El deep learning será fundamental en las predicciones de demanda, fraude y fallo
- Estrategias digitales
Esta tecnología, por ejemplo, permite dar resultados prometedores cuando se interpretan imágenes médicas para diagnosticar el cáncer temprano, o puede ayudar a mejorar la visión de las personas con discapacidad visual.
El aprendizaje profundo (deep learning), una variante del aprendizaje automático (machine learning), representa el principal impulsor hacia la inteligencia artificial (IA). Dado que el primero ofrece capacidades superiores de fusión de datos sobre otros enfoques del segundo, la consultora Gartner predice que, para 2019, el deep learning será un factor crítico en las predicciones de demanda, fraude y fallo.
Así lo confirma Alexander Linden, vicepresidente de investigación de Gartner: “El aprendizaje profundo está aquí para quedarse y expandir el machine learning al permitir representaciones intermedias de los datos”. Y en última instancia, añade el directivo, “resuelve problemas de negocios complejos y ricos en datos. Por ejemplo, el aprendizaje profundo puede dar resultados prometedores cuando se interpretan imágenes médicas para diagnosticar el cáncer temprano, también puede ayudar a mejorar la visión de las personas con discapacidad visual, o reconocer y entender el discurso de una persona específica”, comenta.
Además, según Gartner, el aprendizaje profundo también hereda todos los beneficios del machine learning, y varios avances en los dominios cognitivos lo demuestran. Los servicios de voz a texto de Baidu están superando a los humanos en tareas similares; PayPal lo está utilizando como el mejor enfoque para bloquear pagos fraudulentos y reducir su tasa de falsas alarmas a la mitad, y Amazon también lo está aplicando para mejorar las recomendaciones de productos.
Hoy en día, la mayoría de los casos de uso del machine learning a través del aprendizaje profundo son procesamiento de imagen, texto y audio, pero también cada vez más está presente en la predicción de la demanda, determinando deficiencias en torno a la calidad del servicio y del producto, y detectando nuevos tipos de fraude, predictivo o incluso prescriptivo. Sin embargo, las iniciativas de machine learning e inteligencia artificial requieren más que solo datos y algoritmos para tener éxito. Necesitan una mezcla de habilidades e infraestructura.
Ahora bien, la mayoría de las organizaciones carecen de las habilidades necesarias de ciencia de datos para soluciones simples de machine learning, y mucho menos para un aprendizaje profundo. En esta situación, apunta Linden, “los líderes de TI buscarán especialistas, llamados científicos de datos”, los cuales “pueden extraer una amplia gama de conocimientos de los datos, pueden ver una visión general del proceso de extremo a extremo y resolver problemas”, sentencia.
Tanto es así que Gartner predice que el 80% de los científicos de datos integrarán el aprendizaje profundo en sus herramientas para 2018. “Si alguien del equipo posee una buena comprensión de los datos, tiene experiencia en el dominio del negocio y puede interpretar los resultados, está listo para iniciar los experimentos del machine learning. Incluso si el equipo carece de experiencia con algoritmos, puede comenzar con aplicaciones empaquetadas o API”, explica el directivo.
Ahora bien, el machine learning tiene sus limitaciones. “Un sistema de este tipo puede tomar la mejor decisión posible si tiene suficientes datos para aprender, pero no puede juzgar si alguna de las decisiones resultantes está bien éticamente”, explica Linden. Para ello, se requerirá una combinación de experiencia y habilidades por parte de los científicos de datos.
