Esperamos que estos recursos puedan servir a los lectores de este blog a comprender y revisar distintas dimensiones de las tecnologías de la información y de la comunicación en el mundo empresarial.
Es una rama de la inteligencia artificial que emplea un conjunto de algoritmos catalogados como Aprendizaje Automático, otorgando la autonomía necesaria a los ordenadores y sistemas informáticos para que aprendan de sus errores u optimicen sus aciertos sin intervención humana. El objetivo es deslindar a las personas de trabajos que pueden automatizarse para maximizar la eficiencia, de modo que no requieran continuas programaciones.
Los sistemas de Machine Learning identifican patrones complejos a partir de incalculables volúmenes de datos, procesándolos para predecir el comportamiento. Su capacidad para mejorar sin ayuda externa les permite desarrollar sus propios modelos para descubrir tendencias.
Machine Learning en el Big Data
Es prácticamente imposible pensar en Big Data eficiente que no utilice tecnologías de inteligencia artificial Machine Learning. Compañías como Amazon utilizan el Machine Learning para indagar entre sus millones de productos y ofrecer al usuario aquellos que más se ajustan a su perfil, predicen el número de bajas de clientes que se cambiaron a la competencia, analizando qué motivos los impulsaron a hacerlo o en caso contrario, la fidelización de nuevos clientes que encontraron satisfecha su demanda en la empresa.
La combinación de Machine Learning con Big Data está invadiendo cada rincón de los mercados de consumo masivo y se están trasladando a las empresas de menor magnitud para asegurar su supervivencia en una jungla de ofertas. Por esta razón, se necesitan profesionales capaces de mantenerse a la vanguardia con estas tecnologías que continuarán sofisticándose y formarán parte de las ocupaciones con mayor salida laboral en el futuro.
Un indicador de que esta predicción se cumplirá, es la creciente popularización de internet de las cosas cuando millones de dispositivos y personas conectadas entre sí arrojen cantidades inimaginables de datos que deberán analizarse para dar con las soluciones más adecuadas.
Machine Learning
La inteligencia artificial esta cambiando al mundo
Para entender todos estos conceptos hay que tener claro que estamos viviendo en una época en que la tecnología forma parte de nuestra vida cotidiana, al nivel que gran parte de la sociedad tiene una dependencia de esta para poder realizar sus actividades diarias. Desde este principio se le busca dar utilidad a las cosas que las personas buscan en internet, a la información que se guarda de trabajos de investigación, pasatiempos, entre otras cosas.
Big Data: Es un término que describe el gran volumen de datos, tanto estructurados como no estructurados, que inundan los negocios cada día. Su importancia es lo que se puede llegar a hacer con toda esta información recopilada para obtener ideas que nos ayuden a tomar mejores decisiones.
Inteligencia Artificial: La combinación de algoritmos planteados con el propósito de crear máquinas que presenten las mismas capacidades que el ser humano.
Ambos conceptos convergen en...
Los grandes cambios se verán reflejados en el sector industrial:
1. Mayor inversión en el área de la Saluden cambios como diagnosticar enfermedades con escaneos, biopsias, audio y otro tipo de datos.
2. EnergíaPredecir fallas y recomendar mantenimiento para explotación y perforación.
3. Sector público y socialOptimizar la asignación de recursos para el desarrollo urbano que mejora la calidad de vida como reducir el tráfico y bajar la contaminación.
4.Finanzas prevenir fraudes, lavado de dinero y personalizar la oferta de productos con base en datos multimodales.
5. Más: En el sector automotriz, manufactura, agricultura, farmacéutico, medios de comunicación, telecomunicaciones, logística, centros de distribución minorista, viajes y hotelería.
Habrá un impacto se reflejará en:
Ingresos y Costos
Producir más productos con el mismo número de empleados.
El aprendizaje automático o aprendizaje automatizado de las máquinas es un subcampo de las ciencias de la computación y una rama de la inteligencia artificial. Este campo concreto está enfocado en el desarrollo de técnicas que permiten que las computadoras aprendan y memorizen lo que ya han realizado. Siendo de esta manera capaces de
generalizar comportamientos a partir de una información suministrada en
forma de ejemplos.
Existen numerosos campos y sectores en los que se usa esta tecnología. Entre los cuales se pueden destacar, el sector del transporte y distribución minorista, el sector politico-legal, el sector energético, el sector servicios (sobre todo el sector de la sanidad) y el sector financiero. En todos ellos se busca optimizar al máximo el uso de las tecnologías para así obtener unos mejores resultados en todos los sentidos.
En este último sector es en el cual se han dado los últimos cambios más relevantes. En el se pueden destacar varias innovaciones para la gestión de grandes cantidades de datos, y la estracción de información concreta de los mismos. En esta disciplina, se combinan junto al Machine learning, diferentes procedimientos matemáticos, estadísticos, y principios de gestión de base de datos.
Machine Learning
El aprendizaje automático o aprendizaje automatizado o aprendizaje de máquinas
es el subcampo de las ciencias de la computación y una rama de la inteligencia artificial, cuyo objetivo es desarrollar técnicas que permitan que las computadoras aprendan.
De forma más concreta, se trata de crear programas capaces de
generalizar comportamientos a partir de una información suministrada en
forma de ejemplos.
Estos son alguno de los usos más comunes del machine learning e inteligencia artificial:
1. Seguridad de datos
El malware
es un problema creciente hoy en día. Pese a que casi a diario surgen
nuevos malware, suelen tener casi el mismo código que las versiones
anteriores. De esta manera, el machine learning puede predecir qué archivos son malware con gran precisión.
Es más, los algoritmos de machine learning pueden buscar patrones en
cómo se accede a los datos en la nube e informar de anomalías que
podrían predecir infracciones de seguridad.
2. Cuidado de la salud
En un estudio en el que se empleó el diagnóstico asistido por
computadora (CAD) para revisar las mamografías iniciales de mujeres que
desarrollaron cáncer de mama posteriormente, la computadora detectó el
52% de los cánceres hasta un año antes de que las mujeres fueran
diagnosticadas oficialmente. Esto demuestra que los algoritmos de machine learning pueden procesar más información y detectar más patrones que una mente humana. Además, el machine learning también se puede utilizar para advertir los factores de riesgo de enfermedad en poblaciones grandes.
3. Detención de fraudes
El machine learning es cada vez más eficaz detectando posibles casos de fraude en diferentes campos. PayPal ya utiliza el machine learning para combatir el blanqueo de dinero;
la compañía tiene herramientas que comparan millones de transacciones y
pueden distinguir con precisión entre transacciones legítimas y
fraudulentas, entre compradores y vendedores.
4. Coches inteligentes
Según un estudio de IBM, se espera que en 2025 ya podamos ver coches inteligentes en la carretera. En
este sentido, un coche inteligente no solo se integraría en el Internet
de las Cosas, sino que también aprendería sobre su propietario y su
entorno. Estos vehículos podrían ajustar la configuración interna
(temperatura, audio, posición del asiento, etc.) de forma automática en
función del conductor, informar e incluso solucionar problemas, y
conducir y ofrecer asesoramiento en tiempo real sobre el tráfico y las
condiciones de la carretera.
En este video aparecen 10 productos en los que se utiliza el machine learning.
Machine Learning es una disciplina
de la Inteligencia Artificial que nace
desde los años 60 y debido a las nuevas
tecnologías computacionales, sus
avances se han acelerado.
Trata en enseñarle a una computadora a detectar patrones y hacer conexiones mostrándole un set de datos y aplicándole algoritmos para que la máquina parametrice cómo realizar una tarea por sí misma; aprenda, y se vuelva más inteligente para resolver problemas.
Seguridad online
En España un 16% de las transacciones se realizan de forma electrónica, la cual es una cifra que crece anualmente. Por lo que resulta de gran interés para los ciberdelincuentes.
Pudiendo optar por diferentes formas de actuar, siendo las principales:
Clonación: duplicación de tarjetas de crédito.
Robo de identidad: suplantación de identidad.
Phishing: es un método que los ciberdelincuentes utilizan para engañarle y conseguir que revele información personal, como contraseñas o datos de tarjetas de crédito y de la seguridad social y números de cuentas bancarias.
Hacking: es el conjunto de técnicas a traves de las cuales se accede a un sistema informatico vulnerando las medidas de seguridad establecidas originalmente.
Smishing: es un nuevo tipo de delito o actividad criminal a base de técnicas de ingeniería social con mensajes de textos dirigidos a los usuarios de telefonía móvil . Se trata de una variante del phising.
Los fraudes más peligrosos son los que implican robo de identidad online y de los datos de la tarjeta. Por eso las instituciones públicas como el BCE y privadas como PayPal o Visa están realizando esfuerzos importantes para prevenir este tipo de fraudes.
ALGORITMO MACHINE LEARNING
Evalúa probabilísticamente una a una las transacciones en base a su experiencia y entrenamiento con casos reales y considera cada una de las particularidades de las transacciones antes de clasificarla como legítima o no. Además, se caracterizan por ser más “ligeras” y facilitar que la web cargue más rápido.
De manera que además de aumentar la seguridad, también reduce el número de reclamaciones de clientes, en las que sus transacciones han sido clasificadas como fraudulentas por un sistema de reglas predefinidas, cuando en realidad no lo son.
El
propósito de mi blog no va a ser otro que intentar explicar que es cada
una de las cosas, y poner un ejemplo en el que se entienda bien la
diferencia entre ellas. Creo que es importante que sepamos bien como
actúa cada parte, sobretodo cuando en años venideros veremos como esta
terminología se usará continuamente para referirse a aspectos
tecnológicos relacionados con la Inteligencia Artificial.
Tal
y como he puesto en la infografía, se ven las tres partes diferenciadas
y están definidas sus acciones. Deep Learning es una rama del Machine
Learning, que a su vez está integrada dentro de la Inteligencia
Artificial.
Inteligencia Artificial
La inteligencia artificial es la que
simula los procesos de inteligencia humana pero por parte de las máquinas. Estos procesos incluyen el
aprendizaje como por ejemplo: la adquisición de información y reglas para el uso de la
información, el razonamiento, usando las reglas para llegar a
conclusiones aproximadas o definitivas y por último la autocorrección.
Ejemplo:Actualmente parte de las administraciones públicas, están apostando de cara al futuro por la implementación de la I.A. mediante: Chatbots conversacionales, Drones, Big Data o el Blockchain.
Machine Learning
En el machine learning hay que guiar a la máquina en
cada una de las fases del proceso para que aprenda, a través de la
práctica, a identificar lo que queremos de manera automática.
Ejemplo:el machine learning puede ayudar a detectar pacientes con tendencia al suicidio.
Tras realizar una sencilla entrevista oral a los pacientes, el
ordenador será capaz de analizar particularidades como la entonación o
la velocidad de respuesta para extraer resultados. El estudio concluyó
con un sorprendente 93 % de acierto.
Deep Learning
En el deep learning la máquina aprende por sí sola con
cada nuevo input de información que recibe. Si en alguna ocasión emplea
un dato equivocado, aprende del error y usa otro dato para aproximarse
al resultado correcto cada vez más rápido y de manera más fiable. Ese
fallo nunca más volverá a repetirse.
Ejemplo:Google también encuentra en el deep learnign otro de sus grandes desafíos esto no es otra cosa que
conseguir que las traducciones online se acerquen lo máximo a la
perfección. Y es que los servicios de traducción virtuales utilizan esta
forma de Inteligencia Artificial para, gracias a las correcciones de
determinadas traducciones, no volver a cometer esos errores (cometerá otros nuevos) y ofrecer a
los usuarios la mejor opción para sus consultas futuras.
Para reforzar lo escrito aquí, acompaño con el siguiente vídeo:
El machine learning también conocido como inteligencia artificial, trata de crear programas capaces de generalizar comportamientos a partir de una información suministrada en forma de ejemplos. Es, por lo tanto, un proceso de inducción del conocimiento.
Un ejemplo específico de que es machine learning, son las sugerencias que servicios de compra en línea, de manera casi
instantánea, te envía publicidad de productos que quizás puedan
interesarte.
En cuanto a la educación, elmachine learning permite
que los estudiantes aprendan de una mejor manera, ya que el sistema
analiza su rendimiento y personaliza el contenido con el objetivo de
reforzar aspectos específicos de manera individual, orienta al
estudiante hacia lo que debería reforzar.
La educación y el machine learning
La ventaja de integrar el machine
learning en la educación, es que realiza una predicción de problemas o
dificultades en el aprendizaje a través del análisis de su rendimiento,
de esta manera puede predecir nuevas rutas de aprendimiento. La recopilación de estos datos
permite al docente identificar el contenido que el estudiante ha
comprendido y el que debe fortalecer.
Los docentes deben encontrar una manera de presentar esta tecnología a los jóvenes como una herramienta para que ellos le sorprendan, el sistema se encargará de guiarlos y el docente revisará posteriormente sus avances.
Se recomienda que la implementación de estos sistemas a las clases, tanto docentes como estudiantes, sean parte del proceso.
Lo más importante en la implementación del machine learning es el análisis del data y la toma de decisiones a partir de ello.
El docente tiene un excelente apoyo
al adquirir un sistema que automáticamente guíe al estudiante en su
proceso, pero debe estar al tanto del rendimiento de cada uno de ellos.
Cinco herramientas de machine learning en la educación;
Las herramientas y servicios en línea
que integran el machine learning son un refuerzo para optimizar los
procesos de aprendizaje, convirtiéndose en un apoyo para el docente y
guiar a los estudiantes.
ALEKS: Es un sistema de evaluación y aprendizaje basado en la Web que integra
la inteligencia artificia.
WRITETOLEARN: Es un herramienta automatizada para el desarrollo de habilidades de escritura y comprensión de lectura.
TURNITIN: Promueve la integridad académica puesto
que su valor principal es la revisión de textos con un sistema que
determina el riesgo de plagio, además, ofrece herramientas de enseñanza y
aprendizaje, tanto académico y profesional.
LEARNING NAVIGATION: Es un sistema en línea desarrollado por Gooru, una organización no lucrativa de tecnología educativa.
MANGAHIGH: Este proyecto se enfoca en el área de las matemáticas. El docente puede
personalizar las instrucciones en un proceso de tres pasos: Asignar
actividades, revisión de rendimiento y diferenciación de instrucciones.
En esta infografia se aprecia las 5 herramientas del machine learning enfocado en el ambito de la eduación:
Machine learning es una disciplina de la inteligencia
artificial que nace desde los años 60 y debido a las nuevas tecnologías
computacionales, su avance se ha acelerado. Consiste en enseñarle a una
computadora a detectar patrones y hacer conexiones mostrándole un set de datos
y aplicándole algoritmos para que la máquina parametrice cómo realizar una
tarea por sí misma; aprenda, y se vuelva más inteligente para resolver
problemas. Va más allá de lo que pueden hacer las analíticas de Big Data, y en
general más allá de lo que pueden hacer los humanos.
En la actualidad, la potencia de procesamiento es
cada vez mayor, el costo de almacenamiento se
ha hecho más accesible y los algoritmos son más
sofisticados, los dos métodos más utilizados son
los “supervisados” que requieren la intervención
humana y tiene como tarea principal hacer predicciones,
y los “no supervisados” que se ocupan
para identificar relaciones entre datos
Con Machine Learning es posible optimizar la operación
en tiempo real, contar con predicciones, personalizar
los productos y servicios, estimar la demanda
futura, conocer las tendencias, detectar anomalías,
realizar mantenimientos preventivos, procesar datos
no estructurados, hacer predicciones de diferentes
tipos, prevenir fraudes y en general, hacer más eficiente
la operación de una empresa.
No obstante, aún los mejores modelos de Machine
Learning tienen riesgos, los más comunes son
dar falsos positivos por malos algoritmos, y otro
son las intervenciones de los hackers. Para minimizar
estos riesgos, se deben implementar políticas
de seguridad adecuadas.
De acuerdo al estudio elaborado por McKinsey, Machine
Learning tiene un gran potencial para resolver diferentes
tipos de problemas de los sectores industriales más importantes,
provocando un real impacto en su operación y en la
forma de hacer negocios; en este sentido propone algunas
oportunidades por sector, de las cuales se muestra a continuación
un ejemplo para cada caso:
- Automotriz: Identificar carreteras y obstrucciones en tiempo real para autos autónomos
- Manufactura: Predecir fallas y recomendar mantenimiento preventivo en líneas de producción - Finanzas: Prevenir fraudes, lavado de dinero y personalizar la oferta de productos con base en datos multimodales - Agricultura: Personalizar técnicas de mejoramiento a parcelas específicas - Energía: Predecir fallas y recomendar mantenimiento preventivo para explotación y perforación - Salud: Diagnosticar enfermedades con escaneos, biopsias, audio y otro tipo de datos - Farmacéutico: Optimizar los estudios clínicos incluyendo la selección de pacientes - Medios de comunicación: Personalizar publicidad y recomendaciones con base en datos multimodales - Telecomunicaciones: Predecir el tiempo de vida y el riesgo de cancelación de los clientes - Logística: Optimizar precios y horarios con base en la demanda en tiempo real - Centros de distribución minorista: Optimizar el surtido de productos para maximizar ventas - Sector público y social: Optimizar la asignación de recursos para el desarrollo urbano que mejora la calidad de vida como es reducir el tráfico y bajar la contaminación. - Viajes y hotelería: Identificar rutas más eficientes y optimizar itinerario de vuelos. En la actualidad, todas las grandes empresas están invirtiendo en aprendizaje automático e inteligencia artificial, así como contratando personal especializado en estas áreas. Es decir, la utilizan para optimizar actividades entre máquina-máquina antes de utilizarla para eliminar empleos
En una época
en la que los avances informáticos son continuos, y su implementación en
nuestra vida cotidiana es cada vez más común, el Machine learning ha tomado gran importancia en los
últimos años.
¿Qué es el Machine learning?
Cuando
hablamos de Machine learning nos referimos a sistemas informáticos que aprenden
automáticamente por si solos (sin intervención humana). Éste es una vertiente de
la inteligencia artificial que a través de algoritmos y grandes volúmenes de
datos identifican patrones complejos, procesándolos para predecir modelos de
comportamiento.
Al igual que
las demás tecnologías, el machine learning ha evolucionado (aprende por si
solo), y es capaz de tomar decisiones gracias a que analiza los datos
obteniendo un conocimiento previo de la situación. Esto lo consigue gracias a
que a través de los datos y resultados anteriores es capaz de desarrollar
nuevos algoritmos.
Además, no se
trata únicamente de la cantidad de datos que es capaz de recoger y procesar,
sino también de la calidad de éstos. Los datos que se utilizan para definir los
algoritmos tienen que ser de valor, y tener un sentido para que aporte
respuestas más exactas, reduciendo la probabilidad de error al mínimo.
En los
últimos años esta tecnología se ha implantado en muchos sectores, y la
relevancia que tiene en el sector financiero es capital, impactando cualquier
área de negocio,tal y como están demostrando actualmente las FinTech. Desde los
analistas de inversión, analistas de riesgos, o el departamento de Customer
Service pueden ayudarse de esta tecnología para mejorar su funcionalidad, ya
bien sea en términos de costes, de agilidad o precisión.
El machine
learning ha traído consigo cantidad de desarrollos y usos en el mundo
financiero, y uno de los más importantes ha sido el uso para la concesión de
créditos u análisis del riesgo. Anteriormente, el sector financiero utilizaba
regresiones logísticas para la predicción del riesgo, es decir, los bancos
usaban estadística avanzada a la hora del análisis y concesión de préstamos.
Los sistemas avanzados del Machine learning posibilitan mayor optimización de
la concesión de créditos y préstamos.
¿Cómo puede transformar la Machine learning la concesión de créditos y
préstamos?
En este caso, esta tecnología juega un papel sumamente importante en
la gestión del riesgo, mediante el análisis del perfil del cliente que solicita
el crédito. Para conocer el riesgo de impago de cada potencial cliente,
el algoritmo creado, y que se pretende mejorar mediante Machine Learning, no se
sirve únicamente de datos financieros, sino también de datos comportamentales
que se pueden extraer, por ejemplo, de redes sociales o de valoraciones de
otras personas en plataformas colaborativas (por ejemplo, valoraciones
extraídas de Blablacar, Airbnb o People). Esto aporta una gran cantidad
de ventajas en la concesión de financiación, como pueden ser:
·Posibilita
tener en cuenta un gran número de variables, muchas de las cuales antes no
se tenían en cuenta pero son importantes para el análisis de riesgo.
·Son
sistemas que se anticipan rápidamente, calibrando el riesgo y haciendo
re-estimaciones. Realizan mojaras constantes en los métodos de estimación del
riesgo.
·Los
algoritmos creados por el Machine learning mejoran entre un
20-25% los modelos predicción convencionales.
·Detección
de morosidad, para así pasar de la persecución a la prevención del
moroso.
·Optimización
en la selección de clientes para préstamos y créditos preconcedidos.
Otras posibilidades de Machine learning en el mundo financiero
El Machine learning en el area financiera no es solo la concesión de créditos y prestamos. También hay que resaltar que puede complementarse con los Chatbot, programas informáticos donde es posible mantener una conversación. Esto da multitud de posibilidades en el sistema financiero, como pueden ser:
Un Call Center de atención al cliente.
Como ayuda en determinadas operativas o procedimientos bancarios en la web.
Para los empleados de una entidad financiera, como consultas a dudas que les puedan plantear los clientes.
Para desarrollar informes comerciales
En conclusión, como hemos podido ver anteriormente, el aprendizaje automatizado tiene muchas posibilidades en las finanzas. Muchos economistas y financieros pronostican que dentro de pocos años gran parte de los procesos financieros se desarrollarán a través del Machine learning.
En
un mundo cada día más dominado por las redes en el cual se llegan a
generar al día hasta 2.5 exabytes de información, se ha intentado
dar forma a toda esa cantidad de datos para manejarla a fin de que
sea de utilidad. Pero la cantidad de información es tal, y tan
variada, que ha habido que confiar en la tecnología para hacerlo.
Así nació el Machine Learning, una disciplina de las TIC que
pretende transformar datos en información y conocimiento a
través de algoritmos y mediante la detección de patrones para
resolver problemas y realizar tareas por si misma.
Esta
tecnología tiene evidentemente muchísimas aplicaciones, desde las
finanzas o el marketing hasta la ciberseguridad y las
administraciones públicas. Por eso las grandes compañías están a
la carrera por su desarrollo, y es el caso de Facebook. Esta red
social se enfrenta a grandes problemas a la hora de filtrar los
contenidos que se suben a la misma, así que ha decidido valerse del
Machine Learning.
La
red social ha hecho público este miércoles el
empleo de un nuevo software, basado en aprendizaje automático, para
eliminar imágenes en las que aparezcan desnudos infantiles o menores
en situaciones sexualizadas.
En total, en el último trimestre ha suspendido 8,7 millones de
fotografías.
Hasta
la llegada de esta herramienta, la red social basaba la eliminación
de este tipo de contenidos en dos parámetros: la acción de otros
usuarios al denunciar imágenes o los filtros de desnudos para
adultos. Estas
normas no siempre han marcado una frontera fácil de delimitar,
llevando a situaciones como la eliminación de fotos familiares en
las que salían menores en entornos seguros pero con prendas ligeras.
El nuevo programa se ha basado para el establecimiento de los
parámetros de detección en estas bases de datos, tanto de las
imágenes de desnudos en adultos como de estas últimas de menores
vestidos. Distingue además entre imágenes de relevancia artística
o histórica
Puede
que en un principio hablar de "inteligencia artificial que
aprende por si misma a manejar los datos personales de los usuarios"
pueda ser un concepto que de algo de vértigo, pero sin duda como
hemos visto en este caso de Facebook tal vez con el Machine Learning
consigamos un acceso a Internet más seguro.
Todo comenzó en el año 1966 con el profesor
emérito Joseph Waizebaum de la universidad Massachusetts Institute of Technology (MIT)
cuando creo un programa llamado ELIZA simulando ser una psicóloga capaz de
mantener conversaciones con sus pacientes mediante la comprensión del lenguaje
natural hasta el punto de que estos creían estar hablando con un ser empático.
Esta conclusión llevó al profesor a ser uno de los primeros escépticos del Machine LearningyInteligencia artificial(AI)
Desde
1966 son muchos los avances que se han dado en la materia, la inteligencia
artificial actual es capaz de:
Es una disciplina
científica más concretamente del ámbito de la inteligencia artificial que crea
sistemas que aprendenautomáticamente. En este contexto en el
que nos referimos a una máquina, aprender
significa identificar patrones complejos en millones de datos. La máquina en cuestión es un algoritmo que revisa los datos y es
capaz de predecir comportamientos futuros. Además estos sistemas automáticamentese mejorande forma autónoma con el tiempo, sin necesidad de intervención humana.
¿Cuáles son los usos más
frecuentes del Machine Learning?
Detectar fraude en transacciones
Predecir de fallos en equipos tecnológicos.rever 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 pre diagnósticos 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.
¿ Y el Deep Learning
que es?
El Deep
Learning o aprendizaje en profundidad, es una técnica mejorada donde los
sistemas alcanzan niveles de aprendizaje en un grado aún más detallado. Es el
siguiente paso del aprendizaje automático ya que éste no es
supervisado. Estos avances están acercándose
cada vez más a la perspectiva del sistema nervioso humano, llegando casi a
hablar de “neuronas artificiales”. El modelo Deep Learning trata de imitarlo
mediante un proceso cognitivo artificial.
Este
sistema está diseñado con capas o unidades neuronales que son algoritmos
que tratan de imitar el funcionamiento del cerebro humano. Cada capa ofrece unos resultados en forma de
ponderación. Esta es modificada y combina el resultado con otra, y así
sucesivamente con el resto de capas hasta reducir al máximo posible el margen
de error, aumentando así las conclusiones.
