Álvaro Soto.
El concepto de Machine Learning (ML) es una tecnología que utiliza algoritmos que aprenden y mejoran en función de la experiencia y, a la vez, es un subcampo de la Inteligencia Artificial (IA), la cual permite a los computadores imitar la función cognitiva humana.
“El Machine Learning se ha disparado en las empresas y los medios de comunicación, ya que los avances en la visión por computador y el procesamiento del lenguaje natural permiten que las máquinas superen a los humanos en tareas desafiantes como el diagnóstico de cáncer”, asegura Marcial Rapela, Socio y Director de Bain & Company en Santiago. “Al mismo tiempo, los costos de hardware han disminuido y la implementación se ha vuelto más fácil, lo que resulta en el uso de modelos de ML para aumentar y reemplazar la toma de decisiones humana en todas las industrias”, agrega.
Existen varios tipos de Machine Learning, los cuales pueden modelar relaciones complicadas entre los factores causales y las variables de pronóstico. Sin embargo, funcionan de manera más similar a una “caja negra”, ya que no pueden expresar tales relaciones de forma clara. Se han realizado esfuerzos para hacer que esta sea más interpretable, y la interpretabilidad proviene de clasificar la importancia de los factores, como el índice de Gini en un modelo de pronóstico aleatorio, o un enfoque unificado, como las explicaciones aditivas de Shapley.
En tanto, para series individuales, los modelos de Machine Learning pueden ser computacionalmente lentos y tener un rendimiento deficiente debido al sobreajuste. Por lo tanto, una buena estrategia es aplicarlos para modelar un grupo de series juntas, como los pronósticos de ventas para todos los SKU en una tienda.
“Dado que se trata de un gran modelo genérico para un grupo, los modelos de Machine Learning suelen tener un buen rendimiento general, pero es posible que no generen resultados igualmente sólidos en los niveles de series individuales. Las diferencias en la calidad del pronóstico usualmente provienen de la generación de características y el ajuste de los parámetros del modelo, que requieren que el modelador tenga una buena comprensión de los datos y dedique tiempo a un proceso iterativo de prueba y error”, afirma el ejecutivo.
Hacia nuevos niveles
Pero, ¿cómo llevamos el Machine Learning a la práctica?, según Marcial Rapela, los modelos de Machine Learning tienden a funcionar de manera efectiva solo en grandes conjuntos de datos, ya que algunos de estos, a menudo son más complicados; por ejemplo, un modelo de Deep Learning no pronostica el crecimiento del mercado porque los datos son demasiado pequeños y ruidosos para el modelo.
“Actualmente, desde publicidad en línea dirigida a motores de recomendación más precisos, los mercados de consumidores están repletos de innovación en torno a Machine Learning y analítica avanzada. Si bien hay menos rumores sobre los mercados B2B, estas innovaciones también están cambiando el juego, incluso en las industrias tradicionales que venden lo que podrían considerarse productos básicos”, asegura.
Por otro lado, el ML y el procesamiento y la generación del lenguaje natural están llevando tanto a la analítica como a la automatización a nuevos niveles. Un ejemplo de ello se puede ver con Danone, el cual aplica la tecnología en la gestión de deducciones para mejorar la eficiencia y eficacia de su proceso de pedido a cobro. En tanto, USA ha invertido en la generación de lenguaje natural (NLG) para automatizar la creación de comentarios sobre el rendimiento de la línea de productos, las tendencias de adquisición y las transacciones para sus paneles de productos.
“El Machine Learning toma toda la experiencia que las compañías guardan en discos duros, archivadores de empleados, etc., la prueba en algoritmos y ofrece la mejor respuesta personalizada de manera más completa que cualquier ser humano. Todo el proceso de pronóstico aumenta las probabilidades de éxito”, asegura el profesional. Agrega que, “eso sí, es fundamental comprender las prioridades de las personas que utilizan el pronóstico.
Hemos visto situaciones en las que los usuarios tenían un negocio complicado y altamente automatizado, por lo que un modelo de Machine Learning abordó sus necesidades. En otra situación, las empresas dijeron originalmente que querían un modelo de ML de última generación, pero los usuarios finales del sistema de pronóstico no confiaban en los resultados de los modelos de ‘caja negra’ o necesitaban información adicional del modelo para tomar decisiones”.
Entonces, la mejor recomendación será, en lugar de implementar un sistema de pronóstico que nadie usará, involucrar a los usuarios finales en la fase de diseño para entender qué decisiones quieren de este, cuánta interpretabilidad necesitan para tomar la decisión y con qué tipo de modelos se sienten cómodos para mejorar.
Tendencias a futuro
La Inteligencia Artificial en todas sus formas (robótica, Machine Learning, procesamiento y generación del lenguaje natural) está cautivando a los departamentos de finanzas. No es de extrañar que se espere que la adopción de la automatización de procesos robóticos (RPA) y el Machine Learning se duplique en los próximos dos años, según una encuesta de Bain & Company, en colaboración con Research Now, aplicada a 501 ejecutivos y profesionales de finanzas en Estados Unidos, Reino Unido y Alemania.
En los próximos meses, a medida que los efectos de las cuarentenas por Covid-19 afecten a las economías, casi todas las empresas del mundo buscarán formas de reducir costos, conservar efectivo y aprovechar al máximo las inversiones. Muchos revisarán las inversiones en tecnología para comprender mejor su potencial para aumentar el valor del negocio.
Al respecto, Marcial Rapela asegura que “entre las tecnologías digitales que probablemente estarán bajo este escrutinio se encuentra el creciente número de inversiones en Inteligencia Artificial y Machine Learning. Incluso antes de la llegada del Covid-19 y la repentina crisis económica, muchos ejecutivos de tecnología ya estaban expresando incertidumbre sobre sus inversiones en Machine Learning y su descontento con las formas en que sus organizaciones lo estaban adoptando. Desde que se apoderó de la pandemia, muchos nos han comentado que planean aumentar las inversiones en automatización en todos los ámbitos, incluidos aquellos que dependen de IA / ML”.
