Machine Learning en la inteligencia analítica

¿Cuál es el rol del aprendizaje automático en la inteligencia analítica?

La inteligencia analítica consiste en procesar información, interpretar los resultados y comunicar los hallazgos relevantes a quienes pueden tomar una decisión con base en esa interpretación. Esto permite entender el comportamiento o estado de un sistema y facilita la toma de decisiones.

El entendimiento es una actividad humana, pero el procesamiento de la información y una parte de su interpretación se pueden automatizar por medio de software utilizando técnicas de aprendizaje automático (machine learning).

Con el boom del Big Data, el Internet de las Cosas (IoT/IIoT) y la transformación digital, las organizaciones manejan volúmenes de datos que se vuelven casi humanamente imposibles de analizar. Es ahí donde el machine learning toma relevancia: permite emular algunos procesos analíticos realizados por los humanos, aprovechando el conocimiento humano y el poder de cómputo disponible.

“Hay cosas que son fáciles de hacer para un humano y difíciles de hacer para una computadora.”

Las computadoras pueden hacer cosas que los humanos no pueden (miles de millones de cálculos en muy poco tiempo), pero hay cosas relativamente fáciles para un humano y difíciles para una computadora, como interpretar un dato tomando en cuenta todo el contexto. Estas condiciones dan valor al machine learning para automatizar procesos analíticos donde se requiere analizar frecuentemente grandes volúmenes de datos.

¿Cómo aprende una máquina?

Cuando se habla de machine learning, a veces existe la expectativa fantasiosa de que una máquina aprende mágicamente por su cuenta y propone mejores soluciones que un humano. En realidad, una máquina puede aprender a realizar tareas predefinidas a partir de programas que se ajustan con base en mediciones. Los algoritmos se clasifican en dos grandes categorías:

• Aprendizaje supervisado: algoritmos que se entrenan para detectar eventos a partir de un conjunto de datos ya clasificado en un estado (por ejemplo, positivo/negativo), y luego se ejecutan sobre los datos que se registran en línea.
• Aprendizaje sin supervisión: algoritmos que se ejecutan sobre información no estructurada y devuelven un conjunto de patrones identificados automáticamente a los que se puede asignar un estado.

¿Qué cosas puede aprender una máquina?

• Afinar reglas del juego para lograr un objetivo (ajustar parámetros).
• Identificar patrones y tendencias.
• Procesar imágenes para reconocer objetos.
• Reconocer e interpretar sonidos y lenguaje.

Aunque no existe una limitación física para que una máquina imite una capacidad humana, sí existe la condición de que esa capacidad pueda ser descrita explícita o implícitamente por un humano: depende del conocimiento y la capacidad descriptiva humana.

Qué considerar antes de iniciar un proyecto de Machine Learning

La organización debe estar consciente de los límites, alcances, casos de uso y beneficios de estas técnicas de IA, para que los resultados cumplan las expectativas iniciales. Estas técnicas no desplazan al conocimiento humano: lo potencian, reduciendo el esfuerzo de ejecutar tareas repetitivas sobre grandes volúmenes de datos y permitiendo concentrarse en la toma de decisiones.