Serie Innovación: Desmitificar el aprendizaje automático

El Dr. Tom Mitchell, ex director del departamento de Aprendizaje Automático de la Universidad Carnegie Mellon, ofrece en su libro una elegante definición de aprendizaje automático. Sugiere que "el campo del Aprendizaje Automático se ocupa de la cuestión de cómo construir programas informáticos que mejoren automáticamente con la experiencia." Hoy en día existen muchos tipos diferentes de Aprendizaje Automático, pero el que más se utiliza para aplicaciones empresariales es el Aprendizaje Supervisado. El Aprendizaje Supervisado utiliza algoritmos como las regresiones lineales y logísticas, y la clasificación multiclase, para analizar una serie de variables de entrada (X) para producir una salida (Y) a través de una función de mapeo, piense y=f(x). El paralelismo del aprendizaje supervisado es el de un profesor y un alumno, en el que el alumno recibe formación sobre un tema por parte del profesor. El aprendizaje supervisado requiere que se conozcan los posibles resultados del algoritmo y que los datos utilizados para entrenar el algoritmo estén etiquetados con las respuestas correctas. La mayoría de las aplicaciones de Aprendizaje Automático Supervisado suelen implicar los siguientes pasos:

1. Recopilar el conjunto de datos a evaluar
2. Extraer el conjunto de parámetros y atributos para apoyar las predicciones
3. Elegir el algoritmo de aprendizaje automático
4. Entrenar el modelo
5. Realizar predicciones con el modelo desplegado
6. Ajuste los parámetros para perfeccionar el modelo

Imagina que trabajas en el grupo de FP&A de un desarrollador de aplicaciones móviles e intentas predecir las ventas futuras de varias aplicaciones móviles. Hay muchas variables, como la plataforma compatible, el precio, la disponibilidad global, las puntuaciones de los críticos en línea y las opiniones de los usuarios, que podrían influir en la rentabilidad de una aplicación móvil, y aquí es donde Machine Learning podría utilizarse para predecir el éxito. Todo empieza con los datos disponibles que pueden utilizarse en un modelo. Cuantos más datos estén disponibles, mayor será la oportunidad de que el algoritmo de aprendizaje automático encuentre la correlación entre un conjunto de atributos para mejorar las predicciones futuras. Durante la fase de formación del modelo, se selecciona un algoritmo de aprendizaje automático y se utiliza para evaluar los datos recopilados. En nuestro ejemplo, alimentaríamos el modelo con datos que contengan atributos seleccionados de un grupo de aplicaciones móviles que han tenido éxito y los compararíamos con los resultados predichos por el modelo. Los experimentos pueden repetirse utilizando el mismo conjunto de datos pero con diferentes algoritmos de aprendizaje automático para determinar qué algoritmo es más eficaz a la hora de predecir los resultados. Una vez finalizado el entrenamiento inicial del modelo y cuando estemos satisfechos con la eficacia del algoritmo elegido, se crea un modelo de evaluación. Ahora podemos utilizar el modelo de evaluación para realizar predicciones. El verdadero aspecto mágico o de "aprendizaje" es cuando comparamos los valores predichos de nuestro Modelo de Evaluación con los reales, a medida que se producen con el tiempo. Mediante ajustes graduales, podemos perfeccionar los parámetros del modelo, aumentar o disminuir la resolución del conjunto de datos, y el modelo de evaluación puede volver a ejecutar las predicciones para determinar si los ajustes de los parámetros (y/o los datos) han mejorado la precisión de la predicción. En general, las aplicaciones de aprendizaje automático complementarán y mejorarán en gran medida las capacidades de FP&A. Estas aplicaciones no sólo impulsarán un análisis más eficaz y modelos predictivos de mayor precisión, sino que también permitirán otorgar confianza a las previsiones. Para obtener más información, haga clic aquí.