Aplicación del machine learning en la empresa y la nueva automatización mediante IA y software

Machine learning en en el sector empresarial

Las nuevas tecnologías están avanzando en los últimos años a unos pasos agigantados y, con ellas, van surgiendo nuevos modelos y aplicaciones empresariales enfocadas en multiplicar la automatización de procesos para mejorar la productividad y la efectividad de las compañías.

Para posicionarse dentro del mercado con la competitividad necesaria y no quedarse atrás en los ritmos y el nivel de calidad que va marcando la tecnología, es necesario estar al día de las innovaciones que van surgiendo dentro de los sistemas de gestión y cómo los nuevos software van introduciendo herramientas de machine learning y funcionalidades cada vez más precisas y avanzadas.

La Industria 4.0 es un buen ejemplo de este avance; un término que ya se va ampliando al resto del tejido empresarial gracias a la transformación digital que están llevando a cabo todos los sectores, desde el financiero al logístico, atención al cliente o recursos humanos. 

La inteligencia artificial (IA) es uno de los principales motores de esta revolución tecnológica y, dentro de ella, el machine learning (ML), que ya está aplicándose en muchos ámbitos de gestión para agilizar y automatizar procesos con gran efectividad, de una forma antes impensable.

Para comprender su funcionamiento y aplicación empresarial contamos en este reportaje con Ronny Conde, cofundador y CEO de Monkey from the Future, empresa enfocada en el desarrollo de sistemas de inteligencia artificial para la industria de los videojuegos; Roberto Paredes, profesor titular de la Universidad Politécnica de Valencia, profesor del master de machine learning y cofundador de Solver Machine Learning, spin-off donde orientan todo el saber académico para resolver prácticas concretas de las empresas en materia de ML; Ismael D. Arróniz, experto en big data e inteligencia artificial aplicada a la comunicación persuasiva y en el procesamiento del lenguaje natural dentro del aprendizaje automático enfocado al marketing; y Adriaan Landman, cofundador y COO de AllRead Machine Learning Technologies, spin-off de la Universidad Autónoma de Barcelona centrada en la Industria 4.0 y la logística inteligente.

 
Descubre SIN COSTE el mejor Software Industrial para tu empresa
Preguntas: 1/8
Tiempo estimado para completar este formulario: 40 segundos

Aclarando conceptos: machine learning e inteligencia artificial ¿es lo mismo?

Dispositivos con reconocimiento de voz, transcripción de audio a texto, incluso con traducción a otros idiomas en tiempo real. El gran avance llevado a cabo dentro del procesamiento del lenguaje natural es uno de los claros ejemplos de cómo la inteligencia artificial (IA) ya está presente en nuestro entorno. La visión por computador es también otro de sus ámbitos, gracias a la cual los ordenadores pueden reconocer imágenes y comprender su contenido.

Estás tecnologías están impulsadas por un área muy concreto de la IA, el machine learning (ML), y están desatando una serie de posibilidades dentro de la automatización o la robótica fundamentales para la evolución empresarial.

El machine learning es, por tanto, un subcampo de la inteligencia artificial y, como bien señala Roberto Paredes, significa aprendizaje automático. Permite que un ordenador sea capaz de resolver problemas y tomar decisiones sin programarlo o basarse en una serie de reglas que le hemos dado, sino que aprende de manera automática gracias a los datos que va acumulando, y los interpreta de una forma similar a la que podríamos llegar a hacer los humanos.

“A partir de unos datos que vamos entregando al sistema, aprende a interpretar toda esta información. Entrenas al ordenador para que él solo vaya aprendiendo cómo tomar las decisiones en base a los datos que tiene”, añade Ronny Conde.

A través de patrones o tendencias que encuentra en los datos que se le suministra, es capaz de predecir y clasificar la nueva información de manera autónoma, sin programación.

 
Hasta ahora las máquinas nos han ayudado a hacer grandes cálculos; pero ahora ya no solo hacen cálculos, sino que además predicen cosas. 

Ismael D. Arróniz

 
 
En un mundo tan tecnológico, en el que todo cambia muy rápido y hay una gran competencia a nivel global, las soluciones de IA y machine learning van a ser diferenciadoras, ya que van a mejorar la calidad, la eficiencia y los resultados de las empresas que lo usan. Las que se han digitalizado llevan una gran ventaja.

Adriaan Landman, cofundador y COO de AllRead Machine Learning Technologies.

 

Un paso más allá, el deep learning

Dentro del machine learning encontramos el deep learning o aprendizaje profundo, que permite afrontar problemas que antes no se podían abarcar gracias al gran volumen de datos que maneja, que permite una mayor precisión.

Los algoritmos que utiliza la máquina para interpretar la información son similares a unas redes neuronales, con múltiples capas de procesamiento para aprender representaciones de datos, de forma que las entradas que recibe (ya sea una imagen, texto o audio) las transforma en una salida muy parecida a la esperada; consigue identificar y clasificar esa entrada aunque sea la primera vez que la procesa. El procesamiento del lenguaje natural o la visión artificial han evolucionado gracias a esta tecnología.

Deep learning es un subconjunto del ML que está dando resultados bastante buenos en base a que le suministramos más y más datos, permitiendo superar unos cuellos de botella donde antes nos estancábamos”, aclara el CEO de Monkey from the Future.

El deep learning utiliza como parte central las mencionadas redes neuronales, que van a aprendiendo de manera progresiva y gradual a interpretar los datos que se les va suministrando y definiendo a partir de entradas y salidas.

“Su gran ventaja frente a otras técnicas de machine learning es la etapa que se conoce como representation learning, en la que aprende a representar esa entrada para identificarla. Digamos que, para poder clasificar una imagen, primero hay una etapa de aprender a ver”, explica el profesor y cofundador de Solver Machine Learning.

 

 Adriaan Landman trabaja de lleno con deep learning y la visión por computador en el ámbito logístico. “Utilizamos redes neuronales para interpretar imágenes. Con las entradas de datos le indicamos qué es cada imagen para que aprenda a identificar elementos o símbolos. Si le das una imagen que nunca ha visto, puede interpretarla porque identifica una forma o color que ya conoce. Cuanto más datos le das, cuantos más casos de usos le muestras, más reglas produce y más inteligente se vuelve el sistema. Gracias a las reglas y patrones que él mismo crea puede hacer deducciones y estadísticas para reconocer las cosas. Se basa en todo lo que ha aprendido”.

Siguiendo el ejemplo de visión por computador, Ismael D. Arróniz nos pone un claro ejemplo de las ventajas de esta técnica: “Yo no le digo al sistema que un coche tiene cuarto ruedas, matrícula, etc; sino que le doy un montón de imágenes de coches para que él mismo construya su regla". 

 

El deep learning crea sus propias reglas de manera independiente y automática, no las tienes que codificar tú, lo que convierte a este técnica en algo muy potente. 

Adriaan Landman

 
 
La implantación del machine learning será más rápida cuanto mayor competencia haya en el sector, ya que obliga a digitalizarse y buscar ventajas diferenciales. Atención al cliente, recursos humanos... prácticas hay muchas, cada empresa debe pensar a qué problemas se enfrenta en su día a día y cómo esta tecnología le puede ayudar.

Ismael D. Arróniz, experto en inteligencia artificial y procesamiento del lenguaje natural enfocado al marketing.

 

Las tres formas de aprendizaje automático y la paradoja de la creatividad

El aprendizaje automático por parte de las máquinas se divide en tres categorías en función de los algoritmos que usa para optimizar las predicciones de los datos recibidos: supervisado, no supervisado y por refuerzo. El académico Roberto Paredes nos da las claves en este aspecto.

Machine learning supervisado sería aquel en el que enseñas al sistema una imagen y le dices qué hay en esa imagen; supervisas y das tanto una entrada como una salida, le entrenamos dando la solución deseada para que él luego haga sus predicciones.

En el no supervisado, das imágenes pero no dices lo que hay en ella, no hay etiquetas en los datos. Sirve para detectar anomalías o hacer grupos de imágenes por similitud.

Por último, el machine learning por refuerzo sirve para resolver problemas de optimización, aprendiendo mediante prueba y error gracias a las recompensas o penalizaciones que obtiene de sus decisiones.

 

“En los problemas de optimización es donde el aprendizaje por refuerzo empieza a probar acciones que antes no se habían llevado a cabo, y de ahí surgen estrategias alternativas a las que el ser humano, por su propia experiencia, no puede llegar. El sistema puede encontrar, por ejemplo, alternativas logística más eficientes cumpliendo con determinadas restricciones de distribución, como a la hora de ubicar contenedores o gestionar una flota de transporte”, indica Paredes.

En cuanto a la posibilidad de que un ordenador encuentre estrategias más eficientes y creativas que un ser humano gracias al machine learning, Ismael D. Arróniz pon un ejemplo muy claro: el ajedrez:

“Si le enseñamos a una máquina las mejores aperturas de ajedrez, no solo calcula todas las posibles jugadas y las va a resolver, sino que va a empezar a crear nuevas posibilidades y estrategias que a nosotros ni siquiera se nos hubieran ocurrido como seres humanos. Tanto es así que, en los torneos profesionales, una forma de demostrar que alguien no está haciendo trampas es que no sea demasiado creativo. Si hay jugadas demasiado transgresoras respecto a las establecidas o habituales, se detecta un riesgo de que probablemente haya una máquina detrás de ese movimiento”.

 
 
Hay sectores más preparados para introducir machine learning porque ya han pasado por el proceso de digitalización, como banca, logística o aseguradoras. Tienen su software ERP, su histórico de ventas, de stock, etc. Una vez que está digitalizada la información, es el turno de empresas como la nuestra que faciliten la estructura que necesita esa base de datos. 

Roberto Paredes, profesor experto en aprendizaje automático y cofundador de Solver Machine Learning.

 

Machine learning en logística y lenguaje

El COO de AllRead Machine Learning Technologies nos cuenta cómo han desarrollado un software basado en deep learning que consigue que un ordenador aprenda a extraer datos estructurados y procesarlos para poderlos identificar y hacer la trazabilidad de un contenedor, un producto o un número de serie, lo que mejora enormemente la eficiencia de las empresas logísticas.

“Aunque vivimos en la era digital, seguimos rodeados de texto de forma no digitalizada y que cuesta mucho extraer. El volumen y la calidad de los datos son factores muy importantes a la hora de implantar machine learning en empresas, ya que muchas no disponen de una base de datos digitalizada que se pueda usar para la visión por computador, y hay que generar nuevas fotos, utilizar datos sintéticos o solicitar imágenes de cámaras de servicios para después clasificarlas y etiquetarlas”, señala Landman.

Gracias a esta gran base de datos estructurados, el sistema ya reconoce imágenes reales. Si un contenedor llegar al puerto, una cámara le toma una foto por livestream y la envía a al servidor como entrada, donde se procesa y se devuelve una salida con información clara sobre la ubicación de ese contenedor y una marca temporal.

 

En cuanto al lenguaje natural, que una frase, un párrafo, un artículo o un libro completo se convierta en una tabla de datos con diferentes observaciones para que el ordenador haga predicciones y reconozca patrones comunes en ese texto no es tan sencillo. Se utilizan diferentes técnicas basadas en palabras y en la relación que hay entre ellas, y con eso se forman vectores.

Como explica Arróniz, no es necesaria tanta información para hacer predicciones, pero sí que sea de calidad. “Es mucho más importante la calidad del dato para analizar, por ejemplo las ironías en el lenguaje. Para detectar las diferencias en el mensaje es mucho mejor disponer de unos datos bien seleccionados que una cantidad  gigantesca de ellos”, subraya el experto en procesamiento del lenguaje natural.

Una aplicación muy conocida del aprendizaje automático en el lenguaje son los chatbot, un software que permite a una máquina simular una conversación como si fuera un humano, tanto textual como de voz, y es capaz de realizar acciones por su cuenta gracias al aprendizaje automático que ha realizado con las entradas que se le han dado. El programa puede desde realizar una reserva a solicitar o dar información a un cliente. Su tecnología mejorará exponencialmente en los próximos años pero muchos programas de mensajería y comunicación ya lo utilizan

 
 

Su expansión en la empresa y el sector industrial: ERP, transfer learning y MLaaS

Hablando sobre la cantidad de datos que necesita un sistema de aprendizaje automático para realizar sus predicciones de forma correcta, Ronny Conde nos introduce en el concepto de transfer learning, que muchas empresas, sobre todo del ámbito industrial, ya utilizan. “Permite entrenar al sistema de visión por computador, por ejemplo, con 3.000 imágenes, porque realmente estás utilizando como base unos modelos cognitivos que han sido previamente entrenados con millones de imágenes y ya aprenden de forma autónoma. Gracias a ellos necesitas un menor volumen de datos”.

Para conseguir estos datos y facilitar introducir el ML dentro de sus procesos a empresas que aún no tienen mucha información útil digitalizada, las compañías cuentan actualmente, además de con el transfer learning, con el Machine Learning as a Service (MLaaS) que también utiliza modelos preentrenados. Existe un servicio cognitivo en la nube XaaS, donde  puedes subir tus datos etiquetados para conseguir una respuesta.

Sin embargo, los modelos preentrenados no son tan fáciles de implementar, como defiende Roberto Parades. “Microsoft Azure, Google o Amazon ofrecen sus servicios cognitivos de machine learning, pero sigue siendo necesario el conocimiento de un experto que aplique estas técnicas dentro de una empresa; no es tan sencillo como pretenden, explica el experto.

Otro problema que plantea Paredes es el llamado “cliente prisionero”, donde los grandes desarrolladores de software de gestión retienen al cliente que quiere introducir estas tecnologías a través de unos módulos de analitica que solo se pueden implemantar en su propia solución ERP.

“Lo más importante es poder hacer una serie de conectores entre el sistema de machine learning con el ERP que tenga la empresa para que pueden compartir información. Pero no todos los desarrolladores apuestan por ello, sino que quieren a atrapar al cliente en sus soluciones”, indica el académico.

 
Esa tendencia que tienen los grandes desarrolladores a democratizar el aprendizaje automatizado puede ser demasiado optimista, es necesario igualmente contar con el conocimiento de un experto.

Roberto Paredes

 
 
En los próximos años van a surgir más modelos  especializados de machine learning, habrá un fenómeno de verticalización con sistemas más específicos para tareas más concretas, además de potenciarse la automatización de procesos en robótica (RPA) y el edge computing.

Ronny Conde, cofundador y CEO de Monkey from the Future.

 

Software CRM y RRHH con predicciones automáticas y el futuro del machine learning

Dentro de esta democratización de las técnicas de IA, el machine learning va a ir creciendo no solo de manera vertical, para automatizar cada vez más tareas dentro de las empresas, sino también de manera horizontal, ampliándose su aplicación a mayor número de compañías y también a las pymes.

No se focalizará solo en la gestión ERP, software industrial y finanzas, sino que va a tener un gran potencial dentro de las soluciones CRM para predecir qué va a hacer el cliente y establecer nuevas técnicas de fidelización e identificación de nuevas tendencias de consumo, del software Business Intelligence, por supuesto, y del software big data.

En cuanto a su introducción en los software de Recursos Humanos, Ronny Paredes lo tiene muy claro, y subraya como ya existen casos reales de aplicaciones de aprendizaje automático en procesos de screening o cribado para selección de personalcomo un sistema de filtrado previo de CV para empresas que reciben grandes cantidades de curriculums, un proceso que llevaría mucho tiempo si lo realizaran humanos en lugar de programas de aprendizaje automático, que utilizan sus propios predicciones para descarte.

“Conozco casos reales de empresas donde ya funciona. Hay gente que sienta que puede haber injusticias, pero si el descarte lo hace un humano va a haber el mismo dilema. Yo no veo ningún problema en ellos”, subraya Paredes.

 

En cuanto al futuro del aprendizaje automático y su democratización, el experto en deep learning y logística es contundente: el 5G y el edge computing supondrán un importante cambio y sentarán las bases de las nuevas tendencias.

El edge computing es una de las grandes innovaciones dentro las aplicaciones del internet de las cosas (IoT) y la conexión de dispositivos con 5G. Hasta ahora, todos los dispositivos que utilizamos para recoger datos los envían a la nube, a grandes centros de procesamiento y almacenamiento (data centers) pertenecientes a terceras empresas.

Este funcionamiento pasivo es el que se pretende cambiar para que compañías e industrias tengan más autonomía en el procesamiento y predicción de sus datos, y sean los propios sensores quienes realicen esta tarea, sin enviar los datos fuera gracias a que los algoritmos predictivos de machine learning se encuentran en los propios dispositivos.

“En lecturas de códigos de barras y almacenes inteligentes la pregunta es dónde se procesa esa gran cantidad de información, en qué servidores. Ya se está trabajando para que sea la propia máquina o dispositivo quien facilite esos datos perfectamente estructurados y procesados directamente al software de la empresa” finaliza Adriaan Landman.

 
 
No te pierdas el vídeo completo de la mesa de debate online con Ronny Conde, Roberto Paredes, Ismael D. Arroniz y Adriaan Landman.
Accede al vídeo
 
 
Si quieres estar al día en gestión empresarial,
apúntate a nuestra newsletter semanal