Conecta con nosotros

Noticias

Glosario de los seis términos básicos del Machine Learning

Publicado el

Una de las tecnologías llamadas a revolucionar el panorama TIC más inmediato es el Machine Learning. A medio camino entre la analítica y la Inteligencia Artificial, la inversión en estas herramientas en los próximos tres años será casi el doble que la actual, según el estudio Global CIO Point of View de IDC, donde se predice que, para 2020, el 64% de las empresas habrán adoptado esta tecnología, a nivel mundial.

En cuanto a los sectores que más se beneficiarán de esta tecnología, según datos de la española Tinámica, serán las empresas industriales (sobre todo la del automóvil), las compañías del retail y la energía y, por último, el sector bancario.

 

En el desarrollo del Machine Learning son necesarias habilidades muy concretas y muy nuevas como ser expertos en el análisis de datos, tener un perfil matemático, capacidad de comunicación, estar en continuo aprendizaje y tener un perfil heterogéneo que aglutine todas las capacidades anteriores, ya que aún no existe uno definido como “experto en Machine Learning”.

Como son muchos los profesionales que, al final, intervienen en el desarrollo y uso de esta tecnología, es importante para ellos tener un lenguaje común para investigar, acelerar las pruebas, mejorar la precisión de las respuestas y tomar mejores decisiones. Debido a que el análisis de datos tiene sus raíces en la estadística y la informática, está repleto de terminología especializada, pero pocos son los glosarios que la reúnan toda. Aquí recopilamos los seis conceptos más básicos:

Machine Learning

Como ya comentábamos en un artículo anterior, este concepto puede confundirse con el de Inteligencia Artificial. “El ML es un paso previo a la Inteligencia Artificial (IA) para que ésta se desarrolle en su totalidad. Concretamente, es un aprendizaje de máquinas que utilizan muchos datos con el objetivo de ser cada vez más inteligentes a la hora de hacer cosas. El ML se alimenta de algoritmo e información, es algo así como llevar la inteligencia al dato”.

“El ML está muy unido a la analítica porque ésta es la que le dice a la máquina que cierto comportamiento es adecuado o no. Por ejemplo, en una tienda quieren saber si una prenda es interesante para el consumidor o no, a base de que le llegue muchísimas veces la información de que ‘no interesa´, la máquina va aprendiendo que esa prenda no gusta porque nadie la está comprando”.

Algoritmos

Un algoritmo es una serie de pasos matemáticos u operacionales específicas para resolver un problema o realizar una tarea. En el contexto del Machine Learning, un algoritmo transforma o analiza datos para llevar a cabo las siguientes tareas:

  • Análisis de regresión.
  • Clasificar a los clientes.
  • Encontrar relaciones entre los SKU (códigos compuestos por letras y números que identifican las características de un producto).

Modelo

La definición más simple de un modelo es la representación matemática de las relaciones en un conjunto de datos. O lo que es lo mismo, es una forma simplificada y matemáticamente formalizada de aproximarse a la realidad y hacer predicciones a partir de esta aproximación. Un ejemplo simple que encontramos en el huffingtonpost es el siguiente:

gráficoFuente: huffingtonpost

Los puntos azules son los inputs (por ejemplo, los datos) y la línea roja representa el modelo. Hay dos cosas claves para entender estos modelos:

1 – Pueden complicarse. El que aparece aquí es simple porque los datos son simples, si los datos son más complejos, evidentemente, el modelo predictivo se puede complicar y no sería retratado en un gráfico de solo dos ejes. Un ejemplo de modelo complejo sería el reconocimiento de voz que utiliza Siri que es capaz de reconocer el significado de los sonidos.

2 – Los modelos no son mágicos, pueden ser inexactos o simples por muchas razones. Volviendo al ejemplo anterior, se podría pensar que el autor eligió el algoritmo incorrecto para generar ese modelo, ya que la línea roja se inclina en un momento dado y, como ese modelo predice un ingreso adicional podría parecer algo contradictorio que esta fuera descendente. Esto debería llamar la atención de los equipos de marketing y ciencia de datos.

Un algoritmo diferente podría generar un modelo que predijera la disminución de los rendimientos incrementales, que no es lo mismo que decir menores ingresos.

Características/ variables

Objetivamente, las características son elementos o dimensiones de un conjunto de datos; por lo tanto, elegir las informativas, discriminatorias e independientes es un paso crucial para lograr algoritmos efectivos.

Por ejemplo, si se están analizando datos para averiguar el comportamiento de un cliente (edad, ubicación, profesiones, compras anteriores, etc.), ¿cuáles de estas características tendrían valor predictivo para el resto de clientes? Probablemente se podría hacer conjeturas inteligentes de muchos de estos datos que ayudarían a establecer comportamientos similares para otro grupo de población.

Supervisión vs no supervisión

El aprendizaje automático puede tener dos enfoques fundamentales. Por una parte, el aprendizaje supervisado, que es una forma de enseñar a un algoritmo cómo hacer su trabajo cuando tiene un conjunto de datos para los que sabe “su respuesta”. Por ejemplo, para crear un modelo que pueda reconocer imágenes de datos a través de este proceso, el sistema ya tendría las imágenes etiquetadas como “gato” o “no gato”.

En el mundo más empresarial se puede usar este tipo de algoritmo para clasificar a los clientes según seis prototipos, por ejemplo, entrenando al sistema con datos de clientes existentes que ya están categorizados de acuerdo a estos tipos.

Por otra parte, se denomina aprendizaje no supervisado cuando un algoritmo analiza el dato que no ha sido etiquetado con una respuesta para identificar patrones o correlaciones. Este sistema puede analizar un gran conjunto de datos de un cliente y obtener resultados que indiquen que este pertenece a siete grupos grandes o doce pequeños. A continuación, el científico de datos puede analizar estos resultados para averiguar qué define a cada grupo y cómo podría impactar en tu negocio.

En la práctica, la mayoría de los modelos se construyen usando una combinación de ambos.

Deep Learning

El Deep Learning es un tipo de aprendizaje automático, utiliza múltiples capas de cálculo y otras más avanzadas con características abstractas y de alto nivel. En el ejemplo que mencionábamos antes de las fotos de gato, la primera capa podría referirse a un conjunto de líneas que pudieran crear una figura, y las capas posteriores pudieran buscar elementos más concretos, como ojos o una cara completa.

Normalmente se usa esta herramienta en problemas muy grandes y complejos como los que hay en los motores de recomendación de Netflix o Amazon.

Cómo aplicar estos términos a una campaña de marketing

Para aplicar todos estos conceptos en un ejemplo práctico y entendible, hemos hablado con Antonio Vidal, premio Mejor Científico de Datos en España 2017 y Data Science Manager de SIVSAquien nos ha explicado cómo se aplicaría el Machine Learning a una campaña sencilla de marketing.

El objetivo: predecir cuántos clientes van a aceptar nuestra oferta de un producto.

Pasos a seguir:

  1. Sacar datos de los clientes y de campañas anteriores parecidas y del mismo producto.
  2. Generar las variables necesarias para entender el algoritmo y, en base a esto, producir el modelo.
  3. Validar el modelo con datos de prueba para ver si funciona bien (estimación de resultados).
  4. Obtienes una probabilidad de qué clientes van a aceptar tu oferta.
  5. Le envías la oferta a los clientes con mayor probabilidad de éxito.

Periodista especializada en tecnologías corporate, encargada de las entrevistas en profundidad y los reportajes de investigación en MuyComputerPRO. En el ámbito del marketing digital, gestiono y ejecuto las campañas de leads generation y gestión de eventos.

Noticias

Tech Roundup 21/18: GDPR, adquisiciones y alianzas, Telegram…

Publicado el

GPDR

Bienvenido un domingo más a Tech Roundup, el resumen tecnológico de MuyComputerPRO en el que encontrarás lo más destacado de la semana en las principales cabeceras de la red de TPnet. Y aunque como de costumbre los contenidos son muchos, entre otros temas se impone la aplicación de la GDPR europea, la compra de Magento por parte de Adobe o la alianza entre Netflix y Movistar. Sin embargo, antes queremos hacerte partícipe de la incorporación de dos nuevos medios de TPnet en Telegram, desde donde a partir de ahora podrás seguir todas sus publicaciones. Si eres usuario de Telegram, recuerda que nos tienes ahí:

Ahora sí, el Tech Roundup:

 

Continuar leyendo

Noticias

Estados Unidos levanta el bloqueo a ZTE, pero con condiciones

Publicado el

Es oficial, las negociaciones entre los gobiernos de Estados Unidos y China han llegado a buen término y gracias a ello se ha levantado el bloqueo comercial que el Departamento de Comercio estadounidense impuso a ZTE. En este artículo ya os contamos todas las claves que propiciaron la sanción contra la compañía china, y hace cosa de unos días vimos que el propio Donald Trump iba a mediar para facilitar la adopción de un acuerdo.

También os habíamos adelantado información sobre el éxito de las negociaciones pero no teníamos los detalles concretos del acuerdo, así que hoy vamos a profundizar sobre esa cuestión. Las condiciones que ha impuesto Estados Unidos a ZTE para levantar el bloqueo de siete años que le impedía comprar componentes tecnológicos y software a empresas locales son las siguientes:

 

  1. Pago de una multa de 1.300 millones de dólares (1.115 millones de euros).
  2. Aceptar la colocación de oficiales del gobierno de Estados Unidos en la compañía. Éstos ejercerán una labor de control que se centrará en valorar el cumplimiento de la tercera condición, y también en vigilar que ZTE no vuelva a incumplir ningún bloqueo comercial del ejecutivo norteamericano.
  3. Hacer una “purga” de ejecutivos y cambios importantes en la gestión de la compañía.
  4. Compromiso de compra de determinados componentes a Estados Unidos.

La cuarta condición es muy interesante ya que encaja con lo que habíamos comentado al hablar de la auténtica motivación de Donald Trump a la hora de “ayudar” a ZTE, y confirma que en realidad había un interés propio en salvar a aquellas empresas estadounidenses que dependían en gran medida de los pedidos de la empresa china y que se habían visto perjudicadas por el bloqueo.

Hay una moraleja importante que podemos sacar de todo esto, y es que al final la dependencia comercial que existe entre Estados Unidos y China es enorme, y que las medidas restrictivas que se impongan unas y otras al final acabarán siendo perjudiciales para ambas.

Continuar leyendo

Noticias

MSI presenta el AIO Ultra Slim PRO 24X para entornos B2B

Publicado el

AIO Ultra Slim PRO 24X

MSI es bien conocido en el mercado de consumo por sus placas base, tarjetas gráficas o portátiles para juegos, pero también ofrece catálogo para el mercado profesional, especialmente workstations y máquinas como este ordenador “todo-en-uno” diseñado para entornos B2B, comercios, oficinas, administraciones o sector educativo.

El MSI AIO Ultra Slim PRO 24X es tal y como dice su denominación: un AIO compacto y ligero que puede incorporarse a cualquier entorno de trabajo. Su chasis está realizado en metal cepillado y su pantalla IPS tiene una diagonal de 24 pulgadas con resolución nativa 1080p y retroiluminación LED.

 

Sus biseles se han sido reducidos a 2,2 mm y su grosor es de tan solo 6,5 mm. Sus ángulos de visión son de 178 grados y cuenta con tratamiento antideslumbrante, tecnologías para mejora visual y el Anti-Flicker para reducir la fatiga visual.

Su hardware interno está basado en procesadores Intel Laby Lake “U” y cuenta con soporte para la tecnología de memorias Intel Optane. Puede equipar soluciones de almacenamiento basados en soluciones de 2,5 pulgadas o las más rápidas M.2 PCIe.

MSI destaca el sistema de refrigeración Silent PRO, un módulo térmico grado de servidor que promete una operación silenciosa y estable, con ventilación de los principales componentes por separado para alargar la vida del producto. Entre su conectividad, destaca el doble conector Gigabit Ethernet (para facilitar entornos duales de Internet/Intranet) y los puertos USB 3.1, además de la entrada y salida HDMI (para conexión de un monitor adicional) y tomas para audio.

Un bloqueo Kensington y un módulo TPM (opcional) para seguridad por hardware completan el apartado más profesional. También dispone de un compartimento que facilita el cambio de la unidad de almacenamiento de 2,5 pulgadas.

No se conoce cuando estará disponible en el canal internacional. Puedes obtener más información en la página del producto.

Continuar leyendo

Lo más leído