Hace unos días presentábamos un texto en donde grandes mentes como Stephen Hawking,Elon Musk, Bill Gates o Steve Wozniak comentaban su rechazo a la Inteligencia Artificial relacionándola incluso con el fin de la humanidad. Es bastante probable que el avance de este tipo de tecnologías se produzca con rapidez, en cualquier caso, desde mi humilde opinión, creo que aún estamos muy lejos de Metrópolis, Terminators, o Ex-Machinas. Entonces ¿Por qué es un tema que está tan de actualidad? ¿Es un mito o realmente existe? ¿Tiene aplicación en nuestras empresas? En este artículo trataremos de responder todas estas preguntas y acercar esta tecnología a nuestro día a día.
Para mí, una de las definiciones más acertadas es la definición de Inteligencia Artificial planteada por el MIT en varias ocasiones: agente racional flexible que percibe su entorno y lleva a cabo acciones que maximicen sus posibilidades de éxito en algún objetivo o tarea. De esta forma ya estamos aproximando el término, que es muy abstracto, a nuestra realidad. No pensemos en un súper robot que nos entiende, percibe y realiza cosas de humanoide, sino en una máquina que analiza matemáticamente un concepto y resuelve o predice problemas sobre él con una velocidad superior a la nuestra. Por ejemplo: reconocimiento de texto, reconocimiento de habla, clasificación de sujetos en grupos, predicción de intenciones, etc.
Poco a poco nos estamos aproximando a otro término que también estaréis empezando a escuchar: Machine Learning. Es una de las partes de la Inteligencia Artificial que está avanzando más rápidamente, pues tiene aplicación directa en nuestras empresas. Una definición aproximada de Machine Learning sería la planteada por Wikipedia: aprendizaje automático o aprendizaje de máquinas (del inglés, «Machine Learning») es una rama de la inteligencia artificial cuyo objetivo es desarrollar técnicas que permitan a las computadoras aprender.
Y con esto volvimos al inicio del artículo: ¿Aprender? ¿Es que las máquinas van a adquirir la inteligencia humana? ¿Sustituiremos a personas por humanoides mucho más inteligentes y efectivos? ¿Tendremos que destruir Skynet antes de que sea demasiado tarde?
Desconozco lo que nos depara el futuro a muy largo plazo. En cualquier caso, si nos centramos en lo que sí está a nuestro alcance hoy en día, veremos que tiene unas posibilidades inmensas. En concreto, las técnicas de Machine Learning que se están aplicando ya se dividen en 2 partes: Unsupervised Algorithms y Supervised Algorithms. A continuación vamos a ver qué significa cada uno de ellos y dónde podemos aplicarlo.
Unsupervised Algorithms
Son algoritmos que analizan los datos y buscan relaciones entre ellos. Orientado a categorizar los mejores escenarios. Por ejemplo, determinar el tipo de clientes que más éxito generarán en una campaña de ventas de Telemarketing. Existen distintos tipos como Clustering (with or without Dimension Reduction), Association Analysis, Hidden Markov, etc. Algunos ejemplos de aplicación serían:
Clasificación de clientes según
- Éxito de mis campañas de Ventas
- Coste por cliente en base a múltiples parámetros (contactos al CC, visitas a tienda, tickets abiertos al departamento de soporte)
- Datos demográficos ocultos a la organización (por ejemplo saber los clientes que más consumen cuando están de viaje)
Clasificación de interacciones según
- Histórico de contacto de un cliente
- Estado del sistema en cualquier momento
- Impacto relativo de campañas de marketing lanzadas en ese momento
Este tipo de técnicas analizan matemáticamente las coincidencias entre registros para hacer clasificaciones que serían imposibles para una persona de forma “manual”. Nos permite enfocar nuestro negocio en base a dichas clasificaciones, por ejemplo, atacando primero a los clientes más susceptibles de realizar una compra.
Supervised Algorithms
Se trata de algoritmos que analizan los datos para generar un modelo que nos ayude a predecir el comportamiento de muestras futuras. Por ejemplo generar un modelo para que te diga qué contactos de una campaña de marketing te comprarán y cuáles de ellos no. Existen distintos tipos como Linear Regression, Polynomial Regression, Decission Tree, Random Forest, Naive-Bayes, etc. Algunos ejemplos de aplicación podrían ser predicciones de:
- Probabilidad de venta en un cliente
- Volumen de interacciones entrantes
- Mejor canal de contacto para un cliente en cada caso
- Mejor agente o medio automatizado para atender una interacción
- Cuándo va a fallar un sistema para abrir tickets predictivos automatizados
Con estas técnicas podemos coger un conjunto de muestras, analizarlas y crear un modelo matemático que nos ayude a predecir el comportamiento futuro de un cliente, de un sistema o de uno de nuestros empleados, por ejemplo, predecir qué clientes tienen más probabilidades de venta en una campaña de marketing.
Quisiera concluir destacando que no hemos propuesto en qué lugar de nuestro proceso predictivo poner este tipo de tecnología. Está claro que todos los métodos comentados parten de los datos, así que probablemente partamos de nuestro CRM, estadísticas, Data Wharehouse, etc. La aplicación ya depende dónde queramos mejorar nuestros procesos. Siempre que tengamos una pregunta, Machine Learning nos puede averiguar a calcular las probabilidades de cada respuesta.
En resumen, la Inteligencia Artificial, en este caso el Machine Learning, no son más que algoritmos matemáticos muy avanzados en cálculo de probabilidad. No es magia ni una bola de cristal, simplemente matemáticas… ¡Apliquemos estos conocimientos para mejorar nuestras compañías!
