En esta nota hablaremos de los cambios y nuevos desarrollos en la industria de la inteligencia artificial y el machine learning de los últimos doce meses.
En los últimos 12 meses, vimos una gran cantidad de cambios y nuevos desarrollos en la industria de la inteligencia artificial y el machine learning (IA/ML). No solo hubo cambios en las necesidades de herramientas, seguridad y gestión de información para las organizaciones, sino también fuimos testigos de cambios masivos en la industria debido a los impactos económicos de la COVID-19.
Si bien el coronavirus provocó grandes dificultades para la mayoría de las industrias, las empresas basadas fuertemente en tecnología como Netflix, Mercadolibre, Steam (plataforma para gaming) o Zoom, están obteniendo cada vez mayores ganancias debido al incremento de las actividades online.
En épocas de cuarentena se aceleró el uso de comercio electrónico en Argentina, se sumaron usuarios a hacer su primera compra y en los primeros 6 meses el e-commerce facturó 314.602 millones de pesos, un incremento del 106% comparándolo con el mismo período del 2019, según datos de la Cámara Argentina de Comercio Electrónico (CACE).
Este crecimiento en el uso de datos digitales puso más que nunca en la mesa de las compañías la importancia de entender estos datos, convertirlos en información que sirva para accionar y tomar decisiones más inteligentes. No solo las que venden online, sino todas las que tienen un modelo de negocio más tradicional.
Por ejemplo, si queremos entender mejor las ventas, podríamos cruzarlas con visitas en la web, combinarlas con los productos que más se miran, enriquecerlas con datos externos como el censo para conocer mejor las zonas desde donde nos compran o con información de Google para profundizar sobre la data geográfica. Esta es una forma de pensar una solución desde la pregunta que queremos responder, desde el objetivo de negocio.
Para la mayoría de las organizaciones, 2020 fue un año de apretarse el cinturón, donde la mayoría de los proyectos de tecnología fueron reorientados a las iniciativas más importantes, con foco principalmente en 3 grandes objetivos; vender más, fidelizar clientes o reducir costos.
Las técnicas de análisis avanzado de datos, principalmente la inteligencia artificial y el machine learning, pueden usarse para aprovechar los datos que representan la relación entre las empresas y sus clientes, las universidades y sus alumnos, las clínicas y sus pacientes o los gobiernos y sus ciudadanos, sólo por mencionar algunos ejemplos.
Toda esa experiencia de las organizaciones puede traducirse en modelos predictivos, no solo para mirar el pasado y generar informes, sino para tener la posibilidad de predecir lo que sucederá en el futuro en base a la historia, descubriendo patrones que los humanos nunca antes habíamos visto. La ciencia de datos entonces aporta una nueva forma de entender cómo se aborda un problema complejo: con precisión, rigurosidad científica, flexibilidad y escalabilidad.
En épocas de constantes cambios en el comportamiento de los consumidores, para mantener una organización competitiva la clave será tener la capacidad de entender esos comportamientos y reaccionar rápido.
Las principales tendencias para 2021 en inteligencia artificial y machine learning van en esa línea, veamos algunas de ellas y qué impacto tendrán en las organizaciones.
Uso de machine learning para predecir la demanda.
Cuando se usan correctamente las variables de contexto y los datos históricos por ejemplo las ventas de un producto, se pueden generar predicciones con una precisión mucho más alta que con los métodos tradicionales, capturando características de los negocios como la estacionalidad o correlaciones no intuitivas. Esto, entre otras cosas, impacta directamente en la gestión más eficiente del stock evitando faltante de productos y la reducción de costos optimizando la capacidad de atención.
Los analistas de todas las organizaciones deberán convertirse en analistas de datos.
Las empresas o instituciones que busquen tomar decisiones basadas en datos no podrán depender de una sola área centralizada de datos, eso será insuficiente por el volumen de trabajo que tendrán estos equipos.
Se propone, entonces, que las áreas expertas en datos se encarguen de diseñar la estrategia de incorporación de IA/ML y los algoritmos más complejos, pero el resto de la compañía deberá incorporar las habilidades de datos necesarias para impulsar estas iniciativas. Habilidades como estadística básica, creación de tableros visuales, contar historias con datos y hacerle consultas a los datos mediante lenguajes como SQL.
IA explicable
La Unión Europea está liderando un pedido bien concreto a todos los que generamos inteligencia artificial: que sea más transparente para los usuarios y consumidores. A diferencia de las técnicas habituales de aprendizaje automático (machine learning) de caja negra, donde es imposible explicar cómo la IA llegó a una determinada conclusión, la IA explicable está diseñada para simplificar y visualizar cómo las redes de ML toman decisiones.
¿Qué significa “caja negra”? En los modelos tradicionales de IA, la red está diseñada para producir una salida numérica o binaria. Por ejemplo, un modelo de ML diseñado para decidir si ofrecer crédito en situaciones específicas dará como resultado “sí” o “no”, sin explicación adicional. El resultado con IA explicable incluirá el razonamiento detrás de cualquier decisión tomada por la red, que, siguiendo el ejemplo, permite que la red proporcione una razón para aprobar o rechazar la solicitud de crédito.
Inteligencia artificial conversacional
Entre 2019 y 2020 se desarrollaron grandes avances en la IA para la generación de textos, historias, poemas o artículos periodísticos. Se destacan el caso de GPT 3, la inteligencia artificial de OpenAI y la poderosa BERT, de Google.
Cuanto mejor comprenda la computadora el texto que se le ingresa, mayor calidad tendrá la respuesta de la máquina. BERT es un paso más hacia una IA que es capaz de comprender y responder con precisión las preguntas que se le plantean, al igual que un ser humano.
Estas tecnologías y otras habilitan el inicio de una nueva era de asistentes virtuales para interactuar con clientes en conversaciones de alta calidad y complejidad, en cualquier día y a cualquier hora, aportando valor y ajustadas a los intereses del usuario.
En un año de intensa actividad digital, se ve una nueva confirmación de la ciencia de datos como una disciplina que ya viene demostrando con resultados concretos cómo puede influir positivamente en todos los sectores de nuestra sociedad. Como se observa, esta tendencia sin dudas se afianzará y seguirá creciendo en 2021.
Fredi Vivas| CEO de RockingData, compañía especializada en Big Data, Inteligencia Artificial y Data Science, Coordinador Académico del programa de Big Data de la Universidad de San Andrés. Egresado de Singularity University en EEUU.
