado es mejor para escenarios más complejos como; reconocimiento de imágenes o generación de texto. Existen docenas de tipos de algoritmos que van entre estos dos ejemplos, escoger el correcto es crucial para alcanzar el éxito con los proyectos de Machine Learning

3. Una vez se identifica el problema y se escoge el algoritmo, el siguiente paso es obtener la data o información. La importancia de recolectar la cantidad y calidad de data muchas veces se subestima, y no debería ser así. De la selección de la data va a depender el éxito de nuestro proyecto de Machine Learning. Este proceso de obtención de información implica tareas complejas como; verificar la información, conectarlas a las bases de datos mediante scripts, depurar y etiquetar la data para organizarla en archivos con los que pueda trabajar el algoritmo, entre otros. 

4. Una vez que se posee toda la data necesaria, se inicia la construcción del modelo. En esta etapa el proceso de aprendizaje diferirá drásticamente dependiendo si se utiliza un algoritmo de ML supervisado o un algoritmo de aprendizaje no supervisado. Cuando la etapa de entrenamiento es supervisada el equipo provee al algoritmo de información, definiendo qué características examinar. Por otro lado en un modelo de aprendizaje no supervisado el equipo básicamente realiza la etapa de entrenamiento a través de datos no clasificados ni identificados, hasta que el algoritmo haya producido un modelo de la información brindada de manera automática.

5. El siguiente paso es el desarrollo de la aplicación. Una vez que el algoritmo ha desarrollado un modelo acerca de cómo se ve la data, los desarrolladores pueden construir ese aprendizaje hacia una aplicación que ataque esa necesidad u oportunidad identificada en nuestro primer paso. A veces es muy sencillo, como desarrollar un Dashboard de información que actualice las metas de venta basado en las condiciones económicas del entorno. Puede ser un motor de recomendación que ha aprendido a sugerir con precisión a partir del comportamiento del consumidor.  O puede ser un software complejo médico que usa tecnología de reconocimiento de imágenes para detectar células cancerígenas en imágenes médicas. Durante la etapa de desarrollo, los ingenieros pondrán a prueba el modelo con nueva información para asegurar la efectividad de sus predicciones.

6. A pesar de que el trabajo principal ya fue realizado, ahora es momento de dejar al modelo actuar sólo. El último paso en el proceso de Machine Learning es validación. Los Data Scientist deberán verificar que la aplicación realiza predicciones precisas de manera autónoma e indefinida. Sin embargo el desempeño de los modelos suele decaer en eficiencia a lo largo del tiempo, esto debido a que los entornos de información con los que fue entrenado el modelo suelen cambiar. En este punto se necesita reentrenar al modelo y aquí el proceso inicia nuevamente.