Si has utilizado Google, Spotify o Uber en la última semana, has interactuado con productos que utilizan aprendizaje automático.

El aprendizaje automático, un subconjunto de la inteligencia artificial, utiliza algoritmos y modelos estadísticos para entrenar a las máquinas a realizar tareas y encontrar patrones sin guía. En cuanto a nuestros ejemplos anteriores, estas tareas son cosas como recomendaciones de búsqueda, sugerencias de canciones y tiempos de viaje estimados.

Pero hay más formas en que se aplica el aprendizaje automático hoy en día, algunas de las cuales quizás ni siquiera somos conscientes.

En esta guía, arrojaremos luz sobre algunos ejemplos ingeniosos del mundo real del aprendizaje automático. Para obtener nuestros ejemplos, contactamos a cinco líderes empresariales para que nos expliquen las formas en que utilizan el aprendizaje automático hoy en día.

5 ejemplos de aprendizaje automático

¿Ves un ejemplo que te interesa? Siéntete libre de saltar adelante:

1. Análisis de texto para la creación de contenido
2. Análisis para la inversión inmobiliaria
3. Verificación de llamadas para recuperación de fraudes
4. Seguimiento de precios para viajes aéreos
5. Aprendizaje profundo para escribir como Shakespeare

1. Análisis de texto

Stephen Jeske, Estratega de Contenido en MarketMuse

Todo comercializador de contenido sabe lo difícil que puede ser el mapeo de temas. Requiere experiencia en el tema, investigación profunda y colaboración con equipos internos para asegurar que el contenido sea relevante y preciso. Stephen dice que MarketMuse aplica el aprendizaje automático para facilitar un poco el trabajo de los comercializadores de contenido.

“Una aplicación del aprendizaje automático (ML) se refiere al análisis textual; una parte importante de nuestra implementación de ML en MarketMuse. La capacidad de analizar texto nos permite crear un modelo de tema de cualquier tema dado y calificar el contenido para ayudar a los comercializadores de contenido a crear una mejor experiencia. El aprendizaje automático para el análisis textual nos permite establecer relevancia semántica entre las páginas de un sitio web. Esto se utiliza para ofrecer sugerencias de enlaces con texto ancla apropiado para crear grupos de contenido.

Llevándolo un paso más allá, el aprendizaje automático es un bloque de construcción que nos permite descubrir grupos temáticos que existen en un sitio web, que pueden no ser fácilmente aparentes.”

El aprendizaje automático ayuda a validar las suposiciones del comercializador de contenido sobre lo que los usuarios están buscando en la web en relación con un tema. También los expone a nuevas ideas de contenido.

2. Bienes raíces

Daniela Andreevska, Directora de Marketing en Mashvisor

Invertir en bienes raíces puede ser lucrativo si se hace bien. Sin embargo, el proceso puede ser largo y la mayoría no tiene los recursos o la experiencia para considerar invertir. Daniela dice que Mashvisor utiliza el aprendizaje automático y el análisis de datos para acortar el proceso y hacerlo más simple.

“El Buscador de Propiedades de Mashvisor es una de nuestras herramientas destacadas que utiliza el aprendizaje automático para predecir la propiedad más adecuada para un inversor según los criterios que ingresan, así como su historial. Los usuarios pueden gustar o no gustar de las propiedades que el Buscador de Propiedades les sugiere según su ubicación de elección, presupuesto, tipo de propiedad preferido y otros criterios. Cuanto más interactúa el usuario con la herramienta, más precisas se vuelven sus predicciones.”

Poder proporcionar recomendaciones altamente personalizadas es un ejemplo de aprendizaje supervisado, en el que hay tanto valores de entrada como de salida para el algoritmo de aprendizaje automático. Cuanto más se usa, más preciso se vuelve el modelo.

3. Verificación de llamadas

Tim Prugar, Vicepresidente de Operaciones en Next Caller

Alrededor de $190 mil millones se pierden anualmente debido al fraude, lo que cuesta a los comerciantes, clientes y bancos su tranquilidad. Lidiar con el fraude es frustrante, y también lo es llamar a cada comerciante para seguir el rastro del fraude. Tim dice que Next Caller utiliza el aprendizaje automático para acelerar el proceso de recuperación del fraude.

“Aprovechamos el aprendizaje automático para combatir el problema del fraude telefónico, específicamente personas que cometen tomas de cuentas en bancos, compañías de seguros, compañías de cable, aerolíneas y hoteles. Nuestro producto VeriCall crea una experiencia positiva para el cliente a través de la verificación de llamadas en tiempo real. Usamos ML para asegurarnos de que puedas ser autenticado rápidamente, de manera pasiva y sin esfuerzo, permitiendo a las empresas ayudar a resolver tu problema sin pasar un tiempo exasperante averiguando quién eres.”

La verificación de identidad utilizando aprendizaje automático es solo otro ejemplo de cómo la automatización está mejorando nuestras vidas diarias. Esto es especialmente útil ya que el fraude solo se volverá más complejo.

4. Seguimiento de precios

Valerie Layman, Directora de Producto y Servicios en Yapta

Entonces, vas a un viaje de trabajo y tu jefe te encargó encontrar el vuelo más rentable. ¿Qué sigue? Valerie dice que Yapta aplica el aprendizaje automático para un seguimiento de precios más inteligente en los viajes aéreos.

“Yapta ayuda a sus clientes corporativos a ahorrar en costos de pasajes aéreos y hoteles utilizando algoritmos de aprendizaje automático para la optimización de negociaciones con proveedores de viajes y cumplimiento de políticas. Utiliza una combinación de datos de reservas de pasajes aéreos y hoteles, datos de precios en tiempo real y aprendizaje automático para identificar áreas de enfoque donde las empresas pueden crear o mejorar oportunidades de ahorro.

A simple vista, la tecnología ofrece información procesable sobre la utilización y el rendimiento de los proveedores, el rendimiento de las tarifas contractuales y la efectividad de las políticas de viaje. La tecnología también agrega datos de precios anónimos de los miles de millones de itinerarios de viaje rastreados por Yapta, creando puntos de referencia por monto de gasto, geografía, industria y proveedor.”

El seguimiento de precios, la optimización y la predicción son algunas de las formas más pragmáticas en que se aplica el aprendizaje automático hoy en día. De hecho, Yapta ha utilizado el seguimiento para ahorrar a las empresas más de $250 millones en pasajes aéreos ya.

5. Escribir como Shakespeare

Rosaria Silipo, Ph.D., Científica de Datos Principal en KNIME

Este ejemplo puede estar menos enfocado en los negocios y ser más divertido, pero KNIME pudo mostrar el poder del aprendizaje profundo con unidades de memoria a largo plazo (LSTM) para generar textos originales al estilo de Shakespeare. Rosaria dice:

“¿Conoces el problema de encontrar el nombre más atractivo y no protegido por derechos de autor para tu nuevo producto? El problema que requiere una serie de reuniones de lluvia de ideas por las mentes más creativas de la empresa? Bueno, una red neuronal de aprendizaje profundo con una capa de unidades LSTM puede ser entrenada en una lista de nombres específicos, digamos nombres con un tema común como nombres de montañas, y producir una lista de nombres que suenan a montaña, no protegidos por derechos de autor, para ser utilizados como candidatos para el nuevo nombre del producto.

Una red similar también puede ser utilizada para generar textos libres, como textos al estilo de Shakespeare o canciones de rap. Estos borradores pueden ser utilizados como base para el texto o canción final.”

Vale la pena señalar que generar textos originales con aprendizaje profundo es bastante difícil, y es aún más difícil cuando se trata de estructuras de oraciones complejas y el inglés shakesperiano. Sin embargo, este sigue siendo un ejemplo divertido de KNIME.

La red de aprendizaje profundo fue entrenada con las obras de Shakespeare “Othello”, “King Lear” y “Much Ado About Nothing”. Haz clic abajo para leer el guion:

El guion parecía comenzar fuerte pero se calmó hacia el final.

Vale la pena señalar que generar textos originales con aprendizaje profundo es bastante difícil, y es aún más difícil cuando se trata de estructuras de oraciones complejas y el inglés shakesperiano. Sin embargo, este sigue siendo un ejemplo divertido de KNIME.

¿Qué sigue para el aprendizaje automático?

Desde detecciones tempranas de fraude hasta mejorar diagnósticos médicos, el aprendizaje automático está detrás de muchos avances tecnológicos importantes hoy en día, pero ¿qué sigue?

Preguntamos a cinco expertos que nos den sus opiniones sobre cómo será el futuro del aprendizaje automático. Lee cómo la computación cuántica, los motores de búsqueda y los entornos sin código influirán en el futuro.