Las compañías almacenan grandes cantidades de información sin hacer un buen uso de ellas, pues a largo plazo esta información que contiene datos interesantes nos puede revelar patrones de cómo mejorar los métodos que utilizamos en la actualidad.

Con las herramientas de Inteligencia Artificial y del Machine Learning facilitamos a nuestros Clientes la posibilidad de predecir y crear patrones de información relevantes basados en una gran cantidad de datos almacenados, y así volver un sistema informático en una herramienta inteligente que, con la combinación de datos históricos y la adquisición de la nueva información hacen que el sistema realice un aprendizaje automático con predicciones más certeras y la posibilidad de predicciones más acertadas.

Inteligencia Artificial: ¿Cómo implementar un proyecto exitoso?

Las principales características que tiene el Machine Learning son:

  • Estudiar gran cantidad de datos (Big Data)
  • Crear código para reconocer patrones (Generalización del Problema)

Este concepto resulta interesante para nuestros Clientes, pero específicamente significa un gran paso en la transformación digital en la que estamos acompañándolos.

 

¿Cuáles son las ventajas del machine learning para nuestros Clientes?

Con este sistema nuestros Clientes podrán crear métodos para la mejora y optimización de procesos, que les permitirá diferenciarse de la competencia y así encontrar la línea de negocio más exitosa y eficaz en el mercado.

Sin duda esta "inteligencia artificial" será útil para nuestros Clientes en procesos como:

  • Big Data: les ayuda a analizar e identificar el target concreto de la Compañía por medio de patrones entre la información de sus usuarios o clientes potenciales de forma ágil y segura.
  • Atención al cliente: automatiza un proceso como el chatbox con el objetivo de dar respuestas a varios problemas o preguntas del cliente final de forma más efectiva.
  • Ecommerce: como Marchine Lerarning analiza el comportamiento de los clientes finales se pueden desarrollar servicios o productos en función de los datos que interpreta para crear una experiencia personalizada.

Inteligencia Artificial: ¿Cómo implementar un proyecto exitoso?

El machine learning y el bigdata

El desarrollo de este sistema va unido de forma permanente al Big Data, para evaluar y analizar en segundos millones de datos y dar respuestas a acciones posteriores, esta unión está divida en dos grandes tipos:

Aprendizaje supervisado: facilita diferente información que es relevante y está conectada una con otra para solucionar alguna inquietud puntual, interpretando el Big Data almacenado y clasificándolo, lanzando así predicciones de comportamientos, reacciones y tendencias para el mercado objetivo de nuestros Clientes.

Inteligencia Artificial: ¿Cómo implementar un proyecto exitoso?

Aprendizaje no supervisado: es la interpretación de una gran cantidad de información registrada que no está clasificada, lo que hace el algoritmo es validar esta información para poder agruparla.

Inteligencia Artificial: ¿Cómo implementar un proyecto exitoso?

Dentro del Machine Learning, CDA también desarrolla el Deep Learning (Aprendizaje Profundo) como una seria de Redes Neuronales con mayor complejidad, cantidad de neuronas en interconexiones entre ellas, logrando reconocer patrones complejos.

Capacidad de Computo

Hoy en día no se requiere de grandes servidores para ejecutar algoritmos de Machine Learning. Algunos tipos de algoritmos requieren de procesamiento especial (se hace mediante procesamiento en GPUs o tarjetas de video que permiten correr proceso en paralelo). Con equipos de escritorio bien equipados nuestros Clientes ya pueden empezar a trabajar con datos generando potentes modelos predictivos, y, a medida que vayan recolectando más datos, pueden realizar procesamiento en la nube con las herramientas de Amazon Web Services o Google Cloud.

Como llevar adelante un proyecto de Inteligencia Artificial y no morir en el intento: Metodología CRISP-DM

  • CRISP-DM, que son las siglas de Cross-Industry Standard Process for Data Mining, es un método probado para orientar sus trabajos de minería de datos y Data Science.
  • Como metodología, incluye descripciones de las fases normales de un proyecto, las tareas necesarias en cada fase y una explicación de las relaciones entre las tareas.
  • Como modelo de proceso, CRISP-DM ofrece un resumen del ciclo vital de minería de datos.

El modelo de CRISP-DM es flexible y se pueden personalizar fácilmente. Por ejemplo, si nuestro Cliente intenta detectar actividades de blanqueo de dinero, es probable que necesite realizar una criba de grandes cantidades de datos sin un objetivo de modelado específico. En lugar de realizar el modelado, su trabajo se centrará en explorar y visualizar datos para descubrir patrones sospechosos en datos financieros. CRISP-DM permite crear un modelo de minería de datos que se adapte a sus necesidades concretas.

En tal situación, las fases de modelado, evaluación y despliegue (deploy) pueden ser menos relevantes que las fases de preparación y comprensión de datos. Sin embargo, es muy importante considerar algunas cuestiones que surgen durante fases posteriores para la planificación a largo plazo y objetivos futuros de minería de datos.

Inteligencia Artificial: ¿Cómo implementar un proyecto exitoso?

Las etapas de este modelo son:

 

Inteligencia Artificial: ¿Cómo implementar un proyecto exitoso?

Fase I. Business Understanding. Definición de necesidades del cliente final (comprensión del negocio)

Esta fase inicial se enfoca en la comprensión de los objetivos de proyecto. Después se convierte este conocimiento de los datos en la definición de un problema de minería de datos y en un plan preliminar diseñado para alcanzar los objetivos.

 

Inteligencia Artificial: ¿Cómo implementar un proyecto exitoso?

 Fase II. Data Understanding. Estudio y comprensión de los datos

La fase de entendimiento de datos comienza con la colección de datos inicial y continúa con las actividades que permiten familiarizarse con los datos, identificar los problemas de calidad, descubrir conocimiento preliminar sobre los datos, y/o descubrir subconjuntos interesantes para formar hipótesis en cuanto a la información oculta.

 

Inteligencia Artificial: ¿Cómo implementar un proyecto exitoso?

Fase IV. Modeling. Modelado

En esta fase, se seleccionan y aplican las técnicas de modelado que sean pertinentes al problema (cuantas más mejor), y se calibran sus parámetros a valores óptimos. Típicamente hay varias técnicas para el mismo tipo de problema de minería de datos. Algunas técnicas tienen requerimientos específicos sobre la forma de los datos. Por lo tanto, casi siempre en cualquier proyecto se acaba volviendo a la fase de preparación de datos.

 

Inteligencia Artificial: ¿Cómo implementar un proyecto exitoso?

 Fase V. Evaluation. Evaluación (obtención de resultados)

En esta etapa en el proyecto, se han construido uno o varios modelos que parecen alcanzar calidad suficiente desde la una perspectiva de análisis de datos.

Antes de proceder al despliegue final del modelo, es importante evaluarlo a fondo y revisar los pasos ejecutados para crearlo, comparar el modelo obtenido con los objetivos de negocio. Un objetivo clave es determinar si hay alguna cuestión importante de negocio que no haya sido considerada suficientemente. Al final de esta fase, nuestros Clientes obtendrán una decisión sobre la aplicación de los resultados del proceso de análisis de datos.

 

Inteligencia Artificial: ¿Cómo implementar un proyecto exitoso?

 Fase VI. Deployment. Despliegue (puesta en producción)

Generalmente, la creación del modelo no es el final del proyecto. Incluso si el objetivo del modelo es de aumentar el conocimiento de los datos, el conocimiento obtenido tendrá que organizarse y presentarse para que el cliente pueda usarlo. Dependiendo de los requisitos, la fase de desarrollo puede ser tan simple como la generación de un informe o tan compleja como la realización periódica y quizás automatizada de un proceso de análisis de datos en la organización.

Con Machine Learning tomar decisiones y predecir datos para nuestros Clientes en base a este modelo será bastante sencilla, pues podrán crear aplicaciones y colocar elementos en tablas, sin necesidad de programación, por medio de un aprendizaje automático aplicado.

Cristian Santander, CEO & Founder de @Cognitive, partner de CDA en temas relacionados a IA