>Qué es la inteligencia artificial     >Historia de la IA: Por qué ahora     >Aprendizaje autónomo     >Aprendizaje profundo    >Casos de uso empresarial

Aprendizaje Autónomo

Una de las grandes ramas de la IA es la del aprendizaje autónomo o automático. Los algoritmos de aprendizaje automático detectan patrones y aprenden a hacer predicciones y recomendaciones mediante el procesamiento de datos y experiencias. No reciben instrucciones explícitas de programación.

Tipos de análisis (en orden de complejidad creciente)

Descriptivo

  • Describe lo que pasó.

  • Históricamente empleado en la gestión de operaciones.

Predictivo

  • Anticipa lo que sucederá (probabilístico).
  • Empleado en organizaciones basadas en datos como una fuente clave de conocimiento.

Prescriptivo

  • Proporciona recomendaciones sobre qué hacer para alcanzar los objetivos.

  • Empleado fuertemente por empresas líderes de datos e Internet.

Tipos principales de aprendizaje automático

Entrenamiento supervisado

entrenamiento supervisado

Lo que es – Un algoritmo utiliza los datos de entrenamiento y la retroalimentación de los humanos para conocer la relación de las entradas dadas a un resultado dado (por ejemplo, cómo las entradas “época del año” y “tasas de interés” predicen los precios de la vivienda).

Cuándo usarlo – Se sabe cómo clasificar los datos de entrada y el tipo de comportamiento que desea predecir, pero se necesita el algoritmo para calcularlos en base a nuevos datos.

Cómo funciona

  1. Un humano etiqueta los datos de entrada (por ejemplo, en el caso de predecir los precios de la vivienda, etiqueta los datos de entrada como “época del año”, “tasas de interés”, etc.) y define la variable de salida (por ejemplo, precios de la vivienda).

  2. El algoritmo se entrena en los datos para encontrar la conexión entre las variables de entrada y la salida.

  3. Una vez que se completa el entrenamiento, generalmente cuando el algoritmo es lo suficientemente preciso, se aplica a nuevos datos.

Algoritmos y Casos de uso empresarial

  • Regresión lineal: Método estándar altamente interpretable para modelar la relación pasada entre las variables de entrada independientes y las variables de salida dependientes (que pueden tener un número infinito de valores) para ayudar a predecir los valores futuros de las variables de salida

    • Comprender los impulsores de ventas de productos, como precios de la competencia, distribución, publicidad, etc.

    • Optimizar los puntos de precio y estimar las elasticidades precio-producto.

  • Regresión logística: Un modelo con algunas similitudes con la regresión lineal que se usa para las tareas de clasificación, lo que significa que la variable de salida es binaria (por ejemplo, solo blanco o negro) en lugar de continua (por ejemplo, una lista infinita de colores potenciales).

    • Clasificar a los clientes según la probabilidad de que paguen un préstamo.

    • Predecir si un órgano humano -vg colon- tiene un cáncer según patrones.

  • Análisis discriminante lineal/cuadrático: Actualiza una regresión logística para tratar problemas no lineales -aquellos en los que los cambios en el valor de las variables de entrada no producen cambios proporcionales en las variables de salida.

    • Predecir la rotación de clientes.

    • Predecir la probabilidad de cierre de un líder de ventas.

  • Árbol de decisión: Modelo de clasificación o regresión altamente interpretable que divide los valores de las características de los datos en ramas en los nodos de decisión (por ejemplo, si una entidad es un color, cada color posible se convierte en una nueva rama) hasta que se tome una decisión final.

    • Comprender los atributos que hacen más probable que un producto se compre.

    • Proporcionar un marco de decisión para la contratación de nuevos empleados.

  • Naïve Bayes: Técnica de clasificación que aplica el teorema de Bayes, lo que permite calcular la probabilidad de que un evento se base en el conocimiento de los factores que pueden afectar a ese evento (por ejemplo, si un correo electrónico contiene la palabra “dinero”, entonces la probabilidad de que sea spam es alta)

    • Analizar el sentimiento para evaluar la percepción del producto en el mercado.

    • Crear clasificadores para filtrar correos spam.

  • Máquinas de vectores soporte: Una técnica que normalmente se usa para la clasificación, pero se puede transformar para realizar una regresión. Dibuja una división entre clases lo más amplia posible. También se puede generalizar para resolver problemas no lineales.

    • Predecir a cuántos pacientes necesitará atender un hospital en un período de tiempo.

    • Determina la probabilidad de que válvulas del corazón fallen.

    • Predecir la probabilidad de que alguien haga clic en un anuncio en línea.

  • Bosques aleatorios: Modelo de clasificación o regresión que mejora la precisión de un árbol de decisión simple al generar múltiples árboles de decisión y tomar un voto mayoritario para predecir el resultado, que es una variable continua (por ejemplo, edad) para un problema de regresión y una variable discreta (por ejemplo, ya sea negro, blanco o rojo) para la clasificación.

    • Predecir el volumen de llamadas en los centros de llamadas para las decisiones de personal.

    • Predecir el uso de energía en una red de distribución eléctrica.

  • AdaBoost: Técnica de clasificación o regresión que utiliza una multitud de modelos para llegar a una decisión, pero los sopesa en función de su precisión para predecir el resultado.

    • Detectar actividad fraudulenta en transacciones con tarjeta de crédito.

    • Una forma sencilla y económica de clasificar las imágenes (por ejemplo, reconocer el uso de la tierra de las imágenes de satélite para los modelos de cambio climático).

    • Consigue una menor precisión que el aprendizaje profundo.

  • Árboles que aumentan el gradiente: Técnica de clasificación o regresión que genera árboles de decisión secuencialmente donde cada árbol se enfoca en corregir los errores provenientes del modelo de árbol anterior. El resultado final es una combinación de los resultados de todos los árboles.

    • Previsión de la demanda de productos y niveles de inventario.

    • Predice el precio de los autos según sus características (por ejemplo, edad y kilometraje).

    • Clasificiación de imágenes

  • Red neuronal simple: Modelo en el que las neuronas artificiales (modelos de redes basadas conceptualmente en el cerebro humano) forman una capa de entrada, una o más capas ocultas donde se realizan los cálculos, y una capa de salida. Puede ser usado para clasificar datos o encontrar la relación entre variables en problemas de regresión.

    • Predecir la probabilidad de que un paciente se una a un programa de salud.

    • Predecir si los usuarios registrados estarán dispuestos o no a pagar un precio particular por un producto.

Entrenamiento no supervisado

aprendizaje no supervisado

Lo que es – Un algoritmo explora los datos de entrada sin recibir una variable de salida explícita (por ejemplo, explora los datos demográficos de los clientes para identificar patrones)

Cuándo usarlo – No se sabe cómo clasificar los datos y se desea que el algoritmo encuentre patrones y clasifique los datos.

Cómo funciona

  1. El algoritmo recibe datos sin etiquetar (por ejemplo, un conjunto de datos que describen los viajes de los clientes en un sitio web).

  2. Infiere una estructura a partir de los datos.

  3. El algoritmo identifica grupos de datos que muestran un comportamiento similar (por ejemplo, forman grupos de clientes que muestran comportamientos de compra similares).

Algoritmos y Casos de uso empresarial

  • Agrupación de K-medias: Coloca los datos en varios grupos (k) que contienen datos con características similares (según lo determinado por el modelo, no de antemano por los humanos).

    • Segmentar a los clientes en grupos por características distintas (por ejemplo, grupos de edad) para asignar mejores campañas de marketing o evitar la pérdida de personal, entre otros usos.

  • Modelo de mezcla gaussiana: Una generalización del agrupamiento de k-medias que proporciona más flexibilidad en el tamaño y la forma de los grupos (agrupaciones).

    • Segmentar a los clientes para asignar mejor las campañas de publicidad utilizando características de clientes menos distintas (por ejemplo, preferencias de productos).

  • Clúster jerárquico: Divide o agrega agrupamientos a lo largo de un árbol jerárquico para formar un sistema de clasificación.

    • Agrupar a los clientes con tarjetas de fidelidad en grupos cada vez más microsegmentados.

    • Informe a la salva / desarrollo del producto agrupando clientes que mencionan palabras clave en datos de redes sociales.

  • Sistema de recomendación: A menudo usa la predicción de comportamiento de grupo para identificar los datos importantes necesarios para hacer una recomendación.

    • Recomendar qué películas deberían ver los consumidores según las preferencias de otros clientes con atributos similares.

    • Recomendar artículos de noticias que un lector pueda querer leer según el artículo que esté leyendo.

Aprendizaje reforzado

aprendizaje reforzado

Lo que es – Un algoritmo aprende a realizar una tarea simplemente intentando maximizar las recompensas que recibe por sus acciones (por ejemplo, maximiza los puntos que recibe para aumentar los rendimientos de una cartera de inversiones).

Cuándo usarlo – Cuando no se tiene muchos datos de entrenamiento; no se puede definir claramente el estado final ideal; o la única forma de aprender sobre el medio es interactuar con él.

Cómo funciona

  1. El algoritmo realiza una acción sobre el medio (por ejemplo, realiza un intercambio en una cartera financiera).

  2. Recibe una recompensa si la acción lleva a la máquina un paso más cerca de maximizar las recompensas totales disponibles (por ejemplo, el rendimiento total más alto de la cartera).

  3. El algoritmo optimiza la mejor serie de acciones corrigiéndose a lo largo del tiempo.

Casos de uso empresarial

  • Optimizar la estrategia de negociación para una cartera de opciones de negociación.

  • Almacén y selección de inventario utilizando robots.

  • Optimizar los precios en tiempo real para una subasta en línea de un producto con un suministro limitado.

  • Equilibrar la carga de las redes eléctricas en ciclos de demanda variables.

  • Optimizar el comportamiento de conducción de los coches autoconducidos.