Llegamos a ustedes gracias a:



Reportajes y análisis

9 proyectos de TI preparados para el aprendizaje automático

[23/10/2017] El aprendizaje automático se está convirtiendo rápidamente en una realidad para las organizaciones con visión de futuro. Pero para la mayoría de las empresas, la mejor manera de aprovechar las capacidades de las tecnologías de aprendizaje automático sigue siendo un misterio. Aún así, las ganas de experimentar son cada vez más fuertes.

Y la verdad es que sus competidores ya pueden estar preparando el terreno. IDC prevé que los ingresos para los sistemas de inteligencia artificial en todo el mundo, prácticamente se duplicarán a 12,5 mil millones de dólares este año, y seguirán creciendo a un ritmo similar hasta que alcancen los 46 mil millones de dólares en el 2020. Una parte de ese gasto se destinará al hardware para ejecutar sistemas de aprendizaje automático, pero incluso si no tiene el presupuesto ni los científicos de datos para construir sistemas desde cero, hay muchas herramientas y servicios que le permitirán usar el aprendizaje automático de maneras prácticas que ayudan a su empresa.

Aquí hay nueve proyectos de TI que casi toda organización encontrará útiles para comenzar a experimentar con las tecnologías de aprendizaje automático.

1. Un chatbot de servicio al cliente

Si tiene una lista de preguntas frecuentes para que los clientes busquen, puede convertirla en un chatbot que pueda responder a las preguntas de soporte usando el Microsoft QnA Maker. No tiene que ser atención al cliente, por supuesto; podría crear un bot para responder las preguntas de los nuevos empleados sobre los beneficios para los recursos humanos, o cómo ponerse en contacto con el servicio de asistencia.

Ingrese la URL de sus preguntas frecuentes o cargue hojas de cálculo y documentos que tengan preguntas y respuestas, y QnA Maker creará pares de esas preguntas y respuestas que podrá revisar y luego llamar como un API. Si quiere tener una interfaz más interesante que solo respuestas de texto, puede usar .NET SDK y Microsoft Bot Framework para crear un bot que muestre imágenes y contenido rico.

Si prefiere el enfoque sin servidor, QnA Maker es una de las plantillas en el Azure Bot Service, para que pueda crear un bot que funcione en el correo electrónico, en GroupMe, Facebook Messenger, Kik, Skype, Slack, Equipos de Microsoft, Telegram, text/SMS y Twilio.

A más largo plazo, los chatbots evolucionarán en agentes inteligentes más como Alexa de Amazon y Cortana de Microsoft. Pero en lugar de responder preguntas individuales, los agentes crean una conversación "dirigida por objetivos" que trabaja el problema del cliente para ayudarlo a resolverlo, que es lo que necesita para vender entradas o diagnosticar por qué un proyector no puede conectarse. Microsoft acaba de agregar una solución de atención al cliente a Dynamics 365, en la que un agente virtual sugiere soluciones, transfiere al cliente a un soporte humano, junto con los detalles y sugerencias que hizo de la conversación si es que no puede resolver el problema, y aprende qué hacer la próxima vez. HP, el servicio de soporte propio de Macy's, y Microsoft ya utilizan este agente para el soporte en línea.

2.La automatización y el análisis de Marketing

El marketing es a menudo el primer departamento en experimentar con nuevas tecnologías, por lo que los servicios de marketing como Adobe Marketing Cloud, Dynamics 365 y Salesforce están comenzando a ofrecer predicciones de aprendizaje automático para todo, desde recomendar productos relacionados a clientes hasta mostrar resultados de búsqueda personalizados, clasificar ventas, advertirle cuando un trato se enfría, y encontrar contactos alternativos en una potencial empresa clienta, sugiriendo incluso cómo y cuándo contactarlos. Después de todo, los modelos predictivos para la rotación de clientes pueden ayudarlo con la previsión y la planificación.

Si su equipo de marketing todavía no está mirando estas herramientas, esta es una buena manera de aplicar el aprendizaje automático directamente a su resultado final. Si lo son, averigüe qué está funcionando y busque otros departamentos que podrían beneficiarse de análisis similares. AXA está utilizando un modelo de aprendizaje automático profundo de TensorFlow con 70 variables para predecir qué clientes tienen accidentes que le costarán a la aseguradora más de 10 mil dólares, para que así sea capaz de optimizar los precios de las políticas. Los modelos más antiguos no eran lo suficientemente precisos como para ser útiles, pero ahora que la precisión de la predicción ha mejorado de 40 a 78% sería bueno tenerla en cuenta al momento de dirigirse a clientes potenciales.

3. Detección de fraude

Descubrir transacciones fraudulentas y anómalas es un problema clásico del análisis de datos, pero si lo hace a gran escala, el aprendizaje automático podría ayudarlo a detectar actividades problemáticas, tales como los estafadores que realizan pagos múltiples bajo un límite de activación, nuevos comerciantes que exhiben un comportamiento inusual, y clientes aparentemente legítimos que están conectados a una red de estafadores. Fraud.net utiliza Amazon Machine Learning para entrenar/preparar muchos modelos de aprendizaje automático para que sean capaces de detectar una gama de actividades fraudulentas, en lugar de tratar de crear un único modelo para calificar cada tipo de fraude posible. Cualquier día los comerciantes que protegen podrían enfrentar un centenar de estrategias de fraude diferentes, cada uno con docenas de variaciones.

El aprendizaje automático no solo es útil para detectar el fraude por parte de los clientes existentes -las aseguradoras quieren detectar nuevos solicitantes que planean reclamar un automóvil que se dañó antes de emitir una política. Y no piense solamente en bloquear malas transacciones. La división de crédito de Ford está utilizando herramientas de aprendizaje automático de ZestFinance para predecir la probabilidad de que prestatarios específicos paguen un préstamo, para prestarle a personas con puntajes de crédito más bajos. Con la caída de las ventas de automóviles en los EE. UU (y una disminución ligeramente mayor para Ford), encontrar compradores que de lo contrario serían rechazados, podría ser de gran ayuda para el negocio. El aprendizaje automático lo puede ayudar a informar a los clientes buenos de los riesgos más rápidamente.

4. Planificación de inventario de ERP

La automatización de la cadena de suministro no es nueva, pero el aprendizaje automático lo hace mucho más común. En lugar de solo datos históricos de ventas, el aprendizaje automático le permite usar datos sobre la manera en la que los clientes investigan las compras en línea, el impacto del clima en los hábitos de compra y, otras tendencias internas y externas para gestionar el inventario prediciendo la demanda. Amazon afirma que puede predecir exactamente cuántas camisas de un color y tamaño particular se venderán todos los días, y Target da crédito a los modelos de predicción de aprendizaje automático por el 15-30% de crecimiento en ingresos. El minorista alemán Otto utiliza el aprendizaje automático para predecir qué venderá en los próximos 30 días con un 90% de precisión, reduciendo la cantidad de excedentes en una quinta parte y los retornos en más de dos millones de productos al año. El sistema de compras automatizado ordena 200 mil artículos por mes de proveedores externos, eligiendo los colores y estilos que se predice vender.

5. Planificación de rutas de logística

El problema del vendedor viajero es un dilema clásico de la informática: ¿Cuál es la ruta más corta entre todos los lugares a los que su equipo de ventas necesita ir en un viaje de ida y vuelta? Ya sea para lograr que los vendedores lleguen a los clientes potenciales, las entregas lleguen a los clientes, o elegir la ubicación comercial que atraiga a la mayor cantidad de clientes, la planificación de rutas y viajes tiene un gran impacto en su negocio. Puede usar los servicios de tráfico predictivo en las API de Bing y Google Maps para crear mapas isócronos que le muestren no solo la distancia, sino también el tiempo de viaje, para comparar cuántos clientes podría alcanzar un ingeniero en un viaje de 15 minutos desde varios puntos de partida, o encontrar la mejor hora del día para hacer entregas. (Utilice la vista previa Bing Maps Truck Routing API para obtener rutas para vehículos comerciales y de servicio que son más grandes que el automóvil promedio).

Agregue activadores de localización y seguimiento de activos para crear su propia solución de logística, o hacer que el envío sea más rentable cotizando tasas que reflejen sus costos con precisión, en lugar de perder márgenes por subvaloración o por pérdida de negocios por cotizar demasiado. El gigante de las comunicaciones comerciales, RR Donnelley, utilizó R y Azure Machine Learning Studio para reducir la estimación prudente que evitó que ganara la oferta de carga, combinando datos históricos con variables como el clima, los costos de combustible y las condiciones del mercado para desarrollar un mejor modelo de precios. El sistema automatizado que genera cotizaciones en tiempo real para una ruta determinada es más preciso. La empresa ya está ganando un 4% más que sus ofertas, y espera cuadruplicar el tamaño de su negocio de corretaje de camiones. El mismo tipo de análisis predictivo sería útil para cualquier oferta de contrato en la que tenga suficientes datos para construir un buen modelo.

6. Mantenimiento predictivo de la IoT

Si espera hasta que se rompa la maquinaria para arreglarla, tendrá tiempo de inactividad y clientes infelices; si toma sistemas que no están en línea para realizar tareas de mantenimiento con demasiada frecuencia, reduce sus rendimientos de producción. Cuando ThyssenKrup comenzó a analizar los registros de mantenimiento de los 1,1 millones de ascensores que instala y a los que le da servicios, descubrió que la ventana de mantenimiento podía ser un poco más grande de lo que era. Cuando la compañía usó el Azure IoT Suite de Microsoft para monitorear sensores de forma remota, predecir fallas y prestar servicio preventivo a los equipos, no solo aumentó la satisfacción del cliente solucionando problemas antes de que causaran un colapso; sino que redujeron los costos al solucionar más problemas en la primera visita, y al poder predecir mejor qué piezas de repuesto necesitaban considerar en el inventario. Haga lo mismo con una línea de fabricación y mejorará los rendimientos de producción. De acuerdo con el informe del 2016 de Accenture sobre el IoT industrial, el mantenimiento predictivo podría reducir el costo de las reparaciones programadas en un 12%, los costos de mantenimiento en un 30% y los desgloses hasta en un 70%.

7. El aprendizaje automático para la seguridad

En el complejo mundo de la seguridad, el aprendizaje automático no es una bala de plata, pero puede ayudarlo a detectar ataques que de otro modo podrían perderse en los registros y alertas, desencadenados por actividades normales. A pesar del nombre, Windows Defender Advanced Threat Protection no es un software antivirus, sino un servicio de aprendizaje automático que analiza el comportamiento de las PC en su red que ejecutan Windows 10 Enterprise, y le dice a su equipo de seguridad si un ataque es un proceso malicioso, ingeniería social o un aprovechamiento de documentos. Aún así necesitará profundizar en los registros y manejar las consecuencias, pero las herramientas de seguridad de aprendizaje automático pueden ayudar a reducir el ruido.

8. Imparcialice su reclutamiento

Hay un empuje cada vez mayor por la diversidad en los negocios, pero la forma en que el equipo de reclutamiento describe las ofertas de trabajo puede desanimar a una amplia mezcla de solicitantes. Pruebe el servicio de Textio que usa la inteligencia artificial para marcar la jerga, los clichés, los estereotipos cursi corporativos y otras frases desagradables en las publicaciones de empleo y los correos electrónicos de contratación, para ayudarlo a obtener un grupo más amplio de postulantes. SAP SuccessFactors tiene una herramienta similar.

9. El reconocimiento de imágenes para la seguridad de fabricación

Los sitios de construcción y las líneas de fabricación están llenos de equipos peligrosos si están en las manos equivocadas. Usando cámaras y sensores, puede usar el reconocimiento facial y de imagen para detectar las ocasiones en las que el equipo se utiliza de manera insegura, o por alguien que no haya pasado su entrenamiento de seguridad. Hitachi ha construido un sistema de aprendizaje profundo con el DFKI, el Centro de Investigación Alemana para la Inteligencia Artificial, que usa gafas de rastreo ocular y artículos portátiles. Microsoft probó una solución similar en su conferencia Build utilizando las Azure Functions, Microsoft Cognitive Services y Azure Stack. Probablemente sea difícil crear una solución completa de seguridad en el lugar de trabajo, pero se puede comenzar con aplicaciones para smartphones tales como The Safety Compass, que funciona con Risk Analyst, aprendizaje automático de Intellect SEEC, para permitir que los trabajadores señalen los peligros en un lugar de trabajo, tomando una fotografía y completando los detalles. De esta manera, otros trabajadores recibirán una advertencia cuando se acerquen al peligro.