Tabla de contenido:
- Una definición práctica
- Aprendizaje profundo versus aprendizaje barato
- ¿Cómo funciona el aprendizaje barato?
- 2018 y más allá: donde está ML ahora
Video: Veinte años de Aprendizaje Automático - Guillermo Moncecchi (MIEM) | GeneXus GX27 (Noviembre 2024)
Desde el procesamiento del lenguaje natural (PNL) hasta el aprendizaje profundo y más allá, el aprendizaje automático (ML) ha ingresado en muchos aspectos de las tecnologías comerciales más populares. ML es solo un factor en la revolución de la inteligencia artificial (IA), pero es importante. Los algoritmos de ML son una capa de inteligencia vital que se integra en los productos que usamos, y solo lo veremos progresivamente en más casos de uso en el futuro.
Los algoritmos de ML están integrados en la estructura de gran parte de la tecnología que usamos todos los días. Las innovaciones de ML que abarcan la visión por computadora, el aprendizaje profundo, la PNL y más son parte de una revolución más grande en torno a la IA práctica. No son robots autónomos o seres sensibles, sino un tipo de inteligencia integrada en nuestras aplicaciones, software y servicios en la nube que combina algoritmos de IA y Big Data bajo la superficie.
La tendencia es aún más pronunciada en los negocios. ML ya no se utiliza únicamente para proyectos de investigación especializados realizados por un equipo de científicos de datos. Las empresas ahora utilizan ML para obtener inteligencia empresarial (BI) accionable y análisis predictivos a partir de cantidades de datos cada vez mayores. Es por eso que es más importante que nunca no solo saber qué es ML, sino también aprender las estrategias más efectivas sobre cómo usarlo para obtener un valor tangible.
Una definición práctica
La definición directa de ML es dar a los sistemas la capacidad de actuar y aprender y realizar ajustes de forma iterativa, sin ninguna programación explícita. Dunning dijo que ML es una rama de la estadística pero una rama que es muy práctica. Hizo hincapié en que, en un contexto empresarial del mundo real, debe ser pragmático y realista con la forma en que lo aplica. La tarea central de ML es crear un proceso comercial que sea repetible, confiable y ejecutable.
"El aprendizaje automático no se trata de mirar hacia atrás a los datos científicos y tratar de decidir qué conclusiones son viables", dijo Dunning. "Se trata de mirar hacia adelante y preguntar qué podemos predecir sobre el futuro y qué sucederá en varios escenarios. Cuando se trata de hacer negocios con estos datos, estamos hablando de situaciones muy limitadas en las que desea replicabilidad".
Crédito de la imagen: Todd Jaquith en Futurism.com. Haga clic para expandir la infografía completa.
Aprendizaje profundo versus aprendizaje barato
Puede dividir esa idea básica en varios campos diferentes dentro de ML, pero Dunning señaló dos en particular en cada extremo del espectro: el aprendizaje profundo y lo que él llama "aprendizaje barato". El aprendizaje profundo es el concepto más complicado.
"Queríamos que el aprendizaje automático fuera más profundo. Ese es el origen del término", dijo Dunning. "En los últimos 10 o 15 años, se han desarrollado técnicas que realmente lo hacen. Solía requerir mucho trabajo de ingeniería para hacer que las relaciones en los datos fueran visibles para los algoritmos, que, durante mucho tiempo, no fueron tan inteligentes como nosotros quería que fuesen. Tenías que entregar algoritmos a estos datos sabrosos en un plato, así que solíamos codificar a mano todas estas características que los sistemas ahora hacen solos ".
El aprendizaje profundo es donde reside gran parte de la innovación en torno a las redes neuronales. Combina técnicas sofisticadas como la visión por computadora y la PNL en capas de aprendizaje "más profundo" que han llevado a grandes avances en áreas como el reconocimiento de imágenes y texto. Esto es excelente para el modelado complejo, pero puede ser excesivo para usos comerciales más simples y cotidianos que pueden depender de marcos y técnicas de ML establecidos con muchos menos parámetros.
El aprendizaje barato, explicó Dunning, significa técnicas simples, efectivas y probadas donde las empresas no necesitan invertir recursos costosos para reinventar la rueda.
"En informática, hablamos mucho sobre la fruta de bajo consumo. La disponibilidad de datos y el aumento masivo de la capacidad computacional significa que hemos bajado todo el árbol", explicó. "El aprendizaje automático simple ya no es solo para científicos de datos".
¿Cómo funciona el aprendizaje barato?
Los algoritmos básicos de ML pueden identificar correlaciones y hacer recomendaciones, o hacer que las experiencias sean más contextuales y personalizadas. Dunning dijo que hay una oportunidad en casi todos los aspectos de cómo interactuamos con las computadoras para que utilicen el aprendizaje barato para simplemente hacer que las cosas funcionen mejor.
Un ejemplo de aprendizaje barato en la práctica es la detección de fraude. Los bancos y los comerciantes se enfrentan al fraude generalizado, pero a menudo está disperso y se trata de valores lo suficientemente bajos como para que no se denuncie. Dunning explicó que mediante el uso de un algoritmo de aprendizaje barato (es decir, una prueba de ML existente programada para esta tarea específica), los comerciantes pueden identificar más fácilmente los puntos comunes de compromiso que ponen en riesgo a los usuarios y atrapan patrones de fraude que de otro modo no serían visible.
"Suponga que desea encontrar qué comerciantes parecen estar filtrando datos que conducen al fraude. Puede usar una prueba de G 2 para simplemente encontrar qué comerciantes están sobrerrepresentados en los historiales de transacciones de víctimas de fraude versus consumidores sin fraude", Dunning dijo. "Esto parece demasiado simple para ser llamado aprendizaje automático, pero encuentra a los malos en la vida real. Las extensiones de esta técnica se pueden utilizar para aumentar las técnicas algo más avanzadas que permiten que los algoritmos de aprendizaje más simples tengan éxito donde de lo contrario podrían fallar".
El aprendizaje barato puede usarse de muchas maneras diferentes, por lo que Dunning dio otro ejemplo de cómo un negocio en línea podría usarlo. En este caso, explicó cómo un algoritmo de ML existente puede resolver un simple problema de clasificación de comentarios.
"Supongamos que tiene un artículo con una serie de comentarios. ¿En qué orden deben colocarse? ¿Qué tal si ordenamos los comentarios de acuerdo con lo interesante que la gente piensa que son? Puede contar la cantidad de veces que las personas leen el comentario y cómo muchas veces lo votaron, pero todavía se necesita un poco de magia ", dijo Dunning.
"Un voto positivo de un lector probablemente no sea realmente mejor que ocho votos positivos de 10 lectores", explicó. "Aún peor, si pones a los primeros ganadores en primer lugar, los otros comentarios nunca ven la luz del día y, por lo tanto, nunca aprendes sobre ellos. Un pequeño aprendizaje automático llamado muestreo de Thompson puede resolver esto de una manera que reúna datos sobre nuevos comentarios y donde las clasificaciones son inciertas, pero generalmente las ordena de una manera que brinda a los usuarios la mejor experiencia ".
Dunning también presentó un conjunto de mejores prácticas sobre cómo su empresa puede aprovechar al máximo ML. Para obtener un desglose de cómo la logística, los datos y un arsenal de diferentes algoritmos y herramientas tienen en cuenta una estrategia comercial exitosa, consulte nuestra historia de 7 consejos para el éxito del aprendizaje automático.
2018 y más allá: donde está ML ahora
Quizás esto no le sorprenda, pero Big Data y el espacio de base de datos asociado está creciendo rápidamente, por decir lo menos. Durante la conferencia BigData SV 2018 en San José, Peter Burris, Director de Investigación de la firma de analistas tecnológicos Wikibon Research, presentó hallazgos que indican que se estima que los ingresos de la industria global de Big Data crecerán de $ 35 mil millones en 2017 a $ 42 mil millones en 2018. Además de eso, Burris pronostica que los ingresos alcanzarán los $ 103 mil millones para el año 2027.
Para manejar de manera efectiva todos estos datos, las soluciones inteligentes de ML serán aún más necesarias de lo que son ahora. Es evidente que ML continuará siendo un tema candente en el futuro previsible. Cuando hablamos por última vez con Dunning de MapR hace un año, enfatizó la adopción de un enfoque realista y calculado de ML para los negocios. Pero un año es mucho tiempo cuando se habla de tecnología. Recientemente nos encontramos con Dunning y, según él, las cosas se han mantenido casi igual desde nuestra última conversación. "En ese nivel superior, no ha cambiado mucho", dijo Dunning. "La idea básica de razonar a partir de la evidencia ciertamente no es noticia en el último año, pero algunas de las herramientas han cambiado".
Con eso en mente, Dunning también dijo que hay más jugadores en el campo que hace un año, pero ese hecho no es necesariamente algo bueno. "Una cosa que sucedió es la aparición de más y más vendedores que hablan sobre el aprendizaje automático 'mágico', para ponerle una palabra desagradable", explicó. "Existe una gran idea errónea de que simplemente puede arrojar sus datos a un producto y obtener algunas ideas hermosas".
- Por qué el aprendizaje automático es el futuro Por qué el aprendizaje automático es el futuro
- Comet.ml quiere cambiar la forma en que interactuamos con el aprendizaje automático Comet.ml quiere cambiar la forma en que interactuamos con el aprendizaje automático
- Google simplifica el aprendizaje automático con SQL Google simplifica el aprendizaje automático con SQL
Según Dunning, esperar un resultado mágico de ML puede ser "decepcionante". "Todavía tiene que pensar qué problema realmente importa. Todavía tiene que recopilar datos y aún tiene que administrar la implementación de su sistema", dijo. "Y estas realidades pragmáticas y logísticas aún dominan el problema".
Dunning está en desacuerdo con algunos de los altos niveles de marketing que ofrecen algunas compañías de software. "Ninguna de las cosas mágicas de la IA ni siquiera aborda eso", dijo. Tiene un consejo para que las empresas lo consideren. Según él, una forma de garantizar buenas prácticas es contratar a un analista de negocios de IA específico para que pueda hacer que alguien en su empresa identifique aspectos de su negocio que pueden mejorarse utilizando la tecnología ML.
"En algunos casos, eso podría ser una extensión de su negocio a nuevas oportunidades", explicó Dunning. Pero en la mayoría de los casos, sin embargo, enfatizó que contratar a alguien para comprender las necesidades de su organización y usar esa información para guiar su estrategia de LD es crucial.
