Machine learning

¿Qué es machine learning?

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

https://www.easel.ly/infographic/sm0a57

http://www.miprofit.com/impacto-del-machine-learning-los-negocios/

http://mim.promexico.gob.mx/work/models/mim/Resource/152/1/images/machine-learning.pdf

Machine learning y el mundo financiero

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. 

Bibliografía

• https://stxlearning.com/2017/11/17/machine-learning-aportando-valor-en-finanzas-inversion/
• https://nuevofinanciero.com/machine-learning-finanzas/
• https://www.mytriplea.com/influyentes-crowdlending-fintech/machine-learning-finanzas/
• https://www.easel.ly/infographic/u1nz0u

MachineLearning ¿Hacia donde se dirige?

Machine Learning

Todos hemos leído alguna vez un libro, visto un video o escuchado una canción de hace décadas, compartido por personas que no han coexistido con nosotros. Es por ello que los seres humanos tenemos la capacidad de aprender de otras personas que ya no están con nosotros o de los que están a nuestro lado. Sin embargo, al memorizar no tenemos tanta facilidad. Al contrario, las maquinas tienen facilidad para almacenar datos, pero a la hora de transferir inteligencia no están capacitadas.

El machine learning es una técnica que permite a una máquina aprender de un gran volumen de datos y una serie de reglas. Los humanos aprendemos con único caso, como cuando nos dicen que mentir está mal y ya nos queda claro. Sin embargo, un IA tendría que decir muchas verdades y mentiras y luego recibir la orden de que está mal.

Debido a la accesibilidad a la Big Data de diferentes fuentes en la actualidad y a las ventajas que produce esta tecnología es utilizada en muchos sectores de diferentes características. Sin embargo también produce riesgos de seguridad debidos a falsos positivos debido a malos logaritmos o hacking computacional entre otros.

En la actualidad Amazon, IBM y Microsoft tienen el 73% del mercado ya que son empresas que han diseñado y colocado en el mercado diferentes aplicaciones de Machine Learning. Sin embargo, muchas empresas punteras como Google o SAP intentan entrar en el mercado y no dudamos de que muchas más se unirán a esta tendencia. A nivel mundial, Europa del Este y Norteamérica son las regiones que más invierten en esta tecnología.

                                                 Fuente: Elaboración propia

Como hemos comentado al principio el reto del Machine Learning es transferir aprendizaje, es decir, conseguir llevar conocimiento de un dominio a otro. Transferir aprendizaje no es transferir inteligencia, aunque sí están relacionados. ¿Se podría copiar una IA y resolver una segunda tarea para la que no esta programada?

                              Fuente: YouTube

Las máquinas tienen la capacidad de duplicar su cerebro pero no de transferir aprendizaje. Es por ello que si ponemos a hablar a dos máquinas sale una conversación realmente absurda y no consiguiendo que una aprenda de otra. Esto se puede observar en el siguiente video de un estudio realizado por el Laboratorio de Máquina Creativas de la Universidad de Cornell en 2011.

                                Fuente: YouTube

Sin embargo ya se ha empezado a transmitir aprendizaje entre las máquinas. Desde 2017, DeepMind, la IA de Google, usó una herramienta llamada Consolidación de Peso Elástico (EWC) para mejorar su aprendizaje automático.

Por ejemplo, una máquina diseñada para detectar cáncer de piel necesita de 129.450 imágenes para clasificar la enfermedad. Imaginemos poder aplicar esta misma tecnología para detectar tumores de pulmón. Usando herramientas de EWC unidas a miles de imágenes de pulmones una segunda IA aprendería de forma mucho más rápida ya que tendría la experiencia de la primera.

Es por ello que el MachineLearning debería tomar este camino ya que aplicándolo a ámbitos como el de la salud mejoraría la salud de las personas a nivel mundial.

Bibliografía:

https://www.easel.ly/infographic/d3a547

https://iahuawei.xataka.com/transferir-inteligencia-siguiente-reto-machine-learning/

MACHINE LEARNING + TURISMO

MACHINE LEARNING

La Inteligencia Artificial es una subdisciplina del campo de la informática que busca la creación de máquinas que puedan imitar comportamientos inteligentes.

El Machine Learning (“aprendizaje automático”) es la rama del campo de la inteligencia artificial que busca cómo dotar a las máquinas de capacidad de aprendizaje, es decir, que estas puedan aprender a hacer una determinada tarea sin ser programadas para hacerlo.

Es una herramienta que saca partido a los millones de datos que hay almacenados en una base de datos BIG DATA. Esta tecnología descubre patrones de comportamiento que nos proporcionan información de gran valor sobre el estado en el que se encuentran los clientes de una empresa.

SECTOR TURISMO

Aplicar esta tecnología al sector turismo, uno de los sectores económicos más importantes de nuestro país, crea muchas posibilidades de crecimiento. 

Si tenemos a nuestro alcance la predicción del comportamiento de los clientes, gracias a la interpretación que realiza el machine learning, podremos acertar en los servicios que ofrecemos y así aumentar su satisfacción con la experiencia ofrecida y con la propia empresa.

En este vídeo se presenta un ejemplo: el Sistema de Inteligencia Turística (SIT) desarrollado por SEGITTUR (Sociedad Estatal para la Gestión de la Innovación y las Tecnologías), el cual aplica el Machine Learning para transformar los datos en conocimiento dentro del sector turístico.

Por último, presento la infografía que he realizado en la cual explico el Machine Learning y los datos que es capaz de predecir dentro del sector turismo.

Fuente: Maria Oyarzabal Fernández

BIBLIOGRAFÍA

http://blog.madisonmk.com/machine-learning-y-turismo.-más-cerca-de-lo-que-imaginas

https://cleverdata.io/usar-big-data-turismo/

Enlace para compartir infografía --> https://www.easel.ly/infographic/hjuvxf

Machine learning ¿realmente es una amenaza para la humanidad o son todo ventajas?

¿A causa de qué nace el ‘machine learning’?

 Cada persona es una fuente determinada de información personal que una vez conectada a la red, ya esta generando datos. Datos que son utilizables para manipular y gestionar. Pero para que esos datos se conviertan en información, tienen que transformarse mediante un proceso que trata de hacer conexiones, y el machine learning es el nombre que se le da a la maquina que se encarga de hacer ese proceso de transformación. Cabe destacar que se diferencian dos métodos:

1.  Supervisado → Con la intervención de los humanos y se basan en hacer predicciones. y se basan en hacer predicciones. 
2. No supervisado → Identifican relaciones entre los datos.

Pero… ¿Cuál es el uso real?

• Optimizar la operación.
• Predicciones.
• Personalizar productos y servicios.
• Estimar la demanda futura
• Mantenimientos preventivos.
• Conocer tendencias.
• Detectar anomalías.
• Procesar datos no estructurados.
• Prevenir fraudes.
• Aumentar la eficiencia en la operación de una empresa.

Es oportuno mencionar que también tiene riesgos como puede ser dar falsos positivos por malos logaritmos, o bien, la intervención de hackers. 

Entonces ¿En qué ámbitos se puede aplicar?

El machine learning tiene un gran potencial en diferentes áreas de la industria.

 

Datos sobre los puestos automizados

Se habla de que es una amenaza para los humanos porque se destruirían los empleos, pero, Israel Olalla, cloud customer engineer de Google, nos explica como no es así en el siguiente vídeo:

Datos sobre las diferentes predicciones sobre el impacto que tendrá:

• Oxford University ⇨ Para el año 2033, el 47% de los trabajos serán automatizados.
• OECD ⇨ el 9% de los trabajos serán automatizados.
• Mckinsey ⇨ el 5% de los trabajos serán automatizados.
• Harvard ⇨ entre el 4% y el 7% de los trabajos serán automatizados pero, con unos ingresos adicionales de 20 billones de dólares.

En mi opinión apoyo las palabras de  Israel Olalla, además, las predicciones de OECD, Mckinsey y Harvard, son muy bajas en cuanto al numero de puestos de trabajos automatizados en un futuro cercano. Es más, Harvard, aun asumiendo que disminuirá el empleo a causa de la automatización, afirma que habrá 20 billones de dólares adicionales en forma de ingresos. Algo muy positivo para la economía mundial. El crear puestos de trabajos automatizados, disminuye los puestos de trabajo a los que de alguna manera está sustituyendo, pero se incrementan los trabajos de al rededor, es decir, de investigación y desarrollo, trabajos para  la puesta en marcha, cursos/conferencias explicativas, ...

A modo de resumen añado esta infografía

Conclusión

A pesar de que el 'Maching Learning' es una maquina capaz de hacer conexiones a tiempo real y en un tiempo muy reducido, no serán maquinas que se impongan a las personas, es decir, reducirán algunos puestos de trabajos creando trabajos automatizados pero también se necesitará mas personal para crear o producir, incluso para arreglar dichas maquinas. Como bien nos explica Israel Olalla, estamos muy lejos de destruir todos los empleos a causa de la 'Maching Learning'. Además, si nos fijamos en las predicciones de Harvard, se generarán ingresos adicionales de gran volumen.