Si bien muchas industrias están luchando en medio de la pandemia de coronavirus, tanto la industria de TI como la tendencia más amplia de transición al trabajo remoto han revelado muchas áreas en las que los enfoques tradicionales para administrar negocios generan desperdicios innecesarios. Aún así, la ciencia de datos y su subdivisión, el aprendizaje automático, revelan que tal expansión es casi ilimitada.
El aprendizaje automático utiliza potentes algoritmos para descubrir información basada en datos del mundo real que luego se pueden utilizar para hacer predicciones sobre resultados futuros. A medida que haya nuevos datos disponibles, los programas de aprendizaje automático pueden adaptarse automáticamente y producir predicciones actualizadas. Al igual que con cualquier herramienta, el aprendizaje automático no es una fórmula mágica. Sin embargo, hay muchas situaciones en las que la tecnología puede superar a los algoritmos lineales y estadísticos.
A continuación, se muestran cinco de los casos de uso más comunes en los que el aprendizaje automático puede marcar una gran diferencia:
Cuando los ingenieros no pueden codificar reglas para ciertos problemas
Muchas tareas orientadas a las personas (como reconocer si un correo electrónico es spam) no se pueden resolver con soluciones simples (deterministas) basadas en reglas. Debido a que muchos factores pueden influir en una respuesta, los ingenieros tendrían que escribir y actualizar con frecuencia miles de millones de líneas de código. Además, cuando las reglas dependen de demasiados factores, y cuando esas reglas se superponen o necesitan un ajuste fino, se vuelve difícil para los humanos codificar reglas precisas. Afortunadamente, los programas de aprendizaje automático no requieren que los usuarios codifiquen patrones reales. Estos programas solo necesitan algoritmos adecuados para extraer patrones automáticamente.
Cuando necesita escalar una solución a millones de casos
Es posible que pueda clasificar manualmente algunos cientos de pagos como fraudulentos o no. Sin embargo, esto se vuelve tedioso o imposible cuando se trata de millones de transacciones. A medida que crece la base de usuarios, las organizaciones ya no pueden procesar los pagos a mano; los usuarios finales de hoy quieren respuestas sobre su dinero en milisegundos, no en minutos u horas. Las soluciones de aprendizaje automático son efectivas para manejar este tipo de problemas a gran escala con poca o ninguna intervención humana.
Cuando puede hacerlo manualmente, pero no es rentable
Hay situaciones en las que los expertos internos pueden procesar muchas solicitudes de forma rápida y precisa, pero a un costo elevado. Por ejemplo, imagine que evalúa los formularios del DMV para las compras de automóviles dentro y fuera del estado para determinar su validez antes de transmitirlos. En esta situación, los procesos comerciales están bien definidos, optimizados y serializados. Puede tomar solo unos minutos revisar cada formulario a fondo. Pero asignar tanto trabajo manual a este trabajo probablemente no sea el mejor uso para su presupuesto. El aprendizaje automático, por otro lado, ofrece precios predecibles de pago por uso para operaciones completamente escaladas.
Cuando tienes un conjunto de datos masivo sin patrones obvios
Considere esto: ha preparado con éxito un conjunto de datos bien seleccionado y conoce el problema subyacente. Sin embargo, no ve ningún patrón explícito en los datos, lo que le impide codificar esas validaciones. Además, hay muchos errores tipográficos, campos faltantes y otros errores causados por humanos sin validación. Incluso puede saber que los datos son de mala calidad y puede determinar manualmente cada fila afectada. Pero no puede ver ninguna conexión real entre los registros válidos y no válidos. Los algoritmos de aprendizaje automático pueden resolver este problema. Pueden encontrar conexiones ocultas entre puntos de datos que no están claras para los humanos. Herramientas como Interpreting Tracers pueden incluso describir cómo los modelos de aprendizaje automático llegan a su conclusión.
Cuando vives en un universo en constante cambio (adaptativo)
El mundo y sus problemas siempre están cambiando. Un problema que resolvió ayer puede mutar fácilmente en algo completamente diferente, haciendo que su solución anterior sea ineficiente o incluso inútil. Por ejemplo, si su organización procesó grabaciones de citas médicas para extraer diagnósticos, información de procedimientos y códigos de facturación, es posible que sus reglas tengan que evolucionar constantemente. Sin embargo, no puede realizar actualizaciones en tiempo real las 24 horas del día, los 7 días de la semana. Mientras tanto, los artículos etiquetados incorrectamente podrían dar lugar a rechazos de seguros, multas elevadas y sanciones legales. Una de las principales ventajas de los métodos de aprendizaje automático es que pueden aprender de los datos durante todo el ciclo de vida de su aplicación, desde la primera línea de código escrita hasta el momento en que finalmente se cierra el modelo. Además, es importante que los sistemas de nivel de producción tengan ciclos de retroalimentación para que pueda captar el momento en que su modelo ya no resuelve los problemas correctamente.
Es importante recordar que el aprendizaje automático es una herramienta, no es magia. Los modelos de aprendizaje automático son esencialmente algoritmos avanzados basados en matemáticas, que identifican patrones en los datos y aprenden de ellos. Sin embargo, cuando se aplica correctamente a los casos de uso correctos, el aprendizaje automático puede reducir la cantidad de tiempo dedicado a las operaciones de TI manuales propensas a errores, lo que agrega un valor comercial significativo y reduce en gran medida los costos de TI.
¿Está interesado en escuchar a los líderes de la industria discutir temas como este? Asista a la 5G Expo, IoT Tech Expo, Blockchain Expo, AI & Big Data Expo, y Cyber Security & Cloud Expo World Series, ubicadas en el mismo lugar, con los próximos eventos en Silicon Valley, Londres y Ámsterdam.
