Hace algunos años, particularmente a mediados de 2016, comenzó a aparecer un concepto que seguiría su curso hasta convertirse en buena parte del día a día de casi todos nosotros: Machine Learning. Hay muchísimos recursos en internet para aprender sobre esto, pero casi ninguno que lo baje al común de la gente. Todo el mundo habla de Machine Learning, pocos saben qué es, para qué sirve y cómo aplicarlo.
Mi intención en este artículo es desmembrar un poco el concepto y facilitar la comprensión de algo que, correctamente utilizado, puede impactar radicalmente en los resultados de tu compañía u organización.
Machine Learning es una rama de lo que se conoce como Inteligencia Artificial (IA) y tiene que ver con la creación de sistemas que aprenden por sí mismos y que, con el paso del tiempo, van mejorando su precisión.
En el año 1959, Arthur Samuel aparece por primera vez con el término en su paper “Some Studies in Machine Learning Using the Game of Checkers” donde destaca que: “una computadora puede ser programada de forma tal que aprenderá a jugar mejor a las damas que la persona que la programó. No solo eso, sino que puede hacerlo en un período relativamente corto de tiempo cuando se le proveen sólo las reglas del juego, un sentido de dirección y una lista redundante e incompleta de parámetros que se supone tienen alguna relación con el juego, pero cuyas señales y pesos relativos son desconocidos y no especificados”.
En pocas palabras, la máquina puede aprender, mejorar y llegar a derrotar a su contrincante humano en poco tiempo en función de los datos que va recibiendo y analizando.
El objetivo principal de la IA es simular el proceso de inteligencia humana a través de máquinas. La idea es imitar las capacidades de tomar decisiones y resolver problemas que tienen los humanos a través de tecnología. Es un campo, que a su vez tiene subcampos como Machine Learning y Deep Learning.
Existen dos tipos de Inteligencia Artificial:
¿Y dónde entra Machine Learning dentro del campo de la inteligencia artificial que busca simular la inteligencia humana? Fundamentalmente en todo lo que tenga que ver con el aprendizaje.
Hablamos de aprendizaje, pero todavía no nos enfocamos en los métodos que se usan para que, justamente, la máquina aprenda. Hay tres tipos: supervisado, no supervisado y reforzado.
En este caso se entrena un algoritmo con datos ya etiquetados y un target (o output) específico. Se provee de inputs con outputs correctos, los cuales ayudarán a que el modelo aprenda a lo largo del tiempo. Hablamos de “entrenamiento” porque justamente el algoritmo aprende encontrando relaciones entre los datos en vistas de generar una respuesta específica.
En el ejemplo de arriba tenemos inputs y outputs que se relacionan a esos inputs. Para saber de qué especie de flor se está hablando (el output), se analizan ciertas características (o, en este caso, los inputs) y se elabora una respuesta.
Los algoritmos de Machine Learning, en este caso, trabajarían para predecir qué tipo de especie es la flor en función de la longitud y ancho del sépalo junto a la longitud y ancho del pétalo. Conforme pasa el tiempo y se generan más datos, el algoritmo aprende mejor y, en un caso satisfactorio, estaría prediciendo la especie la mayoría del tiempo solo con los inputs.
El aprendizaje supervisado puede separarse de dos formas:
Algunos algoritmos utilizados comúnmente en el aprendizaje supervisado son redes neuronales, clasificadores Naive Bayes, regresión lineal, regresión logística, SVM y más.
Como bien lo dice su nombre, estamos frente a un método donde no existe supervisión alguna de los datos. ¿Cuál es el objetivo del algoritmo en este caso? Agrupar esos datos en función de características similares. Permite encontrar relaciones entre los datos que, de otra forma, no podríamos haber encontrado o se nos hubiese hecho extremadamente costoso o difícil sin la ayuda de un algoritmo.
Volviendo a nuestro ejemplo de las flores, podríamos usar las características (longitud y ancho de sépalo y pétalo) para agruparlas por similitud. Como en nuestro set de datos no tendríamos un output que nos permita hacer una clasificación (la especie de la flor), dejamos a los algoritmos la tarea de agrupar por características similares.
Los métodos más comunes para agrupar datos en función de sus relaciones son clustering, reglas de asociación y reducción de dimensionalidad.
Este caso es similar al supervisado pero sin usar ningún tipo de dato de entrenamiento. Básicamente, el modelo aprende a prueba y error, con el paso del tiempo. Cuando una respuesta del algoritmo sea correcta, reforzará el sistema para seguir aprendiendo.
Luego de haber visto los distintos métodos, te imaginarás que Machine Learning no aplica únicamente a un ámbito académico, sino que puede acaparar un enorme abanico de casos de uso. Vamos con algunos ejemplos comunes:
Para transformar la voz humana a texto (común en varios productos, como Google Translate y su funcionalidad de “Traducir por voz”) mediante el uso de NLP (conocido en inglés como natural language processing y en español como procesamiento natural del lenguaje).
Cuando le hables a tu teléfono y veas que eso inmediatamente se transforma a texto, hay un algoritmo de Machine Learning por detrás.
Hace algunos años nació una industria prácticamente nueva, donde Machine Learning jugó un rol fundamental a la hora de construir un producto sólido y que pueda brindar una atención de calidad a los clientes a toda hora y lugar: los chatbots.
En Botmaker facilitamos la creación de estos robots que sirven tanto para soporte a clientes como ventas, campañas específicas de Marketing, centros de ayuda, comunicación interna y más. Tenemos múltiples casos de éxito y trabajamos con empresas de todo el mundo.
Desde Netflix hasta Amazon, todos tienen motores de recomendación que usan Machine Learning para mostrarte cosas que puedan interesarte. En el caso de Netflix, si miraste muchas películas de acción, probablemente se te recomienden películas de ese género o películas de otros géneros que usuarios con características similares a las tuyas hayan visto. En el caso de Amazon, sucede lo mismo pero con productos.
El fraude es un problema enorme para bancos y empresas de eCommerce. Usando Machine Learning, se pueden detectar señales de posibles acciones fraudulentas y evitarlas antes de que sucedan.
Conociendo los intereses e interacciones de tus usuarios con tu producto o servicio, puedes correr campañas de marketing más eficientes, que lleguen en el momento correcto y brinden al usuario una oferta o algo de valor en función de su historial.
Por supuesto, estos son unos pocos, pero hay muchísimos casos de uso que hoy son posibles gracias a esta tecnología.
Machine Learning es un subcampo de la Inteligencia Artificial dedicado exclusivamente a la creación de sistemas que aprenden por sí mismos a través de diferentes métodos (supervisado, no supervisado y reforzado). Si bien suele mencionarse como un sinónimo de IA, no lo es, ya que es una de las partes que la conforman.
Existen diversos casos de uso para Machine Learning que van desde la creación de bots hasta motores de recomendación en vistas de mejorar la experiencia de los clientes y/o usuarios de un producto o servicio.
Si tienes una empresa y necesitas atender a todos tus clientes en una misma plataforma y con el apoyo de una herramienta que te permita ser más eficiente y aprender mejor de la necesidades de tus usuarios, no dudes en ponerte en contacto con uno de nuestros representantes. En Botmaker trabajamos con múltiples compañías, para casos de uso muy variados. Donde haya una conversación, podemos ayudarte para gestionarla de la mejor manera posible.
