BLOG

Una guía ejecutiva para el aprendizaje de “Machine Learning” o Aprendizaje Automático

Fuente: McKinsey Quarterly

Ya no es exclusiva de los investigadores de inteligencia artificial y las compañías nacidas digitales como Amazon, Google y Netflix.

Machine Learning  se basa en algoritmos que pueden aprender de los datos sin depender de la programación basada en reglas. Se convirtió en una disciplina científica propia a fines de la década de 1990, ya que los constantes avances en la digitalización y la potencia informática barata permitieron a los científicos de datos detener la construcción de modelos terminados y en su lugar entrenar a las computadoras para que lo hagan. El volumen inmanejable y la complejidad de los grandes datos en los que el mundo está nadando han aumentado el potencial del aprendizaje automático y la necesidad de hacerlo.

En 2007, Fei-Fei Li, jefe del Laboratorio de Inteligencia Artificial de Stanford, dejó de intentar programar computadoras para reconocer objetos y comenzó a etiquetar los millones de imágenes en bruto que un niño podría encontrar a los tres años y alimentarlas con computadoras. Al mostrar miles y miles de conjuntos de datos etiquetados con instancias de, digamos, un gato, la máquina podría moldear sus propias reglas para decidir si un conjunto particular de píxeles digitales era, de hecho, un gato. 1 En noviembre 2014, el equipo de Li dio a conocer un programa que identifica los elementos visuales de cualquier imagen con un alto grado de precisión. La máquina Watson de IBM se basó en un sistema de puntuación autogenerado similar entre cientos de posibles respuestas para aplastar al mejor Jeopardy del mundo . jugadores en 2011.

Por deslumbrante que sean tales hazañas, el aprendizaje automático no es como aprender en el sentido humano (todavía). Pero lo que ya hace extraordinariamente bien, y mejorará, mastica sin descanso toda cantidad de datos y combinaciones de variables. Debido a que el surgimiento del aprendizaje automático como una herramienta de gestión convencional es relativamente reciente, a menudo plantea preguntas. En este artículo, hemos presentado algunos que a menudo escuchamos y respondimos de una manera que esperamos sea útil para cualquier ejecutivo. Ahora es el momento de lidiar con estos problemas, porque la importancia competitiva de los modelos comerciales turboalimentados por el aprendizaje automático está a punto de aumentar. De hecho, el autor de la gestión, Ram Charan, sugiere que “cualquier organización que no sea una casa de matemáticas ahora o que no pueda convertirse pronto en una ya es una empresa heredada.

1. ¿Cómo están utilizando las industrias tradicionales el aprendizaje automático para recopilar nuevos conocimientos empresariales?

Bueno, comencemos con los deportes. La primavera pasada, los aspirantes al campeonato de la Asociación Nacional de Baloncesto de los EE. UU. Se basaron en los análisis de Second Spectrum, una start-up californiana de aprendizaje automático. Al digitalizar los juegos de las últimas temporadas, ha creado modelos predictivos que permiten a un entrenador distinguir, como dice el CEO Rajiv Maheswaran, “un tirador malo que toma buenos tiros y un buen tirador que toma malos tiros”, y para ajustar sus decisiones en consecuencia.

No puede ser más venerable o tradicional que General Electric, el único miembro del Promedio Industrial Dow Jones original que todavía existe después de 119 años. GE ya gana cientos de millones de dólares al analizar los datos que recoge de los pozos de petróleo de aguas profundas o motores a reacción para optimizar el rendimiento, anticipar averías y agilizar el mantenimiento. Pero Colin Parris, quien se unió a GE Software de IBM a finales del año pasado como vicepresidente de investigación de software, cree que los continuos avances en el procesamiento de datos, los sensores y los algoritmos predictivos pronto le darán a su empresa la misma agudeza y visión de los caprichos individuales de un motor a reacción que Google tiene en el comportamiento en línea de un internauta de 24 años de West Hollywood.

2. ¿Qué pasa fuera de Noretamerica?

En Europa, más de una docena de bancos han reemplazado los antiguos enfoques de modelos estadísticos con técnicas de aprendizaje automático y, en algunos casos, experimentaron aumentos del 10% en las ventas de nuevos productos, ahorros del 20% en gastos de capital, aumentos del 20% en cobros en efectivo. y un 20 por ciento de disminución en la rotación. Los bancos han logrado estas ganancias mediante el diseño de nuevos motores de recomendación para clientes en el comercio minorista y en pequeñas y medianas empresas. También han construido modelos microtargeted que pronostican con mayor precisión quién cancelará el servicio o el impago de sus préstamos, y cuál es la mejor manera de intervenir.

Más cerca de casa, como un artículo reciente en notas trimestrales de McKinsey , 3 nuestros colegas han estado aplicando análisis rigurosos a la parte blanda de la gestión del talento. El otoño pasado, probaron la capacidad de tres algoritmos desarrollados por proveedores externos y uno construido internamente para pronosticar, solo mediante el examen de currículum vitae escaneados, cuál de los más de 10,000 posibles reclutas habría aceptado la firma. Las predicciones están fuertemente correlacionadas con los resultados del mundo real. Curiosamente, las máquinas aceptaron un porcentaje ligeramente mayor de candidatas, lo que es prometedor para el uso de análisis para desbloquear una gama más diversa de perfiles y contrarrestar el sesgo humano oculto.

A medida que se digitaliza cada vez más el mundo analógico, nuestra capacidad para aprender de los datos mediante el desarrollo y prueba de algoritmos solo será más importante para lo que ahora se considera como negocios tradicionales. El economista jefe de Google Hal Varian lo llama “computadora kaizen “. “Así como la producción en masa cambió la forma en que se ensamblaron los productos y la mejora continua modificó la fabricación”, dice, “la experimentación continua [y a menudo automática] mejorará el camino”. optimizamos los procesos de negocios en nuestras organizaciones “.

3. ¿Cuáles fueron los primeros fundamentos del aprendizaje automático?

El aprendizaje automático se basa en una serie de bloques de construcción anteriores, comenzando con las estadísticas clásicas. La inferencia estadística forma una base importante para las implementaciones actuales de la inteligencia artificial. Pero es importante reconocer que las técnicas estadísticas clásicas se desarrollaron entre los siglos XVIII y principios del XX para conjuntos de datos mucho más pequeños que los que ahora tenemos a nuestra disposición. El aprendizaje automático no está restringido por los supuestos preestablecidos de las estadísticas. Como resultado, puede proporcionar ideas que los analistas humanos no pueden ver por sí mismas y hacer predicciones con grados cada vez más altos de precisión.

Más recientemente, en la década de 1930 y 1940, los pioneros de la informática (como Alan Turing, que tenía un interés profundo y permanente en la inteligencia artificial) comenzaron a formular y retocar las técnicas básicas como las redes neuronales que hacen posible el aprendizaje de la máquina actual. Pero esas técnicas permanecieron en el laboratorio más tiempo de lo que lo hacían muchas tecnologías y, en su mayor parte, tuvieron que esperar el desarrollo y la infraestructura de computadoras potentes, a fines de la década de 1970 y principios de la de 1980. Ese es probablemente el punto de partida para la curva de adopción de aprendizaje automático. Las nuevas tecnologías introducidas en las economías modernas -la máquina de vapor, la electricidad, el motor eléctrico y las computadoras, por ejemplo- parecen tardar unos 80 años en pasar del laboratorio a lo que podríamos llamar invisibilidad cultural. La computadora no se ha perdido de vista por el momento, pero es probable que esté lista para el año 2040. Y probablemente el aprendizaje automático no tarde mucho más en retroceder.

4. ¿Qué se necesita para empezar?

Los ejecutivos de alto nivel aprovecharán mejor el aprendizaje automático si lo ven como una herramienta para elaborar e implementar una visión estratégica. Pero eso significa poner la estrategia primero. Sin una estrategia como punto de partida, el aprendizaje automático corre el riesgo de convertirse en una herramienta escondida dentro de las operaciones rutinarias de una empresa: proporcionará un servicio útil, pero su valor a largo plazo probablemente se limitará a una repetición interminable de aplicaciones de “cortador de galletas” como modelos para adquirir, estimular y retener clientes.

Encontramos instructivo el paralelismo con M & A. Eso, después de todo, es un medio para un fin bien definido. Ningún negocio sensato se precipita en una ráfaga de adquisiciones o fusiones y luego simplemente se sienta para ver qué pasa. Las empresas que se embarcan en el aprendizaje automático deben hacer los mismos tres compromisos que las empresas deben asumir antes de adoptar fusiones y adquisiciones. Esos compromisos son, primero, investigar todas las alternativas factibles; segundo, perseguir la estrategia de todo corazón en el nivel C-suite; y, en tercer lugar, utilizar (o si es necesario adquirir) experiencia y conocimiento existentes en el C-suite para guiar la aplicación de esa estrategia.

Las personas encargadas de crear la visión estratégica bien pueden ser (o han sido) científicos de datos. Pero a medida que definen el problema y el resultado deseado de la estrategia, necesitarán la orientación de colegas de nivel C que supervisen otras iniciativas estratégicas cruciales. En términos más generales, las empresas deben tener dos tipos de personas para liberar el potencial del aprendizaje automático. “Quants” son educados en su lenguaje y métodos. Los “traductores” pueden unir las disciplinas de los datos, el aprendizaje automático y la toma de decisiones volviendo a encuadrar los resultados complejos de los cuánticos como ideas accionables que los gerentes generalistas pueden ejecutar.

El acceso a trovos de datos útiles y confiables es requerido para el aprendizaje automático efectivo, como la capacidad de Watson para predecir los resultados oncológicos mejor que los médicos o el éxito reciente de Facebook enseñando computadoras para identificar caras humanas específicas con la misma precisión que los humanos. Una verdadera estrategia de datos comienza con la identificación de brechas en los datos, determinando el tiempo y el dinero necesarios para llenar esos vacíos, y rompiendo los silos. Con demasiada frecuencia, los departamentos acumulan información y politizan el acceso a ella, una razón por la que algunas empresas han creado el nuevo rol de director de datos para reunir lo que se requiere. Otros elementos incluyen poner la responsabilidad de generar datos en manos de los gerentes de primera línea.

Comience buscando pequeñas frutas de bajo perfil y proclame cualquier éxito temprano. Esto ayudará a reclutar apoyo de base y reforzar los cambios en el comportamiento individual y la aceptación de los empleados que finalmente determinará si una organización puede aplicar el aprendizaje automático de manera efectiva. Finalmente, evalúe los resultados a la luz de los criterios de éxito claramente identificados.

5. ¿Cuál es el papel de la alta dirección?

El cambio de comportamiento será crítico, y uno de los principales roles de la alta dirección será influenciarlo y alentarlo. Los gerentes tradicionales, por ejemplo, deberán sentirse cómodos con sus propias variaciones en las pruebas A / B, la técnica que utilizan las empresas digitales para ver qué es lo que atraerá y qué no atraerá a los consumidores en línea. Los gerentes de primera línea, armados con las ideas de las computadoras cada vez más poderosas, deben aprender a tomar más decisiones por sí mismos, con la alta dirección estableciendo la dirección general y poniendo a cero solamente cuando surjan excepciones. Democratizar el uso de análisis, proporcionar la primera línea con las habilidades necesarias y establecer los incentivos adecuados para fomentar el intercambio de datos, requerirá tiempo.

Los funcionarios de nivel C deberían pensar en el aprendizaje automático aplicado en tres etapas: aprendizaje automático 1.0, 2.0 y 3.0 o, como preferimos decir, descripción, predicción y prescripción. Probablemente no tengan que preocuparse demasiado por la etapa de descripción, que la mayoría de las compañías ya han superado. Todo se trataba de recopilar datos en bases de datos (que tuvieron que ser inventadas para el propósito), un desarrollo que les dio a los gerentes nuevos conocimientos sobre el pasado. El procesamiento analítico OLAP en línea es ahora bastante rutinario y está bien establecido en la mayoría de las grandes organizaciones.

Hay una necesidad mucho más urgente de abrazar la etapa de predicción, que está sucediendo ahora mismo. La tecnología de hoy en día ya permite a las empresas no solo mirar sus datos históricos sino también predecir el comportamiento o los resultados en el futuro, por ejemplo, ayudando a los funcionarios de riesgos crediticios de los bancos a evaluar qué clientes tienen más probabilidades de incumplimiento o habilitando las empresas de telecomunicaciones anticipan qué clientes son especialmente propensos a “agitar” en el corto plazo (exposición).

Una preocupación frecuente para el C-suite cuando se embarca en la etapa de predicción es la calidad de los datos. Esa preocupación a menudo paraliza a los ejecutivos. Sin embargo, en nuestra experiencia, las inversiones en TI de la última década han equipado a la mayoría de las compañías con información suficiente para obtener nuevos conocimientos, incluso a partir de conjuntos de datos incompletos y desordenados, siempre y cuando esas compañías elijan el algoritmo correcto. Agregar nuevas fuentes de datos exóticas puede ser solo de beneficio marginal en comparación con lo que se puede extraer de los almacenes de datos existentes. Enfrentar ese desafío es la tarea del “principal científico de datos”.

La prescripción, la tercera y más avanzada etapa del aprendizaje automático, es la oportunidad del futuro y, por lo tanto, debe tener una fuerte atención de C-suite. Después de todo, no es suficiente solo para predecir lo que los clientes van a hacer; solo entendiendo por qué lo harán, las empresas pueden alentar o disuadir ese comportamiento en el futuro. Técnicamente, los algoritmos de aprendizaje automático actuales, con la ayuda de traductores humanos, ya pueden hacerlo. Por ejemplo, un banco internacional preocupado por la escala de incumplimientos en su negocio minorista identificó recientemente a un grupo de clientes que de repente pasaron del uso de tarjetas de crédito durante el día a su uso en el medio de la noche. Ese patrón fue acompañado por una fuerte disminución en su tasa de ahorro. Después de consultar a los gerentes de sucursal, el banco descubrió que las personas que se comportaban de esta manera también estaban lidiando con algún evento estresante reciente. Como resultado, todos los clientes etiquetados por el algoritmo como miembros de ese microsegmento recibieron automáticamente un nuevo límite en sus tarjetas de crédito y se les ofreció asesoramiento financiero.

La etapa de prescripción del aprendizaje automático, que marca el comienzo de una nueva era de colaboración hombre-máquina, requerirá el mayor cambio en la forma en que trabajamos. Si bien la máquina identifica patrones, la responsabilidad del traductor humano será interpretarlos para diferentes microsegmentos y recomendar un curso de acción. Aquí el C-suite debe estar directamente involucrado en la creación y formulación de los objetivos que dichos algoritmos intentan optimizar.

6. Esto suena terriblemente como una automatización que reemplaza a los humanos a largo plazo. ¿Estamos más cerca de saber si las máquinas reemplazarán a los gerentes?

Es cierto que los cambios se aproximan (y los datos se generan) tan rápidamente que la participación del ser humano en el ciclo en todas las decisiones se está volviendo poco práctica. Mirando de tres a cinco años, esperamos ver niveles mucho más altos de inteligencia artificial, así como el desarrollo de corporaciones autónomas distribuidas. Estos agentes automotivados e independientes, formados como corporaciones, podrán llevar a cabo objetivos establecidos de manera autónoma, sin supervisión humana directa. Algunos DAC ciertamente se convertirán en autoprogramación.

Una corriente de opinión ve a las corporaciones autónomas distribuidas como amenazantes y hostiles para nuestra cultura. Pero para el momento en que evolucionen por completo, el aprendizaje automático se habrá vuelto culturalmente invisible de la misma forma en que los inventos tecnológicos del siglo XX desaparecieron en un segundo plano. El papel de los humanos será dirigir y guiar los algoritmos mientras intentan alcanzar los objetivos que se les otorgan. Esa es una lección de los algoritmos de negociación automática que causaron tal daño durante la crisis financiera de 2008.

No importa qué nuevas ideas descubran las computadoras, solo los gerentes humanos pueden decidir las preguntas esenciales, como cuáles son los problemas comerciales críticos que una empresa realmente está tratando de resolver. Así como los colegas humanos necesitan revisiones y evaluaciones periódicas, estas “máquinas brillantes” y sus obras también deberán ser evaluadas, refinadas y, quién sabe, quizás incluso despedidas o instruidas para que sigan trayectorias completamente diferentes, por ejecutivos con experiencia. juicio y experiencia en el dominio.

Los ganadores no serán solo máquinas, ni solo los humanos, sino que los dos trabajarán juntos de manera efectiva.

7. ¿Entonces a largo plazo no hay necesidad de preocuparse?

Es difícil estar seguro, pero las corporaciones autónomas distribuidas y el aprendizaje automático deberían ocupar un lugar destacado en la agenda de C-suite. Anticipamos un tiempo en el que la discusión filosófica sobre qué inteligencia artificial o de otro tipo podría ser, terminará porque no habrá tal cosa como la inteligencia: solo procesos. Si las corporaciones autónomas distribuidas actúan de forma inteligente, actúan inteligentemente y responden de manera inteligente, dejaremos de debatir si existe inteligencia de alto nivel que no sea la variedad humana. Mientras tanto, todos debemos pensar en lo que queremos que hagan estas entidades, la forma en que queremos que se comporten y cómo vamos a trabajar con ellas.

Sobre los autores: Dorian Pyle es un experto en datos en la oficina de McKinsey en Miami, y Cristina San José es directora en la oficina de Madrid.

POST A REPLY

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

© 2017 Colombia Enterprise - Todos los Derechos Reservados - Desarrollado por Ecuation

Empresas colombia

Empresas Colombia, Ranking empresas Colombia, base de datos Colombia, bases de datos empresas Colombia, base de datos empresas Bogotá, Colombia empresas, base datos empresas, búsqueda empresas Colombia, informacion de empresas Colombia, directorio de empresas, directorio de empresas Colombia, directorio de empresas bogota, Colombia Enterprise tiene bases de datos empresas Colombia, y con su buscador de empresas, podrás encontrar información en detalle de empresas en Colombia y consulte los datos disponibles de empresas Colombia y de ranking de empresas Colombia, esto es indispensable.Para crear una base de datos Colombia, o mejor aun una base de datos empresas Bogotá. Colombia empresas tiene información de utilidad para su empresa, entre sus servicios sin costo podemos encontrar empresas Colombia que buscan acceder a todo nuestros servicios al alcance de un clic. La pagina contiene una sección en su home que tiene hace una búsqueda empresas Colombia muy efectiva brinda la información de empresas Colombia con un solo clic y sin costo.También encontraremos en otras secciones como ranking por activos o estadísticas DANE donde empresas Colombia tiene un directorio de empresas Colombia muy fácil de consultar, hecho a la medida del usuario, que puede buscar directorio de empresas Bogotá, y muy sencillo para todo tipo de usuario y sistema operativo. Empresas Colombia brinda asesoría a su medida en la consulta de base de datos Colombia, junto con nuestro equipo especializado en empresas Colombia, el directorio de empresas brindara conocimientos para orientar su negocio hacia la búsqueda de empresas Colombia. Tenga el conocimiento de empresas Colombia lideres en mercado por un sector económico base datos empresas en función de las ventas de empresas Colombia.Empresas Colombia tiene el conocimiento mucho mas general de cada entorno competitivo en búsqueda de empresas Colombia confirmando su experiencia y brindando beneficios de empresas Colombia y directorio de empresas o de Colombia empresas. Resuelva sus dudas e infórmese mas aun de empresas Colombia y de cómo medir y solucionar cualquier inconveniente.Colombia Enterprise es empresas Colombia en el mundo y líder en el país en bases de datos Colombia y en información de empresas Colombia, logrando ser muy competitivo, creemos que la información de empresas Colombia es fuente de conocimiento de directorio de empresas Colombia y herramienta para la toma de decisiones empresas Colombia asertivas. El ranking de empresas Colombia es algo que Colombia Enterprise actualiza constante mente para brindarle la mayor y mas reciente informacion de empresas Colombia y de bases de datos colombia como una respuesta a las necesidades de investigaciones sectoriales en empresas Colombia. El desarrollo de estudios de mercado y dimensionar el tamaño del sector ranking empresas Colombia o prospectar clientes, proveedores y competidores de empresas Colombia. Una producción informacion corporativa transversal es fundamentan en empresas Colombia en base de datos empresas Colombia apoyando las actividades mas relacionadas con la minería de datos en empresas Colombia entre otras.Actualizar un listado de empresa Colombia y mantenimiento de base de datos se convierte en una labor indispensable.