Comience con los servicios de Amazon IA

La inteligencia artificial (IA) es el campo de la ciencia informática dedicado a la resolución de problemas cognitivos asociados comúnmente a la inteligencia humana, como el aprendizaje, la resolución de problemas y el reconocimiento de patrones. La inteligencia artificial, que normalmente se abrevia IA, puede evocar escenas futuristas o robóticas, pero va mucho más allá de los modelos autómatas de ciencia ficción, ya que se trata de ciencia informática avanzada actual. El profesor Pedro Domingos, investigador destacado en este campo, describe “cinco tribus” del aprendizaje automático, compuestas por simbolistas, provenientes de la lógica y la filosofía; conexionistas, procedentes de la neurociencia; evolutivos; relacionados con la biología evolutiva; bayesianos, interesados en la estadística y la probabilidad; y analogistas, procedentes de la psicología. Recientemente, los avances en la eficacia de la informática estadística han permitido a los bayesianos ampliar el campo en varias áreas, englobadas bajo el nombre “aprendizaje automático”. Del mismo modo, los avances en la informática de red han llevado a los conexionistas a crear un subcampo denominado “aprendizaje profundo”. El aprendizaje automático (ML) y el aprendizaje profundo (DL) son campos de la ciencia informática derivados de la disciplina de la inteligencia artificial.

En rasgos generales, estas técnicas se dividen en técnicas de aprendizaje “supervisadas” y “no supervisadas”. Las técnicas “supervisadas” utilizan datos de entrenamiento que incluyen la salida deseada, mientras que las “no supervisadas” utilizan datos de entrenamiento sin la salida deseada.

La IA se vuelve “más inteligente” y aprende más rápido cuantos más datos posee. Cada día, las empresas están generando este combustible que pone en marcha las soluciones de aprendizaje automático y aprendizaje profundo mediante la recopilación y extracción desde un almacén de datos como Amazon Redshift, la recopilación en el terreno con el poder de “la multitud” con Mechanical Turk o mediante la extracción dinámica a través de Kinesis Streams. Además, con el auge del IoT, la tecnología de los sensores añade cada vez más datos a la cantidad por analizar, datos de fuentes, lugares, objetos y eventos que antes prácticamente se ignoraban.


Aprendizaje automático es el nombre que se aplica comúnmente a varias técnicas bayesianas de reconocimiento y aprendizaje de patrones. En esencia, el aprendizaje automático es un conjunto de algoritmos que pueden aprender de datos registrados y hacer predicciones a partir de ellos, optimizar una función de utilidad determinada bajo certeza, extraer estructuras ocultas de datos y clasificar los datos en descripciones concisas. El aprendizaje automático se suele implementar cuando la programación explícita resulta demasiado rígida o poco práctica. A diferencia del código informático desarrollado por los desarrolladores de software para intentar generar una salida específica al código el programa a partir de una entrada determinada, el aprendizaje automático utiliza los datos para generar código estadístico (un modelo de ML), que producirá la “salida adecuada” basada en un patrón reconocido a partir de ejemplos anteriores de entrada (y salida, en caso de técnicas supervisadas). La precisión de un modelo ML depende principalmente de la calidad y cantidad del historial de datos.

Con los datos adecuados, un modelo de ML puede analizar problemas de gran dimensión con miles de millones de ejemplos para analizar la función óptima capaz de predecir una salida con una entrada determinada. Los modelos de ML suelen poder proporcionar la confianza estadística en las predicciones, así como en el desempeño general. Estas puntuaciones de evaluación son importantes a la hora de decidir si utilizar un modelo de ML o una predicción individual.

Amazon.com está basando gran parte de su negocio en sistemas de aprendizaje automático. Sin el aprendizaje automático, Amazon.com no podría ampliar su negocio, mejorar la experiencia y selección de los clientes, y optimizar su velocidad y calidad logística. Amazon.com creó AWS para permitir a otras empresas disfrutar de la misma infraestructura de TI, con ventajas de agilidad y costes, y ahora sigue democratizando las tecnologías de ML al ponerlas al alcance de todas las empresas.

La estructura de los equipos de desarrollo de Amazon.com y el enfoque en ML para resolver problemas empresariales pragmáticos complicados llevan a Amazon.com y AWS a desarrollar herramientas y dispositivos de ML potentes y sencillos de usar. Estas herramientas se prueban primero en la escala y entorno crítico de Amazon.com, antes de proporcionarse como servicios de AWS para que los usen otras empresas, del mismo modo que otros servicios de TI.

El aprendizaje automático se utiliza a menudo para predecir resultados futuros a partir del historial de datos. Por ejemplo, las empresas utilizan el aprendizaje automático para predecir cuántos de sus productos se venderán en trimestres fiscales posteriores a partir de datos demográficos concretos, o estimar qué perfil de cliente tiene más probabilidades de no quedar satisfecho o de ser más leal a la marca. Estas predicciones permiten tomar mejores decisiones empresariales, proporcionar experiencias mejores a los usuarios y llegar a reducir los costes de retención de clientes. Como complemento de la inteligencia empresarial (BI), que se centra en informar de datos empresariales antiguos, el ML predice los resultados a partir de tendencias y transacciones anteriores.

Existen varios pasos para implementar con éxito el ML en una empresa. En primer lugar, identificar el problema adecuado, es decir, identificar la predicción que, si se cumple, beneficiaría a la empresa. A continuación, deben recopilarse los datos, a partir del historial de métricas empresariales (transacciones, ventas, retención, etc.). Una vez agregados los datos, se puede crear un modelo de ML a partir de ellos. El modelo de ML se ejecuta y la salida de la predicción se aplica al sistema empresarial para tomar decisiones más fundamentadas.

Implementación de ML en su organización

Implementación de aprendizaje automático en su organización 

Identifique elementos, incidencias u observaciones que no se corresponden con un patrón esperado o con otros elementos de un conjunto de datos.

Cree modelos predictivos que ayudan a identificar transacciones de ventas potencialmente fraudulentas o detecte opiniones de productos fraudulentas o inadecuadas.

Identifique los clientes con alta probabilidad de abandono, lo que le permitirá interactuar con ellos proactivamente a través de promociones o contactos de soporte al cliente. 

Proporcione una experiencia al cliente más personalizada mediante el análisis predictivo para recomendar artículos u optimice el flujo del sitio web a partir de las acciones anteriores del cliente. 


El aprendizaje profundo es una rama del aprendizaje automático que conlleva la colocación por capas de algoritmos con el fin de comprender mejor los datos.  Los algoritmos ya no se limitan a crear un conjunto de relaciones explicables del mismo modo que una regresión más básica.  En su lugar, el aprendizaje profundo confía en estas capas de algoritmos no lineales para crear representaciones distribuidas que interactúan a partir de una serie de factores.  Con conjuntos de gran tamaño de datos de entrenamiento, los algoritmos de aprendizaje profundo comienzan a poder identificar las relaciones entre elementos.  Estas relaciones pueden tener lugar entre figuras, colores, palabras y más.  A partir de entonces, se puede utilizar el sistema para crear predicciones.  Dentro del aprendizaje automático y la inteligencia artificial, la potencia del aprendizaje profundo deriva de la capacidad del sistema de poder identificar más relaciones que las que los humanos puedan codificar de manera práctica en el software, o relaciones que es posible que los humanos no sean capaces de percibir.  Con el entrenamiento suficiente, esto permite a la red de algoritmos comenzar a hacer predicciones o interpretaciones de datos muy complejos.

Las redes neuronales convolucionales superan a los humanos en numerosas tareas de visión, incluida la clasificación de objetos.  Si se le proporcionan millones de imágenes etiquetadas, el sistema de algoritmos es capaz de comenzar a identificar al sujeto de la imagen.  Muchos servicios de almacenamiento de imágenes incluyen el reconocimiento facial, con tecnología de aprendizaje profundo.  Es fundamental para Amazon Rekognition, Amazon Prime Photos y Amazon’s Firefly Service.

Amazon Alexa y otros asistentes virtuales están diseñados para reconocer una solicitud y devolver una respuesta.  Mientras que los adultos pueden comprender una voz desde una edad temprana, los ordenadores solo han podido escuchar y responder a los humanos recientemente.  Los distintos acentos y patrones de habla de los humanos hacen que se trate de una tarea automática difícil de completar mediante la ciencia informática o las matemáticas más tradicionales.  Con el aprendizaje profundo, el sistema de algoritmos puede determinar con mayor facilidad lo que se ha dicho y con qué intención. 

El procesamiento del lenguaje natural intenta enseñar al sistema a comprender el lenguaje humano, el tono y el contexto.  De este modo, el algoritmo puede comenzar a comprender conceptos más difíciles, como la emoción o el sarcasmo.  Este campo está creciendo, puesto que las compañías quieren automatizar el servicio al cliente con bots de texto o de voz, como los que usa Amazon Lex.

Las compras en línea a menudo conllevan recomendaciones de contenido personalizadas relacionadas con los artículos que podría querer comprar, las películas que podría querer ver o las noticias que quizás le interese leer.  Anteriormente, estos sistemas dependían de humanos que creaban asociaciones entre los artículos. Sin embargo, con el auge del big data y el aprendizaje profundo, los humanos ya no son necesarios, ya que ahora los algoritmos identifican los artículos que le pueden interesar a partir de sus compras o visitas a productos anteriores y comparando esa información con la de los demás.

>> Descubra MXnet, el marco de aprendizaje profundo de código abierto y cómo puede comenzar a usarlo.

 

Comience con los servicios de Amazon IA