Según Leega, la empresa de outsourcing especializada en análisis de datos y soluciones en la nube, el Machine Learning (ML) es un método de análisis de datos, cuyo nombre se explica por sí mismo, “Machine Learning”. Consiste en una técnica que combina la programación, las matemáticas y el uso de reglas de negocio para la ejecución de sistemas capaces de aprender, adaptar y crear modelos analíticos a partir de la interacción con grandes volúmenes de datos. En otras palabras, es una subárea de la Inteligencia Artificial que, con la ayuda de algoritmos, recopila datos, aprende de ellos y hace predicciones, lo que permite que las computadoras tomen decisiones rápidas y asertivas.

Esta capacidad de un sistema para aprender y tomar decisiones automatizadas es la base de muchas invenciones actuales, como los automóviles autónomos y las supercomputadoras. Para explicar las ventajas del Machine Learning y su potencial real para diferentes aspectos corporativos, Leega, consultora especializada en soluciones tecnológicas, principalmente en Data Analytics y Cloud, ha reunido información importante sobre el origen y las aplicaciones de esta técnica.

El nombre

En 1952, el científico informático estadounidense Arthur Samuel creó un programa para que un ordenador jugara a las damas contra seres humanos. Con él, el sistema analizaba el juego, los movimientos y aprendía de los errores y aciertos de los contrarios, prediciendo mejor las tácticas de los partidos. A partir de ahí, en 1959, Samuel estableció el término “Machine Learning” para esta técnica y definió el método como “un campo de estudio que otorga a las computadoras la capacidad de aprender sin ser programadas explícitamente”.

Ejemplos recientes

La supercomputadora de IBM, llamada Watson, ya ha creado recetas, ha diseñado ropa y ha trabajado en medicina, entre otras cosas. En 2016, los médicos japoneses le pidieron ayuda a Watson para identificar el diagnóstico de un paciente y, en 10 minutos, la máquina cotejó miles de artículos médicos y diagnosticó leucemia al paciente, salvándole la vida.

Otro caso reciente sucedió en los Juegos Olímpicos de Río, también en 2016, cuando el Washington Post publicó noticias sobre los juegos sin que una persona escribiera realmente los contenidos.

Además, ya hay pruebas de taxis, coches y camiones autónomos que hacen recorridos preprogramados y reconocen las calles, otros coches, semáforos y algunos otros objetos que puedan aparecer delante de ellos.

Beneficios para las empresas

Organizaciones de todos los sectores han implementado la tecnología de Machine Learning en varias áreas y dicho uso impacta directamente en los resultados comerciales. Los beneficios comerciales clave de la tecnología se pueden ejemplificar en cinco aplicaciones:

Agentes de chatbot en tiempo real

Uno de los primeros ejemplos de automatización, las interfaces conversacionales como los chatbots permiten a los usuarios hacer preguntas y recibir respuestas de asistentes comerciales virtuales o servicios de comando de voz como Alexa, Google Assistant y Siri. Con el uso de Machine Learning inserto en este contexto de Inteligencia Artificial, los chatbots aprenden y se apoyan en algoritmos, de manera que mejoran la interacción, anticipando respuestas a las demandas de los usuarios y hablando cada vez más cerca de un ser humano.

Diagnósticos médicos más precisos

En el sector de la salud, el Machine Learning ayuda, por ejemplo, en la identificación de diagnósticos y prescripciones de tratamiento sugerentes para pacientes a partir del cruce de datos de estudios médicos en pocos minutos, lo que puede acelerar la recuperación de los pacientes y ser un factor determinante en el ahorro.

Documentación personal

Los trabajos de entrada de datos automatizados pueden ser realizados por computadoras, lo que libera al profesional de recursos humanos para que se concentre en trabajos de mayor valor. Además, el uso de Machine Learning para automatizar la entrada de datos mejora significativamente algunos problemas, como la duplicación de datos y la inexactitud de la información personal.

Investigación de mercado optimizada y segmentación de clientes

Según Leega, los minoristas pueden usar el aprendizaje automático para, por ejemplo, anticipar qué mercancía se vendería mejor en su región, según las consideraciones estacionales y la demografía de esa región. Además, el método puede ayudar en la planificación del inventario y la segmentación de clientes proporcionada por la base de datos de la empresa para establecer precios y entregar artículos y servicios de manera asertiva en el momento y lugar necesarios.

Detección de fraude

Las empresas financieras también utilizan el aprendizaje automático, ya que es una herramienta poderosa para identificar el fraude, gracias a su capacidad para reconocer patrones e identificar anomalías rápidamente. Esto se debe únicamente a que el comportamiento normal de un cliente bancario, como cuándo y dónde usa una tarjeta de crédito, se puede aprender a través de Machine Learning. Con ello, la tecnología utiliza este y otros datos para distinguir rápidamente entre transacciones que se ajustan a las previstas para el perfil del usuario y aquellas que pueden tener un origen fraudulento.

El aprendizaje automático trae impactos positivos tanto para la sociedad como para la economía. Hoy en día, nos enfrentamos al uso de ML en las más variadas tareas, sin siquiera darnos cuenta, como activar el GPS en el tráfico y usar el corrector de palabras al escribir un correo electrónico, por ejemplo. Esta ha sido una herramienta cada vez más importante para las empresas en su operación diaria, haciendo aún más asertiva la toma de decisiones de acuerdo al propósito de cada negocio.