Aunque no han llegado todavía los carros voladores, ni los robots mayordomos, ni los Terminators del futuro, la era de las máquinas inteligentes sí que llegó, y vino para quedarse. Las computadoras hoy en día analizan imágenes para identificar personas, diagnosticar enfermedades, o detectar emociones. Si escribes una palabra en Google accedes a sitios, fotos, videos, artículos, definiciones, conceptos, libros, y todo lo que hay en la web alrededor de ese término. Si entras en Amazon recibes montones de sugerencias de productos que casi seguro te interesan.
Pero ¿qué es Machine Learning?
Desde que comencé a estudiar este tema, hace ya un par de años, es una pregunta que me hacen con frecuencia. Y realmente la respuesta es bastante sencilla: es enseñarle a una máquina. Si yo le digo que entrené a un perro para que se siente, se eche, y haga sus necesidades fuera de la casa, todos me entienden. Pues eso mismo es… Yo le puedo enseñar a una computadora a predecir cuáles clientes van a cancelar su póliza de seguro el próximo mes, cuáles van a ser mala paga antes de que tomen un crédito, cuáles van a preferir una película de acción, o cuáles empleados van a ser más fieles a su empresa.
La diferencia fundamental entre el perro y la computadora es que al primero le muestro acciones y le doy recompensas, y a la segunda le introduzco datos y utilizo algoritmos para que aprenda. Si tengo datos de clientes que han cancelado sus pólizas, y de otros que las han renovado, y tengo otras variables de estas personas, como edad, sexo, ingresos, ocupación, frecuencia de uso del servicio, etc., puedo crear un modelo que clasifique a los que abandonan y a los que permanecen. Luego le introduzco data nueva al modelo, de clientes existentes que no sé todavía si van a seguir conmigo o a abandonarme, y el algoritmo les asigna una probabilidad de que sigan o no con el servicio. ¡Voila!, ¡la máquina aprendió a tomar decisiones sola! Eso es Machine Learning.
¿En qué se diferencia el Machine Learning de la Inteligencia Artificial, o del Data Mining?
Básicamente en Machine Learning el objetivo es que la máquina aprenda en base a datos del pasado para predecir situaciones en el futuro. En el caso de la Inteligencia Artificial se trata de que una máquina tome decisiones de forma independiente en un ambiente dado, frente a estímulos cambiantes, y usando razonamiento similar al humano, no un programa predeterminado. Por ejemplo, un auto que se conduce solo tiene que tomar cientos de decisiones cuando circula en una calle con otros autos, peatones, ciclistas, buses y reglas de tráfico. Es imposible predecir de antemano todo lo que puede ocurrir en una ruta transitada, por lo que la máquina tendrá que tomar decisiones frente a diferentes situaciones usando reglas generales de maximización de objetivos, como no atropellar personas o colisionar otros vehículos, y utilizar una ruta óptima para llegar desde el lugar de partida al de destino en el menor tiempo y con el menor consumo de combustible.
El Data Mining y el Machine Learning, por otra parte, son disciplinas muy cercanas, y de hecho hay un gran solapamiento entre las dos. Un Data Miner trabaja normalmente con las bases de datos de una empresa en particular, y utiliza data y algoritmos para encontrar oportunidades de mejorar los indicadores de esta empresa. De hecho, el minero de datos puede usar la mayoría de las herramientas del Machine Learning, o puede simplemente hacer un query y extraer una lista de clientes con ciertos comportamientos de interés. El Machine Learning, adicionalmente, abarca otras áreas de trabajo, como Computer Vision, o Reinforcement Learning, que normalmente están fuera del radio de acción del Data Mining.
¿Cuáles son las principales aplicaciones de Machine Learning en las empresas?
La lista de aplicaciones del Machine Learning en las empresas crece literalmente cada día, y no solo entre los gigantes de la nueva economía, sino en compañías en todos los mercados. Entre las aplicaciones más populares del Machine Learning en empresas se encuentran:
- Anticipación de la demanda de los clientes y ajuste de la oferta a la misma
- Optimización de la colocación publicitaria
- Monitoreo de redes sociales para identificar problemas de afinidad con las marcas
- Modelos de recomendación de productos y servicios en función de las características y comportamiento de los clientes
- Predicción de precios de activos (inmuebles, acciones en la bolsa, monedas, etc.)
- Predicción de abandono de contratos, fraude en tarjetas de crédito, o credit score
- Selección de empleados, match de necesidades de formación y cursos, match de puestos y competencias, etc.
- Optimización de inventarios, con modelos de demanda que sugieren los productos que se deben reponer antes de que se agoten
- Optimización de rutas para distribuidores, vendedores, transportistas, etc.
- Detección y prevención de problemas de seguridad
¿Hacer o no hacer Machine Learning?
Según una encuesta realizada en 2017 por el MIT Sloan Management Review entre 3,000 empresas en mercados desarrollados, el 23% declaró que tenían proyectos de Machine Learning en curso, otro 23% estaba realizando algún proyecto piloto, y el 54% restante no estaba adoptando estas tecnologías. Esto significa que la disciplina está todavía en una etapa temprana de implementación, pero ya con casi la mitad de las empresas que la están adoptando. Según el modelo de adopción de nuevas tecnologías de Everett Rogers, ya los segmentos pioneros (visionarios), y mayoría precoz (pragmáticos), que forman aproximadamente el 50% de los mercados, adoptaron el Machine Learning.
Si usted no tiene planes siquiera de implementar esta tecnología, ya está entre la mayoría atrasada (conservadores), o quizás sea parte del segmento más reacio a la innovación (escépticos). En todo caso debe saber que los que adoptan primero las innovaciones son los que gozan del beneficio económico de las mismas. Para cuando las tecnologías se banalizan, ya los pioneros están adoptando la última innovación del mercado, disfrutando de sus beneficios, y los retrasados al final tienen que adoptar la tecnología igual, pero cuando es tarde para ganar dinero con ellas (piense en un hogar sin nevera, o en una empresa sin computadoras, y esos fueron productos innovadores en su momento).
Hacer Machine Learning no es demasiado complicado. Las herramientas para crear los modelos son gratuitas y están disponibles en la web open source. Existen cientos de cursos online, muchos de ellos de universidades prestigiosas, y a bajos costos, o hasta gratis. También están las empresas consultoras, como Alpha Consulting, que pueden apoyarlo en el arranque de sus proyectos y en la formación de empleados. Finalmente, la pregunta que debe hacerse no es si hacer o no hacer Machine Learning, sino si lo va a hacer temprano, mientras puede aprovechar los beneficios económicos de la tecnología, o si va a esperar a que ya la mayoría la haya adoptado y tener que implementarla porque toca, sin sacarle el provecho que hoy ofrece.