IA, aprendizaje automático y aprendizaje profundo: ejemplos

En este post intentaré conectar la IA, el aprendizaje automático y el aprendizaje profundo en relación con ejemplos de aplicación práctica tanto en entornos empresariales como en la educación.

En anteriores artículos escribí varios artículos sobre IA:
Deep Learning, el aprendizaje profundo (noviembre 03, 2019)
La inteligencia artificial (IA) y el futuro de la educación (enero 02, 2020)
¿Qué es la Inteligencia Artificial (Artificial Intelligence)? (enero 09, 2020)
¿Qué aporta la inteligencia artificial al aprendizaje online? (enero 19, 2020)

Análisis tradicional de la información recolectada

En el análisis tradicional (sin AI), debemos procesar muchos eventos simultáneamente; es decir, nos podemos ver enfrentados a procesar y analizar una gran cantidad de datos (tanto muy relevantes como menos relevantes). Puede constituir un proceso lento y es posible que los resultados no estén disponibles con rapidez. Visto de esta manera, en un contexto de procesamiento "manual", demasiados datos dificultan el análisis, limitando las posibilidades de asociar el análisis a la predicción, prescripción y toma de desiciones.

La inteligencia artificial es un término genérico que abarca un conjunto de tecnologías de autoaprendizaje, como el aprendizaje automático y el aprendizaje profundo, con la perspectiva de desarrollar capacidades creativas de resolución de problemas similares y superiores a las de la mente humana.

La IA, el aprendizaje automático y el aprendizaje profundo pueden convertir una gran acumulación de datos en un recurso activo para determinar su importancia, predecir resultados, prescribir acciones específicas y automatizar la toma de decisiones. En muchos sentidos, la IA, el aprendizaje automático, y el aprendizaje profundo son superiores a la programación y análisis estadístico tradicional.

Ejemplos de algunos desafíos a los que se enfrenta la IA:

• Cadenas de valor y de suministro más globales.
• Necesarios cambios en la reglas de negocios en función de los competidores y para satisfacer las necesidades y preferencias de los clientes.
• Necesidad de pronósticos correctos y despliegue de recursos escasos para optimizar los proyectos e inversiones.
• Expectativas para mejorar la calidad de productos y servicios, en base a experiencia del cliente y reduciendo los costos.
• Anticiparse y predecir el comportamiento de los estudiantes para reforzar los resultados de aprendizaje y reducir el abandono.

Desventajas

Sin embargo, la IA, el aprendizaje automático y el aprendizaje profundo tienen desventajas, porque se basan en estadísticas, por lo que hay un elemento de incertidumbre en el resultado. Esto hace que la integración de la IA, el aprendizaje automático y el aprendizaje profundo en el flujo de trabajo es difícil. La gran ambigüedad en las decisiones de la máquina deben ser gestionadas por un experto que tenga el conocimiento para seguir entrenando el computador realimentándolo tanto en el caso de los errores como en el caso de las respuestas correctas.

Dadas las ventajas y desventajas, ¿cuándo es apropiado usar la IA, la máquina aprendizaje, y aprendizaje profundo?

• Si existe un potencial alto resultado comercial, en el que los enfoques tradicionales son demasiado engorrosos o consumen mucho tiempo.
• Si los datos pertinentes están disponibles y son accesibles.
• Cuando los expertos en la materia creen que los datos contienen una señal significativa.
• Si el problema en cuestión se vincula a la AI o es un típico problema de aprendizaje profundo, como la clasificación, agrupación o detección de anomalías.
• Para identificar en qué momento es necesario realizar intervenciones para apoyar estudiantes con dificultades. La IA permite analizar los datos extraídos de los servidores de la universidad, identificar los patrones de comportamiento de los estudiantes y anticiparse a situaciones que pueden llevar al fracaso o abandono de los estudios.

En pocas palabras, la inteligencia artificial (IA) es un método de aprendizaje a partir de datos históricos mediante el análisis estadístico. Cuando el análisis predictivo se combina con la potencia de cálculo y las herramientas adecuadas, la inteligencia del cliente incluye la comprensión del comportamiento futuro de su cliente.

Predicción en la IA

El análisis predictivo es el proceso de utilizar la minería de datos, las estadísticas y la modelización para hacer predicciones. El programa informático extrae y analiza patrones de datos históricos para predecir resultados futuros, extrayendo información de los conjuntos de datos para determinar patrones y tendencias.
Como humanos, muchas de nuestras decisiones no están basadas en la lógica. Las emociones, la confianza, la intuición, la capacidad de comunicación, la satisfacción interior y la cultura juegan un rol crucial en tomar una particular decisión, o la compra de un determinado producto.

Los algoritmos de inteligencia artificial integran cada vez más la capacidad de identificar estas emociones clave y producir conocimientos que hacen que la prospección sea más eficaz para los potenciales compradores. Por ejemplo, con los datos de ventas compra de diferentes artículos por parte de miles de clientes.

Otro ejemplo de predicción es el análisis del sentimiento (la probabilidad de que a alguien le guste algo). Asumamos que puedes rastrear y almacenar el contenido textual de cualquier publicación de un usuario (como tweets, actualizaciones, artículos de blog y mensajes de un foro). Con estos datos, puedes construir un modelo que predice el sentimiento del usuario a partir de sus publicaciones. 

Otro ejemplo es el interés en aumentar suscripciones a una publicación o sitio web. Es más probable que la gente se suscriba si tienen la oportunidad de ganar un premio. Podrías predecir qué premios generarán el mayor número de suscripciones.

Una de las principales preguntas sobre el uso de la IA en la educación es si la IA puede predecir el comportamiento de los estudiantes. Un estudio del MIT demostró que, contrariamente a la creencia popular, las máquinas son más capaces de comprender el comportamiento humano en comparación con los propios seres humanos. Los resultados mostraron que las máquinas son más fiables y más rápidas para evaluar, predecir y sacar conclusiones basadas en el comportamiento humano. 

La prescripción en la IA

La prescripción trata de optimizar las métricas del negocio en procesos, como la comercialización, ventas, y servicio al cliente. 
Es como decirle al GPS que quieres optimizar el consumo de combustible, el tiempo de viaje, o la búsqueda del camino más corto.

En un ambiente de negocios, podrías tener como objetivo reorientar a los clientes desde las redes sociales al sitio web de la compañía y aumentar las ventas en un 20 por ciento. Con estas métricas, el sistema de análisis prescriptivo podría prescribir una secuencia de acciones que lleva a los resultados comerciales deseados. Por ejemplo:

• Reducir la frecuencia del correo directo de comercialización en un 15 por ciento,
• incrementar simultáneamente la presencia en Twitter y Facebook en un 10 y un 15 por ciento, respectivamente,
• cuando el compromiso de los clientes con los medios sociales alcanza el 12 por ciento, comienza a dirigir el público al portal web de la compañía. 

¡Estás bienvenido a escribir un comentario!