¿Estás listo para el Machine Learning?

El "Machine Learning" o aprendizaje automático como se sabe conocer en español, ocurre cuando programas de computadora, a los que se exponen a datos nuevos, pueden aprender, crecer, cambiar y desarrollar nuevos resultados como base del procesamiento de dichos "datos nuevos". Por lo tanto, el programa aprende. 

¿Estamos listos?

Quizás parezca que mi pregunta apunta a un ámbito de ciencia ficción, pero si por un par de segundos, miramos de cerca nuestra sociedad, encontraremos que ya tenemos máquinas inteligentes y aplicaciones que se están convirtiendo en un fenómeno cotidiano. 

Aquí podemos ver algunos ejemplos de aprendizaje automático que están a nuestro alrededor y quizás no nos hemos dado cuenta aún:

• Recomendaciones Online: seguramente has recibido publicidad de paquetes aéreos al caribe, banners, y anuncios publicitarios después de que googleaste sobre un hotel que viste en TripAdvisor. Ésto no significa que haya un ser humano analizando los datos, hay un sistema, un programa aprende de lo que tú haces en internet y te propone o recomienda sitios de acuerdo a tus intereses.
• Piloto Automático: el ser humano sólo es necesario para aterrizar y despegar, pero luego de esos dos momentos, quien se hace del control total de un vuelo comercial es un programa... el conocido: "Piloto Automático". ¿Cuánto faltará para que un piloto automático lleve nuestros hijos a la escuela? ¿O nos lleve al trabajo?
• ¿Quién es ésta persona? ¿Has probado subir una foto grupal a Facebook hoy en día? El reconocimiento facial está cada vez más avanzado, automáticamente el programa detecta rostros y te propone quién es, y si así lo prefieres, podría etiquetar automáticamente a la persona para que ésta sepa que has subido una foto donde aparece.
• Siri, OK Google, y otros asistentes. Si bien parece poco, nadie imaginó la interacción entre la voz del ser humano, y una máquina. ¿Tú crees que no aprende la máquina de lo que tú dices? ;)
• GPS y sistemas de navegación inteligentes: ¿has estado en un embotellamiento de tráfico últimamente? Si es así, la próxima vez que te subas al auto debes encender Waze. El "programa" analiza tu ruta y te propondrá automáticamente y en tiempo real las rutas más veloces en base a los nuevos datos que otros usuarios de Waze envían a la plataforma mientras conducen a través de ella. Todo es automático... y gratis!

Como puedes observar, el aprendizaje automático ha evolucionado lentamente para formar parte de nuestras vidas y representa una oportunidad para que las organizaciones se vuelvan más imaginativas y busquen un mayor valor a partir de los vastos datos a los que tienen acceso.

Datos: análisis tradicional y aprendizaje automático

Sin lugar a dudas, el ingrediente clave en todo ésto son los DATOS, que solo crecerán y aumentarán en tamaño, volumen y complejidad a medida que el mundo físico y el virtual interactúen. Mientras que el análisis de datos tradicional es excelente para explicar datos estadísticos basados en un modelo histórico para establecer una relación entre las variables, el aprendizaje automático comienza con las variables objetivo o de resultados (como ahorrar energía) y luego busca variables e interacciones.

Aprender sobre Machine Learning

#1. Evaluar la madurez de los datos de las organizaciones: para comenzar una discusión honesta sobre la creación de valor, es imprescindible realizar una auditoria sobre la gestión de datos, el almacenamiento de datos y la seguridad general de los datos (ver fuentes, volumen, datos de terceros, etc.). Es vital que las organizaciones comprendan qué datos tienen, qué no tienen y qué datos necesitan adquirir.

#2. Defina un problema claro que necesita solución: el aprendizaje automático comienza con los resultados o resultados mensurables que queremos comprender. Como nota al margen, determine si la predicción que está tratando de hacer (o la decisión que está tratando de tomar) es lo suficientemente compleja como para justificar el aprendizaje automático. Por ejemplo, ¿estamos lidiando con un gran volumen de datos y muchas variables?

#3. Reúna un equipo diverso: el mejor enfoque es contar con una combinación de expertos técnicos que puedan implementar y mantener ecosistemas técnicos y expertos en datos que puedan extraer y traducir activos de datos, junto con experiencia funcional o de dominio para brindar el contexto comercial.

#4. Adopte una mentalidad de tipo 'investigación': para que el aprendizaje automático tenga éxito, es beneficioso para los equipos de proyecto adoptar una mentalidad ágil y flexible para evaluar si se justifica un enfoque alternativo. Prepárese para probar, aprender y adaptarse (y repetir el ciclo). ¿Hay alguna necesidad de buscar nuevos datos, ajustar algoritmos o alejarse de un modelo existente que pueda mostrar sesgo?

En resumen, se puede ver que el aprendizaje automático requiere mucho tiempo y recursos. Con el aumento de los datos disponibles, el aprendizaje automático ofrece a las empresas más opciones y oportunidades. Sin embargo, como en cualquier viaje nuevo, los puntos de control anteriores pueden ayudar a determinar si está listo para dar el siguiente paso.

¿Lo estás? 

¿Qué harías con el aprendizaje automático?