El machine learning (ML) (subcampo de la inteligencia artificial [IA] en el que las máquinas aprenden de los conjuntos de datos y las experiencias pasadas al reconocer patrones y generar predicciones) es un sector mundial de 21 000 millones de dólares que se prevé que se convierta en uno de 209 000 millones de dólares (enlace externo a ibm.com ) en 2029. He aquí algunas aplicaciones reales del machine learning que han pasado a formar parte de nuestra vida cotidiana.
Según Forbes (enlace externo a ibm.com), los equipos de marketing y ventas priorizan la IA y el ML más que cualquier otro departamento empresarial. Los profesionales del marketing utilizan el ML para la generación de clientes potenciales, el análisis de datos, las búsquedas en línea y la optimización de motores de búsqueda (SEO). Por ejemplo, muchos lo utilizan para contactar con usuarios que se dejan productos en el carrito o salen de su sitio web.
Los algoritmos de ML y la ciencia de datos constituyen la forma en que los motores de recomendación de sitios como Amazon, Netflix y StitchFix hacen recomendaciones basadas en los gustos, la navegación y el historial de compras de un usuario. El ML también ayuda a impulsar iniciativas de marketing personalizadas al identificar las ofertas que podrían satisfacer los intereses de un cliente específico. A continuación, puede adaptar los materiales de marketing a esos intereses. El ML también ofrece la posibilidad de monitorizar de cerca una campaña comprobando las tasas de apertura y clics, entre otras métricas.
ML no sólo es capaz de entender lo que dicen los clientes, sino que también comprende su tono y puede dirigirlos a los agentes de servicio de atención al cliente adecuados para que les presten asistencia. Las consultas por voz utilizan el procesamiento del lenguaje natural (PLN) y el análisis de sentimientos para el reconocimiento del habla.
Las consultas basadas en texto suelen ser atendidas por chatbots, agentes virtuales que la mayoría de las empresas ofrecen en sus sitios de comercio electrónico. Estos chatbots garantizan que los clientes no tengan que esperar, e incluso un gran número de clientes simultáneos pueden obtener atención inmediata las 24 horas del día y, con suerte, una experiencia de cliente más positiva. Un banco que utilizaba un sistema watsonx Assistant para el servicio de atención al cliente descubrió que el chatbot respondía al 96 % de todas las preguntas de los clientes correctamente, con rapidez, coherencia y en varios idiomas.
Las empresas utilizan el ML para monitorizar las redes sociales y otras actividades en busca de respuestas y reseñas de los clientes. El ML también ayuda a las empresas a prever y reducir la pérdida de clientes (el ritmo al que una empresa pierde clientes), un uso muy extendido de los macrodatos.
Se trata de ML que impulsa las tareas realizadas por los asistentes personales virtuales o asistentes de voz, como Alexa de Amazon y Siri de Apple. Esta comunicación puede implicar reconocimiento de voz, conversión de voz a texto, PLN o conversión de texto a voz. Cuando alguien hace una pregunta a un asistente virtual, el ML busca la respuesta o recuerda preguntas similares que la persona haya hecho antes.
El ML también está detrás de los bots de mensajería, como los que utilizan Facebook Messenger y Slack. En Facebook Messenger, el ML impulsa los chatbots de servicio al cliente. Las empresas instalan allí chatbots para garantizar respuestas rápidas, ofrecer carruseles de imágenes y botones de llamada a la acción, ayudar a los clientes a encontrar opciones cercanas o rastrear envíos, y permitir compras seguras. Facebook también utiliza el ML para monitorizar los chats de Messenger en busca de estafas o contactos no deseados, como cuando un adulto envía una gran cantidad de solicitudes de amistad o mensajes a personas menores de 18 años.
En Slack, el ML permite el procesamiento de vídeo, la transcripción y el subtitulado en directo que se puede buscar fácilmente por palabra clave e incluso ayuda a predecir la posible rotación de empleados. Algunas empresas también crean chatbots en Slack, utilizando el ML para responder a preguntas y solicitudes.
Los algoritmos de ML de Gmail de Google automatizan el filtrado del correo electrónico de los clientes en las categorías Primario, Social y Promociones, al tiempo que detectan y redirigen el spam a una carpeta de correo no deseado. Más allá de las "reglas" de las aplicaciones de correo electrónico, las herramientas de ML también pueden automatizar la gestión del correo electrónico clasificando los mensajes para dirigirlos a las personas adecuadas para una acción más rápida, moviendo los archivos adjuntos al lugar correcto, etc. Por ejemplo, las herramientas de automatización de la gestión de correo electrónico como Levity (enlace externo a ibm.com) utilizan ML para identificar y categorizar los correos electrónicos a medida que llegan utilizando algoritmos de clasificación de texto. Esto le permite elaborar respuestas personalizadas en función de la categoría, lo que ahorra tiempo, y dicha personalización puede ayudar a mejorar su tasa de conversión.
Hay cuatro formas de utilizar el ML en la ciberseguridad:
El ML y el deep learning se utilizan ampliamente en el sector bancario, por ejemplo, en la detección del fraude. Los bancos y otras instituciones financieras entrenan modelos de ML para reconocer transacciones sospechosas en línea y otras transacciones atípicas que requieran una investigación más profunda. Los bancos y otros prestamistas utilizan algoritmos de clasificación ML y modelos predictivos para determinar a quién ofrecerán préstamos.
Muchas transacciones bursátiles utilizan el ML. La IA y el ML utilizan décadas de datos bursátiles para predecir tendencias y sugerir si comprar o vender. El ML también puede llevar a cabo operaciones algorítmicas sin intervención humana. Entre el 60 y el 73 % de las transacciones bursátiles (enlace externo a ibm.com) se realizan mediante algoritmos que pueden operar a gran volumen y velocidad. Los algoritmos de ML pueden predecir patrones, mejorar la precisión, reducir los costes y disminuir el riesgo de error humano.
La organización tecnológica sin ánimo de lucro Change Machine trabajó con IBM para crear un motor de recomendación impulsado por IA utilizando IBM Cloud Pak for Data que ayuda a los asesores financieros a encontrar los productos fintech más adecuados para los objetivos de sus clientes. "La colaboración con IBM nos enseñó a aprovechar nuestros datos de nuevas formas y a construir un marco para crear y gestionar modelos de machine learning", afirma David Bautista, Director de Desarrollo de Productos de Change Machine.
Los avances en ML permitieron entrenar a las máquinas en el reconocimiento de patrones, que ahora se utiliza a veces en imágenes radiológicas. La computer vision basada en IA (enlace externo a ibm.com) se utiliza a menudo para analizar mamografías y para la detección precoz del cáncer de pulmón. Los médicos que evalúan las mamografías para detectar el cáncer de mama pasan por alto el 40 %(enlace externo a ibm.com) de los cánceres, y el ML puede mejorar esa cifra. El ML también se entrena y utiliza para clasificar tumores, encontrar fracturas óseas difíciles de ver con el ojo humano y detectar trastornos neurológicos.
El ML se utiliza a veces para examinar los historiales médicos y los resultados de los pacientes con el fin de crear nuevos planes de tratamiento. En la investigación genética, la modificación de genes y la secuenciación del genoma, el ML se utiliza para identificar cómo influyen los genes en la salud. El ML puede identificar marcadores genéticos y genes que responderán o no a un tratamiento o fármaco específico y que pueden causar efectos secundarios importantes en determinadas personas. Estos análisis avanzados pueden conducir a recomendaciones personalizadas de medicación o tratamiento basadas en datos.
El descubrimiento y la fabricación de nuevos medicamentos, que tradicionalmente pasan por pruebas complicadas, costosas y que requieren mucho tiempo, pueden acelerarse utilizando el ML. Pfizer (enlace externo a ibm.com) utiliza las capacidades de ML de IBM Watson para elegir a los mejores candidatos para los ensayos clínicos en su investigación de inmunooncología. Geisinger Health System utiliza IA y ML en sus datos clínicos para ayudar a prevenir la mortalidad por sepsis. Trabajan con el equipo de élite de ciencia de datos e IA de IBM para crear modelos que predigan qué pacientes tienen mayor riesgo de sepsis, lo que les ayuda a priorizar la atención, disminuir los ingresos hospitalarios arriesgados y costosos y reducir la tasa de mortalidad por sepsis.
Hoy en día, el ML influye en gran medida en nuestro transporte. Por ejemplo, Google Maps utiliza algoritmos de ML para comprobar las condiciones actuales del tráfico, determinar la ruta más rápida, sugerir lugares para "explorar cerca" y estimar los tiempos de llegada.
Las aplicaciones de viajes compartidos como Uber y Lyft utilizan el ML para emparejar a conductores y pasajeros, fijar precios, examinar el tráfico y, como Google Maps, analizar las condiciones del tráfico en tiempo real para optimizar la ruta de conducción y predecir la hora estimada de llegada.
La computer vision impulsa los coches autónomos. Un algoritmo de ML no supervisado permite a los coches autónomos recopilar datos de cámaras y sensores para comprender lo que ocurre a su alrededor y tomar decisiones en tiempo real sobre las acciones a emprender.
El ML impulsa muchas de las cosas que ocurren con nuestros smartphones. Los algoritmos de ML rigen el reconocimiento facial en el que confiamos para encender nuestros teléfonos. Impulsan los asistentes de voz que programan alarmas y redactan mensajes. Entre ellos están Siri de Apple, Alexa de Amazon, Google Assistant y Cortana de Microsoft, que utilizan el PLN para reconocer lo que decimos y responder adecuadamente.
Las empresas también se benefician del ML en las cámaras de los smartphones. El ML analiza y mejora las fotos mediante clasificadores de imágenes, detecta objetos (o caras) en las imágenes e incluso puede utilizar redes neuronales artificiales para mejorar o ampliar una foto prediciendo lo que hay más allá de sus bordes.
Hoy en día se utiliza mucho el ML en las redes sociales:
La IA también puede ayudar a elaborar estrategias, modernizar, crear y gestionar las aplicaciones existentes, lo que conduce a una mayor eficiencia y crea oportunidades para la innovación. El condado de Sonoma (California) consultó a IBM para poner en contacto a ciudadanos sin hogar con los recursos disponibles en un sistema integrado llamado ACCESS Sonoma. "Gracias a que IBM diseñó esta arquitectura abierta que, literalmente, se podía transferir y trasladar, cargamos 91 000 clientes y los vinculamos a través de cuatro sistemas clave en cuatro meses", afirmó Carolyn Staats, directora de innovación, TI Central del Condado de Sonoma. "Es un plazo asombroso". Colocaron en una vivienda al 35 % de las personas sin hogar, cuatro veces más que la tasa nacional, y en dos años el condado redujo su número de personas sin hogar en un 9 %.
En IBM, combinamos el poder del ML y la IA en IBM watsonx, nuestro nuevo estudio para modelos fundacionales, IA generativa y ML.
watsonx es una plataforma de datos e IA de última generación creada para ayudar a las organizaciones a multiplicar el poder de la IA para empresas. La plataforma cuenta con tres potentes componentes: el estudio watsonx.aipara nuevos modelos fundacionales, IA generativa y ML; el almacén de datos a medida watsonx.data para la flexibilidad de un data lake y el rendimiento de un almacén de datos; y el kit de herramientas watsonx.governance para permitir flujos de trabajo de IA construidos con responsabilidad, transparencia y explicabilidad.
En conjunto, watsonx ofrece a las organizaciones la capacidad de: