Cómo las empresas inteligentes avanzan con el aprendizaje automático

El aprendizaje automático ayuda a las organizaciones a mejorar y reinventar los procesos empresariales, a identificar nuevas oportunidades de mercado y a mitigar riesgos conocidos y desconocidos.

PREGUNTAS QUE PODRÍAN FORMULAR LAS ORGANIZACIONES:

  • "¿TI puede desarrollar una aplicación que detecte correo no deseado para que las publicaciones basura no inunden los foros web de las comunidades de nuestra empresa?"

  • "¿Cómo podemos hacer un uso más inteligente de la información de los sensores y controles que existe actualmente en forma compartimentada para mejorar la eficacia en la fabricación?"

  • "En lugar de hacer un seguimiento de un solo usuario para detectar fraude, ¿podemos agregar los historiales financieros de muchas personas para detectar casos sutiles que de otro modo un algoritmo simple hubiera pasado por alto?"

BUILT IN - ARTICLE INTRO SECOND COMPONENT

Ejemplos de cómo y por qué las empresas están adoptando el aprendizaje automático para tomar rápidamente decisiones orientadas por datos que generan una ventaja competitiva real.

Tome decisiones más inteligentes y rápidas a partir de conjuntos de datos que crecen continuamente

Muchos problemas empresariales pueden ser increíblemente complejos e involucran el análisis de conjuntos de datos extremadamente grandes y diversos. Las organizaciones suelen enfrentarse a preguntas como:"¿TI puede desarrollar una aplicación que detecte correo no deseado para que las publicaciones basura no interfieran en los foros web de las comunidades de nuestra empresa?"

Dar respuesta a esas cuestiones complicadas y actuar en relación con ellas, con uso intensivo de datos, podría exceder la capacidad de la inteligencia empresarial tradicional y los sistemas de análisis basados en reglas. Estos enfoques podrían no ser lo suficientemente prospectivos o flexibles en entornos empresariales dinámicos inundados por big data de la nube, los medios sociales y los dispositivos móviles inteligentes, así como de Internet de las cosas (IoT). Para comprender mejor y resolver los desafíos, que cambian rápidamente e implican enormes cantidades de datos, las empresas de cada industria, desde el sector sanitario hasta bancos, transporte y manufactura, educación, comercio minorista y más, están actualizando sus capacidades analíticas con el aprendizaje automático.  

El aprendizaje automático, un subconjunto de inteligencia artificial (AI), utiliza algoritmos de software especializados que “aprenden” de manera iterativa y se adaptan a medida que los programas filtran enormes cantidades de datos. Estos ejemplos permiten que la organización descubra y actúe en relación con patrones, perspectivas y tendencias. Y eso produce mejores resultados a lo largo del tiempo, sin intervención humana. Estos beneficios están convirtiendo al aprendizaje automático en algo cada vez más popular todos los días. Las computadoras que aprenden impulsan una gran cantidad de aplicaciones del mundo real: análisis de datos de IoT, monitoreo de servidores informáticos, publicidad focalizada, reconocimiento de imágenes, programación de rutas, secuenciamiento genético, juegos, vehículos autónomos, exploración energética, reconocimiento facial y mucho más.

El aprendizaje automático produce perspectivas orientadas por datos y decisiones complejas que se pueden llevar a la práctica a partir de grandes conjuntos de datos de manera mucho más rápida y confiable que el análisis humano, la inteligencia empresarial tradicional u otros enfoques de inteligencia artificial. El aprendizaje automático impulsa grandes eficacias en las operaciones empresariales, mejora la seguridad y dispara la innovación posibilitada por datos con nuevos productos y servicios ajustados en función de los comportamiento de los consumidores. 

Cree procesos empresariales internos más inteligentes

Según un estudio reciente realizado por Bain & Company, las empresas que utilizan el análisis y aprendizaje automático tienen el doble de probabilidades de tomar decisiones orientadas por datos, cinco veces más probabilidades de tomar decisiones de manera más rápida que sus competidores, tres veces más probabilidades de ejecutar con mayor rapidez esas decisiones y el doble de probabilidades de tener resultados financieros en el cuartil superior1. Para muchas organizaciones, ascender en la curva de madurez de la inteligencia empresarial con el aprendizaje automático comienza por utilizar el aprendizaje automático para mejorar procesos empresariales internos clave.

Algunos ejemplos de alto nivel incluyen:

Mejora de la contratación y el desempeño de los trabajadores: Una compañía global de comida rápida utiliza el aprendizaje automático para obtener perspectivas relacionadas con la adquisición de talento, la retención y el desempeño de los empleados. Ese tipo de “análisis sobre personas” ofrece perspectivas detalladas acerca de los datos de RH utilizando técnicas de elaboración de modelos predictivos en múltiples fuentes de datos integradas. 

Marketing personalizado: Un importante banco italiano creó un sistema de análisis cognitivo para analizar los datos de los clientes y detectar importantes focos ocultos de oportunidades. Este enfoque generó un programa de marketing saliente con destinatarios específicos que mejoró significativamente las conversiones.

Cotizaciones de precios personalizadas: Una compañía de software global líder utiliza cotizaciones de precios computarizadas orientadas por el aprendizaje automático para personalizar opciones precisas para destinatarios específicos a cada cliente actual y potencial. La empresa tiene predicciones más precisas y focalizadas porque el aprendizaje automático se integra con los sistemas de gestión de relaciones con clientes y planificación de recursos empresariales.

Medicina personalizada: Cada vez más proveedores de atención médica utiliza el aprendizaje automático para alimentar un enfoque orientado por datos de medicina de precisión que identifica las opciones de tratamiento más personalizadas y efectivas en cuanto a costo.

Para muchos adoptantes tempranos en atención de la salud y otros ámbitos, el aprendizaje automático está redelineando sus empresas a través de una mejora en la eficacia, nuevos descubrimientos, mejoras en los productos y servicios o en las experiencias de los clientes.

1. ¿TI puede desarrollar una aplicación que detecte los correos no deseados para detener el correo basura?

Una de las fortalezas centrales del aprendizaje automático, la capacidad de distinguir patrones inusuales dentro de vastos conjuntos de datos en condiciones de cambio muy rápido, hace que esta tecnología sea muy adecuada para una rápida detección y mitigación en materia de seguridad. Por ejemplo, los algoritmos de aprendizaje automático buscan patrones en la manera en que se accede a los datos y se reportan anomalías que pueden predecir violaciones a la seguridad. Los procesadores de pagos utilizan algoritmos para hacer un seguimiento de los patrones de compra de los usuarios de tarjetas de crédito y débito, resaltando anomalías como importes de compra inusuales, o interacciones con comercios o en lugares geográficos que señalan un posible fraude.

Intel Corporation, por ejemplo, utiliza técnicas de aprendizaje automático para estudiar y detener mensajes basura en los foros de las comunidades del sitio web que brinda servicio a clientes, socios y empleados. Uno de los foros más grandes de Intel era invadido por hasta 10 mil publicaciones basura por día2.

El remedio usual, alistar a moderadores voluntarios para eliminar publicaciones basura, no cubría la escala y consumía demasiado tiempo del personal. Tampoco era posible utilizar filtros para detener el problema. Y el amplio crecimiento de los nuevos robots de mensajes basura hacía aun más difícil definir una regla universal que bloqueara una palabra o frase en particular. ¿El mensaje promovía el juego en casinos en el extranjero o era de uno de los clientes de la industria del entretenimiento de Intel?

El grupo de TI de Intel, frustrado, encontró otra solución. La empresa ya estaba poniendo a funcionar la automatización en muchas áreas de trabajo, como el monitoreo del buen estado de las PC y procesos de fábrica. Dado que la automatización había incrementado la eficacia en esas áreas, ¿por qué no utilizar el aprendizaje automático para un control automático del correo basura? Utilizando sofisticadas técnicas de aprendizaje automático, los ingenieros de Intel desarrollaron un servicio de filtrado de correo basura que bloquea automáticamente los mensajes no deseados y maliciosos. El análisis de texto le permite al sistema detectar contenido profano u objetable en 75 idiomas. Y un motor de reputación monitorea los perfiles de usuario para discernir si es probable que una fuente dada esté enviando mensajes basura.

Los ataques disminuyeron inmediatamente después de que Intel implementó el programa, y los niveles de correo basura se han mantenido en un nivel manejable desde entonces. Los picos de publicaciones basura casi han desaparecido, gracias a la capacidades del servicio de aprender de manera dinámica y bloquear los mensajes no deseados.

2. ¿Cómo podemos hacer un uso más inteligente de los sensores?

Para muchas empresas, el uso más valioso del aprendizaje automático es obtener sentido de y explotar las torrentes de datos de billones de sensores y otros dispositivos conectados a Internet de las cosas (IoT) e Internet industrial de las cosas (IIoT)3. En el último año, los fabricantes de automóviles y herramientas, empresas farmacéuticas, operadores de flotas y empresas de otras industrias han comenzado a usar o ampliar el uso del aprendizaje automático y el análisis en IoT como base para una fabricación autónoma.

Por ejemplo, Siemens AG, como un primer paso en el desarrollo de una planta de fabricación autónoma, creó un ecosistema de IoT abierto basado en la nube, llamado MindSphere*. La sólida plataforma digital captura, almacena y analiza datos generados por sistemas de control de fabricación y sensores en equipos conectados a través de IoT1. Siemens utiliza el aprendizaje automático para estudiar estos datos y analizar una cadena de suministro completa. De esta manera, el gigante de la industria internacional determina dónde introducir mejoras en la línea de fabricación que den lugar a mayores ganancias para la compañía. Estos “datos inteligentes” les dan a los gerentes de Siemens perspectivas que se pueden llevar a la práctica y mejoran el tiempo de funcionamiento de los equipos y la eficacia de las operaciones de producción.

El aprendizaje automático y el análisis son la base de una fabricación autónoma, en la cual prácticamente todos los procesos eventualmente serán digitales y estarán altamente automatizados. La rápida maduración de los algoritmos de aprendizaje les ha dado a los fabricantes la posibilidad de recopilar, almacenar y analizar enormes cantidades de datos en tiempo real, y de convertir esos datos en conjuntos de información que se pueden transmitir a la práctica. Lo más importante es que el aprendizaje automático ayuda a las empresas a volverse más inteligentes, al agregar dispositivos proactivos con aprendizaje automático dinámico de su entorno, sus usuarios y su historia para colaborar con las decisiones operativas de los analistas.

3. ¿Es posible agregar los historiales financieros de muchas personas para ayudar a detectar el fraude?

Mejorar los procesos comerciales actuales es solo el primer paso a la hora de aprovechar el poder del aprendizaje automático. Las perspectivas, antes impensables, que produce este enfoque pueden inspirar nuevos productos, servicios y nuevas maneras de hacer negocios. Puede transformar industrias enteras.

Consideremos el sector de venta minorista. Las tiendas físicas trabajan constantemente para reinventarse, dado que compiten unas con otras y contra sus rivales en línea. Los expertos dicen que el éxito (y la supervivencia) del comercio minorista depende de la creación de una combinación altamente personalizada de venta en línea y en tiendas. Una empresa minorista reconoció que saber qué les interesa realmente a los clientes y poner esos productos delante de esos clientes en el momento adecuado, elimina mucha fricción en el proceso de venta. Eso requiere una combinación de dispositivos conectados y software analítico.4
La empresa creó una aplicación que utiliza aprendizaje automático y sensores dentro de la tienda para capturar y analizar las preferencias de estilo y las tendencias de compra con el fin de orientar a los diseñadores de ropa.

Otra de las aplicaciones de los comercios minoristas ayuda a sumar opciones a los modelos que los clientes ya compraron al sugerir otros artículos sobre la base del propósito inicial. Si un cliente compra una camisa del sitio de comercio electrónico de la marca, la plataforma basada en inteligencia artificial presenta un menú de accesorios y prendas adicionales para “completar el look”. Este enfoque mejora drásticamente los ingresos en el punto de venta. Sin duda, la empresa minorista actualmente ofrece 4.5 millones de recomendaciones a los clientes todos los días. Tanto las aplicaciones de sensores como de sugerencias de complementos le brindan al comercio minorista una enorme cantidad de valiosa información acerca de los comportamientos y las preferencias de los clientes que se utiliza para personalizar y mejorar las ventas y los servicios .

Dado que el foco de los comercios minoristas está virando hacia el análisis y el aprendizaje automático, queda claro que los datos se están convirtiendo en una fuerza impulsora en un momento en que toda la industria se esfuerza por transformarse. Es probable que la tendencia crezca, ya que minoristas como las tiendas de artículos para el hogar de Lowe’s* y las tiendas de alimentos de Amazon* Go implementan robots con sensores que realizan auditorías de estanterías en tiempo real con el fin de optimizar el inventario. El ejemplo del comercio minorista demuestra las oportunidades que presenta el aprendizaje automático. La diferencia entre las empresas que adoptan la tecnología y las que no lo hacen determinará quiénes pasan a afectar a la industria y quiénes fracasan y son los afectados.

De qué manera Intel ayuda al que se logren los beneficios del aprendizaje automático

El aprendizaje automático y el análisis de datos ayudan a que las organizaciones sean más inteligentes, más rápidas y eficientes, y más innovadoras. Decisiones más rápidas y mejores en tiempo real impulsan una mejora operativa y nuevos modelos comerciales y productos que ofrecen una genuina ventaja competitivaYa sea que una empresa recién esté empezando con un piloto de aprendizaje automático o ya haya realizado uno o más ambiciosos proyectos de análisis avanzado, Intel ofrece una variedad de recursos y tecnologías que ayudan a crear la sólida arquitectura integral que requieren las tecnologías de aprendizaje automático.

La cartera optimizada para el desempeño de Intel y su rico ecosistema de soluciones respaldan el progreso hacia un análisis con el aprendizaje automático avanzado. Intel lo hace asociándose con integradores de sistemas y proveedores de tecnología de primer nivel que ofrecen un marco para el almacenamiento distribuido y el procesamiento de big data. Intel mismo es un usuario de avanzada de las tecnologías de aprendizaje automático. El área de fabricación de Intel utiliza el análisis de datos a gran escala e IoT para reducir costos e incrementar la calidad. Con estas herramientas, los gerentes de fábrica pueden realizar análisis que en otro momento requerían horas en tan solo 30 segundos.5
Los científicos de datos de Intel han adaptado el aprendizaje automático para analizar flujos de datos de IoT. En lugar de utilizar reglas rígidas, el motor de análisis reconoce cambios que ayudan a determinar cómo establecer alertas para un gran conjunto de sensores.6
Los expertos de la empresa y socios experimentados ayudan a las organizaciones a tomar mejores decisiones en relación con una amplia variedad de necesidades de implementación y tecnología de aprendizaje automático.

La conclusión es que el aprendizaje automático en análisis ya está aquí. Intel ha comprobado el valor del aprendizaje automático para su propia empresa y para sus clientes y socios.