¿Dudas sobre Machine Learning? Esto te hará cambiar de opinión

La expresión “Machine Learning” explica muy bien una disciplina cuya aplicación es ya  omnipresente y esencial en millones de operaciones comerciales. Los algoritmos, ahora más rápidos e inteligentes, resultan claves, a la hora de determinar la futura demanda de los clientes, aumentar su confianza y aportar niveles de productividad e inteligencia sin precedentes.

Pero, a pesar del éxito logrado por algunos de los primeros que apostaron por esta técnica, la mayoría de los proyectos han fallado, independientemente de su tamaño, ubicación o sector. Las empresas se han visto incapaces de liberar su información y obtener su valor real.

De hecho, un reciente índice sobre el valor de la información, que han elaborado PwC y Iron Mountain, detecta que el 57% de las empresas no extrae valor real y significativo de sus datos, con un 23% que, incluso, es incapaz de lograr ningún valor en absoluto.

En mi opinión, la mayoría de las grandes empresas no se benefician de algunas fuentes de datos potencialmente ricas, porque simplemente no están equipadas para capturarlos y analizarlos de forma eficaz. Sin esta capacidad, no pueden darse cuenta del motor fundamental que suponen estos datos para su transformación, lo que resulta muy impactante.

El valor de una buena historia

Todas las buenas historias de datos comienzan con una hipótesis, que vincula el resultado del negocio a la pregunta que se formula. La historia ha evolucionado, a medida que los científicos de datos han investigado para dar respuesta a esa pregunta. El “felices para siempre” toma forma cuando logramos definir acciones que la empresa puede poner en marcha, para propiciar su verdadera transformación.

CSC se ha asociado con Microsoft, para crear una estrategia de datos probada, y hemos desarrollado herramientas eficaces que aseguran que la información corporativa se aprovecha correctamente. Gracias a ello, contamos con un solvente método de ciencia de datos – lo que llamamos el método científico moderno – para extraer y visualizar percepciones, convirtiendo la información en logros para la empresa.

Juntos, hemos construido soluciones para más de 80 casos de éxito, en seis industrias diferentes: banca y mercados de capitales, energía y tecnología, seguros, fabricación, salud y comercio al por menor. Estos son algunos de esos logros:

Banca y mercado de capitales

En los mercados bancarios y de capitales, estamos construyendo proyectos de este tipo que reducen el fraude, sin interrumpir la experiencia bancaria de un cliente. Mediante la combinación de extractos de fuentes de datos externas (como redes sociales) con datos de transacciones sospechosas, se utilizan algoritmos de aprendizaje escalables que reducen el número de falsos positivos, marcados por los actuales sistemas de vigilancia del fraude.

Comercio al por menor

En este mundo, estamos construyendo iniciativas que ayudan a las empresas a alinear su oferta con lo que realmente desea el cliente. Utilizamos historial detallado de las transacciones de los consumidores, para dividir el mercado en micro-segmentos. Realizamos pruebas de campaña continuamente en estos micro-segmentos, y podemos descubrir exactamente a qué consumidores apuntar, a partir de una oferta dada.

Fabricación

En la industria, estamos poniendo en marcha historias de éxito que utilizan la simulación digital inteligente, para detectar innovaciones.

Supongamos, por ejemplo, que un fabricante quiere producir una línea de automóviles que atraiga a los jóvenes profesionales que viven en las grandes ciudades. Estos clientes, a menudo, se preocupan por la eficiencia del combustible y los kilómetros de autonomía. Pero, aunque pueden pagar el gasto adicional de un coche híbrido, tienden a querer un vehículo de menor coste.

Para ayudar a determinar las mejores opciones para este vehículo, desplegamos la producción de un gemelo digital con capacidad de computación cognitiva. Hicimos preguntas de lenguaje natural, del tipo:

“¿Qué simulaciones ofrecen la mejor eficiencia, en cuanto a consumo de combustible por ciudad, y qué ahorro puede suponer en cinco años?”

El equipo de análisis y datos de CSC construyó este gemelo digital para simular las condiciones de fabricación de los automóviles híbridos.

El equipo de análisis y datos de CSC construyó este gemelo digital para simular las condiciones de fabricación de los automóviles híbridos.

El gemelo digital predijo el mejor tipo de combustible, el motor adecuado, la transmisión y las mejores opciones del vehículo, tanto por rendimiento a largo plazo como en la distancia recorrida por gramo de combustible. Las conclusiones permitirán al fabricante diseñar un coche que se adapte a las necesidades de un exclusivo segmento de mercado.

Escribiendo la historia de los datos

CSC y Microsoft trabajan juntas para llegar a una estrategia simple y sencilla de lo que llamamos historia de los datos o Industrial Machine Learning (IML).

IML es una visión moderna del método científico; comenzamos con una hipótesis y recopilamos datos que podrían ser útiles para evaluar esta hipótesis. A continuación, generamos un modelo que utilizamos para explicar esos datos. Evaluamos la credibilidad del modelo, basándonos en la capacidad de ofrecer respuestas de los datos observados hasta ese momento, y predecimos qué capacidad de explicación tendrán los nuevos datos recopilados, de cara al futuro.

En nuestro enfoque IML, construimos aplicaciones inteligentes a escala empresarial, en pequeños sprints, utilizando Cortana Intelligence Suite, que se ejecuta en la nube de Microsoft Azure. Con este sistema, podemos lograr resultados fiables y medibles que tengan impacto real en los negocios.

iml-approach

 

Tomemos, por ejemplo, el problema de acortar la estancia de un paciente en un hospital. Al reducir el tiempo de recuperación, el paciente obtiene un mejor resultado sanitario, y el hospital se ve liberado para tratar a más pacientes. Los costes también se reducen. Pero, ¿cómo puede lograr el hospital que sus pacientes se recuperen antes?

Nosotros hemos aplicado IML a esta cuestión, utilizando Data Factory de Microsoft, para canalizar lotes de datos, sobre tratamientos médicos y pacientes, procedentes de un mar de información arrojada por Azure HDInsight. A continuación, ampliamos esa tubería, mediante la transmisión de datos generados por el paciente (desde portátiles, redes sociales, etc.) a un centro de eventos de Microsoft, y los evaluamos, con Stream Analytics Jobs de Microsoft.

Paso 1 de 3 (de IML): Construya una tubería.

Paso 1 de 3 (de IML): Construya una tubería.

Después de establecer un oleoducto continuo y automatizado de datos, realizamos pruebas, buscando indicadores de recuperación, en tratamientos largos, y puntuamos objetivamente el rendimiento de esos indicadores. Utilizamos las pruebas de Azure ML, e identificamos las claves más útiles que permiten predecir la duración de la estancia de un paciente en el hospital.

Paso 2 de 3 (de IML): Realice experimentos

Paso 2 de 3 (de IML): Realice experimentos

Ahora preparamos un modelo basado en estas características, afinamos los parámetros del modelo y le damos una puntuación a partir de la “multivalidación”.  Por último, distribuimos esos conocimientos por toda la red de proveedores de atención médica, utilizando paneles de operaciones que alertan al personal del hospital, sobre los costes futuros, y permiten identificar a los pacientes que podrían presentar problemas de recuperación.

Paso 3 de 3 (de IML): Genere y distribuya ideas.

Paso 3 de 3 (de IML): Genere y distribuya ideas.

Utilizamos las herramientas de Azure para generar un cuadro de mandos. Las pruebas de Azure ML publican automáticamente los resultados en una cuenta concreta de Azure Storage, que luego se introducen en Azure PowerBI, para que los servicios asistenciales y sus profesionales puedan entender y digerir los resultados.

Cuando se trata de descubrir conclusiones, este método funciona bien y es consistente, y la solución de CSC y Microsoft permite hacerlo rápidamente y a escala empresarial.

¿Qué es lo siguiente?

Con esta iniciativa conjunta de CSC y Microsoft, las empresas pueden tener éxito donde otros han fallado y obtener valor real de sus proyectos de Machine Learning. Pero esto no es todo, sino el siguiente paso en un camino hacia el futuro cognitivo.

Sabemos que la tecnología mejora más en “tareas humanas” que en las acciones reales de hoy en día. La informática cognitiva ya es posible entre máquinas para, en muchos casos, permitirnos integrar conjuntos de información muy amplia, encontrar correlaciones entre los datos y predecir los mejores resultados posibles. La computación cognitiva se está abriendo paso hacia la empresa, la sala de juntas, la consulta del médico, la fábrica y otros muchos lugares.

Las iniciativas cognitivas de éxito comienzan con una historia de datos específica y crecen a partir de proyectos piloto que demuestran su valor. Con el enfoque aquí descrito, CSC y Microsoft pueden ayudar a su empresa a lograr un éxito inmediato y a desarrollar una estrategia de futuro, y esa es una historia que aún se está escribiendo.


AUTOR

Jerry Overton

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

%d bloggers like this: