La inteligencia artificial es una de las tendencias tecnológicas más importantes de estos tiempos, y eso se debe, principalmente, a los beneficios que puede aportar a las empresas que la implementen.
En este artículo hablaremos específicamente acerca de cómo la IA y el Machine Learning pueden ayudar a optimizar el rendimiento y las operaciones de una empresa gracias a su implementación con Microsoft Azure.
Pero, para comenzar, aclaremos algunos conceptos y términos fundamentales.
¿Qué es la inteligencia artificial?
La inteligencia artificial es tan amplia que allí mismo radica la dificultad de su definición, pero, podemos acercarnos a ello afirmando que es una combinación de algoritmos desarrollados con el propósito de crear máquinas que imiten las capacidades del ser humano. Es una disciplina que busca replicar y desarrollar la inteligencia humana y sus procesos implícitos a través de computadoras. Si bien, actualmente, no existe una única definición de este término, al menos sí se distinguen 4 enfoques diferentes:
- Dos centrados en los humanos: sistemas que piensan y actúan como personas.
- Dos en torno a la racionalidad: sistemas que piensan y actúan racionalmente.
Esta tecnología se nutre, principalmente, de otros 2 conceptos clave: datos y algoritmos.
¿Cuáles son los campos de aplicación de la IA?
Las técnicas desarrolladas en el campo de la inteligencia artificial son muchas y de lo más diversas. Dentro de las más reconocidas actualmente, podemos afirmar que la IA se aplica en espacios como:
- Lingüística computacional
- Minería de datos o Data Mining
- Industria
- Medicina
- Realidad y mundos virtuales
- Procesamiento de lenguaje natural (Natural Language Processing)
- Robótica
- Sistemas de control
- Sistemas de apoyo a la decisión
- Videojuegos
- Prototipos informáticos
- Análisis de sistemas dinámicos
- Simulación de multitudes
- Sistemas operativos
- Automoción
¿Cuál es la relación entre Machine Learning y AI?
Machine learning es, precisamente, una rama de la IA enfocada en el uso de datos y algoritmos para imitar la forma en la que aprendemos los seres humanos, con la capacidad de mejorar gradualmente su precisión. Mediante métodos estadísticos, los algoritmos se entrenan para hacer clasificaciones o predicciones que facilitan la toma de decisiones.
Métodos de machine learning
Podemos dividir al ML en 3 categorías principales:
- Machine learning supervisado: conocido también como aprendizaje supervisado, implica el uso de conjuntos de datos etiquetados para entrenar algoritmos y clasificar datos o predecir resultados con precisión. Permite resolver problemas del mundo real a escala como, por ejemplo, la clasificación de spam en una carpeta distinta de la bandeja de entrada.
- Machine learning no supervisado: el aprendizaje no supervisado utiliza algoritmos de ML para analizar y agrupar conjuntos de datos sin etiquetar. Se encargan de descubrir agrupaciones de datos o patrones ocultos sin necesidad de ninguna intervención humana, y su capacidad para identificar similitudes y diferencias en información hacen que sea la solución ideal para el análisis de datos exploratorios, las estrategias de venta cruzada, la segmentación de clientes, el reconocimiento de imágenes y patrones y más.
- Aprendizaje semisupervisado: es un punto intermedio entre los dos primeros, por lo que, durante su entrenamiento, utiliza un conjunto de datos etiquetados de menor cantidad para guiar la clasificación y extracción de características de un conjunto de datos sin etiquetar de un tamaño mayor. Este tipo de ML resuelve el problema de la falta de datos etiquetados para entrenar un ML supervisado.
¿En qué campos se utiliza más?
Actualmente, vemos que el Machine Learning se aplica mayormente en funciones como:
- Reconocimiento de voz
- Servicio al cliente
- Visión por ordenador
- Motores de recomendación
- Comercio bursátil automatizado
¿Qué beneficios aporta el ML a las empresas?
Implementar la tecnología de inteligencia artificial y Machine Learning puede traer grandes beneficios a las compañías. Entre ellos, podemos mencionar:
- Mejora del servicio al cliente con análisis de preferencias, oferta de productos personalizados, etc.
- Reducción de errores progresiva: cuanto más tiempo lleve el sistema, más eficaz será.
- Acciones preventivas para no poner en riesgo el desarrollo de un producto o servicio.
- Ciberseguridad, al reconocer y evitar los códigos de malware, por lo general muy similares entre sí.
- Detección de fraudes, identificando las transacciones ilegítimas a través de patrones de movimientos monetarios.
- Automatización de procesos de tareas mecánicas que no aportan valor añadido
- Mayor conocimiento de los clientes a través de la determinación de sus gustos, hábitos y necesidades de compra.
- Predicción de tendencias y necesidades, anticipando movimientos a la demanda.
- Ampliación del análisis, la cantidad y la calidad de los datos: en el caso de la contabilidad empresarial, por ejemplo, al procesar grandes cantidades de datos (estructurados y no estructurados).
Herramientas útiles para aplicar el Machine Learning: Azure
Microsoft Azure es una plataforma compuesta por más de 200 productos y servicios en la nube. Su objetivo es facilitar el desarrollo de nuevas aplicaciones para solucionar problemas y superar dificultades que entorpecen las operaciones de una empresa. Azure propone:
- Confiar en la nube
- Trabajar en un entorno híbrido
- Diseñar soluciones a medida
- Prepararse para el futuro
Caso de uso: Vodafone
Para explicar un poco más acerca de Azure y de cómo puede facilitar el uso de ML, utilizaremos el caso de Vodafone, reconocida empresa de telecomunicaciones con más de 300 millones de clientes móviles, 28 millones de clientes de banda ancha fija, más de 22 millones de TV y con conexiones de 136 millones de dispositivos IoT.
El funcionamiento de la empresa se rige, a grandes rasgos, de personal de oficina contratado y de personal subcontratado para reparar averías. Además, para mejorar los procesos de una compañía de tal tamaño, realizan auditorías para conocer su eficiencia. Es por esto que, gracias a la implementación de modelos de IA, se pueden realizar mejoras a partir de los resultados obtenidos de las consultorías previamente mencionadas.
¿Cuál era el problema de Vodafone?
Existía un potencial de mejora sobre tres KPI relevantes en el proceso de detección de incidencias en las torres de telecomunicación:
- Aumentar la cantidad de incidencias identificadas en campo, así como ser capaces de preverlas antes de que ocurran para implementar medidas antes de que se lleguen a producir. Si se concentran los esfuerzos de inspección sobre aquellos trabajos más proclives a tener incidencias, crecerá el porcentaje de identificación de incidencias y, por tanto, se podrán poner medidas a tiempo para que los accidentes y errores sean menos frecuentes.
- Aumentar el feedback de las contratas: Si se provee a las contratas ejecutoras de los trabajos de riesgo de una herramienta que les permita tener una visión más clara de los potenciales trabajos defectuosos y poder dar un feedback más frecuente, detallado y organizado sobre estos, el flujo de información entrante se podrá usar para seguir mejorando la eficacia del modelo, y, este, a su vez, de los trabajos defectuosos identificados.
- Iniciar el contacto con la explotación del valor de los datos mediante el uso de Machine Learning: El consumo del modelo y su impacto sobre los KPIs anteriores supondrá una base estable y funcional sobre la cual explorar otros usos de la explotación de datos disponibles para la mejora de objetivos de negocio.
¿Qué solución se propuso?
La solución consiste en desarrollar un modelo de clasificación de los trabajos de mantenimiento de la red de telecomunicaciones entrenado con técnicas de Machine Learning y desplegado en la nube. Dicho modelo será consumido por una aplicación móvil que permitirá enviar a las contratas a realizar trabajos de chequeo y reparación en aquellas zonas que tengan más probabilidades de padecer fallos.
Enzyme se encargó del proceso de análisis, entrenamiento y monitorización del modelo, así como de su despliegue en forma de una API-Rest para su consumo por parte de la aplicación móvil. Otra de las tareas realizadas por Enzyme incluyen:
- El desarrollo y evolución de algoritmos de IA de mantenimiento sencillo y con potencial de expansión a distintos ámbitos, dentro de las labores de Health & Safety, entre otras.
- La reducción del número de incidencias de trabajo y de emplazamiento, gracias a un pronóstico de las incidencias que tendrá lugar en cada instalación.
- La utilización de las predicciones de los modelos para mejorar los resultados de las auditorías actuales.
¿Cuáles fueron los resultados obtenidos?
Los resultados más destacables de la implementación de la solución son:
- Priorización de la realización de auditorías en aquellos trabajos o emplazamientos donde se prediga que habrá incidencias.
- Aumento de la efectividad de los equipos de inspección sin aumentar su coste por un aumento de la detección de incidencias, sin necesidad de realizar un mayor número de auditorías.
- Minimización de los costes de equipos en campo y maximización de su efectividad, al habilitar el envío del equipo indicado en el momento adecuado al emplazamiento correcto.
- Mejora del control de las incidencias que se dan en cada emplazamiento y equipo.
Otras posibilidades de aplicación del ML
Como hemos visto anteriormente, el ML presenta infinitas posibilidades de aplicación. Por nombrar algunas más, de este modelo utilizado en Vodafone, podemos destacar:
- La generalización de este proyecto a otros sectores para grupos de trabajo, empresas o servicios públicos, encontrando deficiencias a partir de la parametrización de ciertos indicadores, y permitiendo una significante mejora en productividad así como en distribución de carga de trabajo.
- La variabilidad del modelo permite la aplicación a empresas de todo tipo de sectores: tecnológicas, administrativas, industria (fábricas) y procesos de blockchain, utilizándose desde en sistemas de distribución hasta en empresas de reparación.
Conclusión
No hay dudas de que la IA, y especialmente el Machine Learning son herramientas que pueden llegar a facilitar procesos que, hasta ahora, han requerido de procesos prueba y error o de una monitorización constante. De este modo, la mejora en productividad y eficiencia de los trabajos puede mejorarse notablemente.
Si quieres saber más sobre cómo podemos asistirte en la utilización de IA y ML, contáctanos. Estaremos encantados de acompañarte a implementar innovación tecnológica en tu empresa.
