¿Cuál es el rol del Aprendizaje Automático (Machine Learning) en la Inteligencia Analítica?
La inteligencia analítica consiste en procesar información, interpretar los resultados y comunicar los hallazgos relevantes a quienes pudieran tomar una decisión en base a la interpretación de los resultados. Esto permite entender el comportamiento o estado de un sistema y facilita el proceso de toma de decisiones.
El entendimiento es una actividad humana, pero el procesamiento de la información y una parte de su interpretación se pueden automatizar por medio de software utilizando técnicas de aprendizaje automático (Machine Learning).
“Machine Learning: una manera de emular algunos procesos analíticos”
Recientemente con el boom del Big Data, Internet de las Cosas (IoT/IIoT) y la transformación digital (entre otras tendencias tecnológicas) las organizaciones manejan grandes volúmenes de datos que se vuelven casi humanamente imposible analizar y sacar valor de ellos.
Es ahí cuando el machine learning ha tomado relevancia en la ciencia de datos, ya que permite emular algunos procesos analíticos realizados por los humanos aprovechando el conocimiento humano y el poder de cómputo disponible.
Por tanto, se entiende que el aprendizaje automático es un subconjunto de técnicas de la inteligencia artificial, la cual a su vez es una rama de la ciencia que pretende emular las capacidades cognitivas de los humanos, procesar imágenes (visión), procesar sonido, emular la biomecánica del cuerpo humano, o bien representar el proceso analítico.
| Hay cosas que son fáciles de hacer para un humano y difíciles de hacer para una computadora
Las computadoras (los sistemas) pueden hacer cosas que los humanos no pueden hacer, (e.g., hacer miles de millones de cálculos en muy poco tiempo). Pero hay cosas que son relativamente fáciles para un humano y difíciles de hacer en una computadora (e.g., interpretar un dato tomando en cuenta todo el contexto que rodea al cálculo).
Son estas condiciones las que le dan valor al uso del Machine Learning para automatizar procesos analíticos en situaciones donde requerimos estar analizando frecuentemente grandes volúmenes de data, y que hacerlo manualmente requiere de mayor tiempo y esfuerzo donde se pierde el valor u oportunidad de aprovechar los resultados.
Una máquina puede aprender a realizar tareas predefinidas a partir de programas que se ajustan en base a mediciones, puesto que aprender es una actividad natural que requiere “pensamiento”, algo que actualmente no puede hacer una máquina.
Pero, ¿Cómo aprende una máquina?
Es importante mencionar que cuando hablamos de Machine Learning, muchas veces se tiene la expectativa fantasiosa de que una máquina es capaz de aprender mágicamente (por su cuenta) y proponer mejores soluciones que las que propondría un humano, y en algunos casos, se cree que harán cosas que los humanos no pueden hacer.
De manera general podemos decir que los algoritmos de aprendizaje automático se clasifican en dos grandes categorías:
- Aprendizaje supervisado: son los algoritmos que se entrenan para detectar eventos a partir de un conjunto de datos, que ya está clasificado en un estado (e.g., positivo / negativo). El algoritmo aprende de eso y entonces se puede ejecutar en los datos que se van registrando en línea.
- Aprendizaje sin supervisión: Son algoritmos que se ejecutan en un conjunto de datos información no estructurada. El resultado es un conjunto de patrones identificados automáticamente de los datos que se pueden asignar un estado.
| ¿Qué cosas puede aprender una máquina?
Por mencionar algunas:
- Afinar reglas del juego para lograr un objetivo (Ajustar parámetros)
- Identificación de patrones y/o tendencias.
- Procesar imágenes para reconocer objetos
- Reconocer e interpretar sonidos (lenguaje)
Aunque no existe ninguna limitación física para que una máquina pueda “imitar” una capacidad humana, si existe la condición de que esa capacidad pueda ser descrita explícita o implícitamente por un humano, es decir, depende del conocimiento y la capacidad descriptiva humana.
| Que debemos considerar antes de iniciar un proyecto de Machine Learning:
Nuestra organización debe estar consciente de los límites, alcances, casos de uso y beneficios de utilizar estas técnicas de IA. Esto asegura que los resultados obtenidos cumplan con las expectativas que tengamos inicialmente.
También no debemos perder de vista que estas técnicas no desplazan al conocimiento humano, sino que lo potencializa reduciendo el esfuerzo de ejecutar tareas repetitivas en grandes volúmenes de datos, permitiéndole concentrarse en la toma de decisiones basada en la interpretación predefinida.