Buscando un rol práctico para el Machine Learning

0
2205
Machine Learning.
Imagen pixabay
 
Biodiversa
Datasur d-stats importaciones exportaciones
Detección de Incendios Forestales. Prevención y detección temprana de incendios forestales DROVID
MACAYA equipos trabajos en altura
Hydrogreen
 

Por Rubén Belluomo, Gerente Comercial de Infor Cono Sur

El Machine Learning ha pasado de ser un área de nicho de la tecnología, a ser el salvador de las empresas en múltiples sectores. Por otra parte, hay quienes creen que está sobrevaluado, por lo que se empiezan a categorizar las tecnologías que cuentan con mucho marketing, pero que no necesariamente han mostrado resultados.

Aunque este puesto es injusto, después de todo, la tecnología ML existe desde hace años y ha tenido éxito en el pasado, pero ahora su aplicación puede ser más difícil. La automatización del proceso de análisis y decisión puede lograr enormes mejoras potenciales en la creación de valor en los negocios, ayudando a los individuos a una mejor toma de decisiones y del performance.

El Machine Learning existe para acelerar los procesos de ver patrones y utilizarlos con nuevos grupos de datos y al encontrar correlaciones, los empleados pueden tomar mejores decisiones. Sin embargo, las iniciativas de ML deben comenzar con grupos de datos iniciales que pueden usarse para lograr algoritmos en forma adecuada.

Por ejemplo, muchas empresas están evaluando cómo mejorar el performance de sus ventas. Para organizaciones más pequeñas, se pueden ver las listas de los clientes y seleccionar las tendencias basándose en necesidades comunes. En el caso de grupos pequeños de datos, este proceso puede ser hecho por personas con su conocimiento y experiencia.

Sin embargo, para empresas más grandes, la cantidad de datos disponibles sobre el comportamiento de los clientes, es demasiado amplia y viene de distintas fuentes. De esta forma, ver lo patrones en distintos grupos de datos que cambian continuamente resulta muy difícil para las personas, pero para las máquinas resulta mucho más fácil evaluarlos con una mayor velocidad.

Actualmente, cada vez más empresas cuentan con los datos para usar en analytics. Sin embargo, estos datos consumibles y útiles para más gente, requieren una estrategia diferente. El objetivo de la automatización del ML es que los datos sean útiles para una mayor audiencia no especializada. Así, el facilitar el análisis de datos y ver la relación entre ellos, es posible poniendo información analítica avanzada en manos de los empleados con el ML.

Al permitir que las personas cuenten con sus propios datos, se pueden evitar algunos de los problemas que existen con el uso de analytics en la empresa. De esta manera, ayudar a los individuos a preparar sus datos para el análisis automáticamente, permite  mayor visibilidad que la que existe a través los distintos departamentos y sectores. El ML pueden ayudar a reconocer automáticamente los datos dentro de los reportes individuales o grupos de datos, y luego crear vínculos entre ellos.

El proceso no es tan fácil como parece. Para empezar, juntar los datos adecuados puede ser un reto. En empresas que cuentan con docenas de aplicaciones, todas con datos relevantes, puede resultar difícil contar con un lugar centralizado de los datos. El resultado es que los análisis que se hacen en un sector pueden ser diferentes de los de otro, dependiendo de cuándo se actualizaron los datos. Por el contrario, vale la pena ver cómo éstos se acoplan a una red que puede actualizarse automáticamente.

A medida que los datos cambian, pueden actualizarse y estar disponibles para analizar, ya sea por personas o algoritmos. Una vez que las empresas consideren el ML, se acelerarán sus procesos y análisis y así esta visión podrá utilizarse para mejorar los procesos y lograr las metas.

Rubén Belluomo, Infor Cono Sur

Isidora Riesco
Agencia e-press
iriesco@e-press.cl


SignalSoft, representante Denwa Technology en Chile. www.signalsoft.cl
Google News Portal Innova
Síguenos en Google Noticias

Equipo Prensa
Portal Innova