Machine Learning

A principio de los años 40, la Cibernética (y sus diferentes áreas: Ciencias Computacionales, Neurofísica, Teoría de sistemas, Teoría de los Juegos, Teoría del Control y Biomatemática) convergieron para el estudio del control y comunicación tanto en seres vivos como en máquinas.

Fue a finales de los años 80, cuando el área que denominamos Inteligencia artificial¹, se dividió en cuatro grandes sub-áreas.

1. Procesamiento Simbólico.
2. Conexionismo.
3. Vida Artificial.
4. Robótica reativa.

Analisis = Representación + Procesamiento

“El aprendizaje revela cambios adaptativos en el sentido en que permiten que un sistema ejecute una misma tarea, o conjunto de tareas, de forma más eficiente que en el primer intento”

(Herbert Simon, 1983)

Los sistemas Quidgest han sido siempre sinónimo de flexibilidad y agilidad para las organizaciones y son el resultado del uso masivo de las máquinas y la producción de software. Para garantizar la productividad y el desarrollo de las personas, tenemos la necesidad de dejar que las máquinas hagan todo lo que sean capaces de hacer. Para cumplir con su proceso de automatización, Genio recurre a los patrones ya creados a lo largo de nuestra experiencia, este proceso requiere focalizar en la normalización para desarrollar sistemas de administración eficientes o, en otras palabras, Lean. Consideramos el Machine Learning en estos términos, como presente y futuro. Después de poner el punto de mira en recopilar Big Data, ahora el enfoque es aprender de los datos. Este concepto no es nada nuevo… ¿Qué ha cambiado en estos años? Tenemos más datos y más poder de computación y esta evolución nos permite hablar de inteligencia artificial en el presente y no en el futuro.

Por ejemplo, antes de optar por la implementación de una red neuronal debemos considerar como van a escalar los datos, cual es el objetivo de la red y cual su estructura ideal^2.

Minsky, uno de los grandes pensadores de Machine Learning, dice: “Aprender es hacer cambios útiles en la forma en que nuestra mente funciona” y Michalsky añadió: “Aprender consiste en construir y modificar las representaciones de lo que experimentamos”.

Machine Learning se puede definir como una técnica de análisis de datos que enseña a los ordenadores algo inherente a los humanos y los animales: aprender de la experiencia. De la misma manera que aprendemos a hablar un idioma, también es posible «enseñar» a una computadora para que sea una experta en lenguaje.

En general, hay dos grandes áreas en el Machine Learning:

-el aprendizaje supervisado.

-el no supervisado.

En el primer grupo, conocemos las entradas y salidas esperadas (por ejemplo, la palabra en español y la palabra en portugués); en el segundo, conocemos las entradas establecidas y esperamos saber cómo se relacionan entre sí.

El aprendizaje supervisado obtiene mejores resultados en términos de pronóstico, ya que podemos establecer una base de resultados esperados y evaluar el rendimiento del algoritmo con grupos de validación. A corto plazo, veremos el Machine Learning aplicado a sistemas y proyectos de salud, banca y recursos humanos, entre otros, utilizando la experiencia de los consultores para desarrollar mecanismos que permitan no solo almacenar datos y realizar procesos, sino también crear valor agregado y optimizar operaciones.

Redes semánticas, por ejemplo, permiten agrupar y clasificar conceptos que ayudan a crear una Base de Conocimiento^3,4,5

Veamos el ejemplo de las soluciones One Stop Shop o Gestión de Procesos de Negocio desarrolladas por Quidgest. O incluso los patrones de interacción del usuario disponibles en cualquiera de nuestras soluciones. Corresponden a tareas y flujos bien definidos, creados a partir de una definición empírica. ¿Serán estos flujos de trabajo los caminos ideales? El Machine Learning puede ayudar a rediseñar este proceso basándose en la evidencia. El área de I+D de Quidgest se centra en un campo de Machine Learning en este momento: RPA (automatización de procesos robóticos).

Otra área de acción del Machine Learning es luchar contra el fraude con servicios o transacciones cruzadas, haciendo evidentes las incompatibilidades lógicas, que respaldarían la toma de decisiones. En recursos humanos, Machine Learning ofrece sistemas de evaluación más inteligentes, capaces de medir el impacto directo de cada empleado en los resultados financieros de una entidad y, en salud, podemos identificar factores de riesgo y simular cómo ciertas conductas pueden influir en la salud de la población a corto, medio y largo plazo gracias a que las máquinas pueden aprender del pasado para predecir el futuro.

______________

^{1 – Coelho, H. (1995). Inteligência Artificial em 25 Lições. Lisboa, Fundação Calouste Gulbenkian.
2 – Karim, M. N., T. Yoshida, et al. (1997). «Global and local neural network models in biotechnology: Application to different cultivation processes.» Journal of Fermentation and Bioengineering 83(1): 1-11.
3- Alonso-Calvo, R., V. Maojo, et al. (2007). «An agent- and ontology-based system for integrating public gene, protein, and disease databases.» J Biomed Inform 40(1): 17-29.
4- Deus, H. F., R. Stanislaus, et al. (2008). «A Semantic Web management model for integrative biomedical informatics.» PLoS One 3(8): e2946.
5- Pesquita, C., D. Faria, et al. (2009). «Semantic similarity in biomedical ontologies.» PLoS Comput Biol 5(7): e1000443.}