Machine learning como ventaja competitiva

Es la hora de las empresas con algoritmos inteligentes - Cinco DíasMarimar Jiménez, de Cinco Días, me envió algunas preguntas por correo electrónico para documentar un artículo sobre las ventajas competitivas que puede suponer el machine learning para las compañías, artículo que publicó ayer viernes bajo el título «Es la hora de las empresas con algoritmos inteligentes» (pdf).

Machine learning es, ante todo, un conjunto de herramientas que permiten que una máquina aprenda de manera iterativa de unos datos y sea capaz de desarrollar modelos de forma automatizada, modelos que no han sido específicamente programados por una persona. La herramienta, como tal, tiene suficiente capacidad de disrupción en la forma en la que hacemos muchas cosas como para convertirse en una ventaja competitiva: dado que los algoritmos que se desarrollan se adaptan a los datos y terminan por generar mejores predicciones y resultados que los desarrollados por personas, la compañía que utiliza machine learning obtiene de ello una mayor eficiencia, mejores prestaciones, más agilidad o funciones que antes podían resultar imposibles de obtener.

Pero como herramienta, el machine learning no es algo que se pueda «comprar e instalar», porque depende de los datos, de su calidad y de su accesibilidad, y requiere por ello toda una orientación al dato, una «data-centricidad» que, para muchas compañías, se antoja aún una quimera, un imposible. Una gran parte de lo que hoy se pretende que es el machine learning está compuesto de expectativas hiper-infladas, de promesas incumplidas y de esperanzas irreales de compañías que pagan por una herramienta y creen que va a convertirlas en la empresa del futuro, cuando la realidad es que simplemente el desarrollo de procedimientos que permitan la obtención y la preparación de los datos se convierte en un trabajo enormemente complejo, que no está al alcance de cualquiera. Como sucede con todas las herramientas, el machine learning se encuentra ahora ante una epidemia de desinformación que pretende que una compañía puede desarrollar poco menos que robots asesinos, cuando la realidad es muy diferente y, sobre todo, mucho más pragmática. Solo aquellas compañías que sean capaces de orientarse a la generación y proceso de datos serán capaces de recoger los frutos del machine learning y convertirlos en verdaderas ventajas competitivas.

A continuación, las preguntas y respuestas que crucé con Marimar:

 

P. ¿Estás de acuerdo en que los datos se han convertido en el principal activo de las compañías? ¿Por qué? Resulta curioso ver cómo empresas como General Electric o Siemens se autodefinen hoy como empresas de datos. ¿Qué está pasando?

R. Los datos permiten obtener la ventaja competitiva en el nuevo planteamiento de los negocios en torno al machine learning. Solo las empresas que sean capaces de obtener y mantener algoritmos más inteligentes y potentes que sus competidores estarán aquí la próxima década, y lo fundamental para obtener esos algoritmos es tener datos con los que alimentarlos. Es algo que llevamos diciendo mucho tiempo ya: si no orientas tu negocio a los datos, maximizando tu intensidad informativa y trabajando con arreglo a tu nivel de permiso, aparecerá otra compañía que sí sea capaz de hacerlo y que proporcione a sus usuarios mejores productos y servicios que tú. Los datos se convierten en el combustible que alimenta el motor de tus algoritmos, pero con los datos no sirve: hay que saber definir los objetivos, prepararlos, transformarlos, construir modelos, evaluaciones, predicciones… orientar la compañía a los datos es solo un primer paso, y los subsiguientes no son tan sencillos o triviales como muchos pretenden vender.

P. Se habla de big data, de analítica de datos, de machine learning, todo como piezas de un mismo puzzle. ¿Es el aprendizaje automático the next big thing? ¿Cómo va a impactar (o está impactando ya) en los negocios? ¿qué podemos esperar de los algoritmos aplicados a los negocios?

R. Hace ya mucho tiempo que el machine learning es the next big thing, lo puedes ver simplemente viendo la evolución de las etiquetas relacionadas en mi página: desde hace un par de años, no paro de hablar del tema y de sus aplicaciones, las compañías que se dedican a ello están siendo objeto de adquisiciones importantísimas, y los gigantes de la red como Google, Amazon, Facebook, Apple o Microsoft están reorientando todas sus estrategias en torno al tema. Hemos pasado de ver a un algoritmo como algo con más capacidad de cálculo, más fuerza bruta matemática que una persona (cuando Deep Blue ganó a Kasparov) a verlo como algo capaz de entender el lenguaje humano mejor que muchas personas (Watson ganando al Jeopardy), capaz de hacer cosas que un humano nunca había hecho gracias al deep learning (AlphaGo ganando a los campeones mundiales de Go) o incluso, a tomar decisiones mejor que un humano en situaciones de información imperfecta (Libratus ganando al póker). La cuestión no es ya que una máquina pueda llegar a hacer lo que hace una persona, sino que, además, lo hace muchísimo mejor. En todo entorno competitivo, quien no sepa extraer partido de algo así, desaparecerá.

P. El profesor de UC Berkeley y experto en aprendizaje automático, Michael I. Jordan, asegura que más y más datos aumenta la probabilidad de hacer conexiones falsas. ¿Será esto un handicap para el avance de la economía de los datos, y cómo puede evitarse?

R. Todo correlaciona con todo dadas las circunstancias adecuadas. Pero precisamente ese es el ámbito en el que el machine learning destaca: se pueden evaluar muchos algoritmos en función de los resultados obtenidos, y aplicar procesos de mejora para que esos resultados sean cada vez mejores. Los algoritmos analizan datos y extraen reglas que permiten generar predicciones, detectar excepciones, aislar patrones… a medida que alimentamos a los algoritmos con más datos, mejoran en esas capacidades, y permiten incluso ponerlos a inventar nuevas situaciones hipotéticas que no han ocurrido anteriormente, a «jugar contra sí mismos» para mejorar los resultados obtenidos. Los datos se obtienen en escenarios de todo tipo, y son aplicados a todo el sistema: cada vehículo autónomo que conduce por un lugar determinado aporta datos que sirven para toda la flota, y los algoritmos son capaces, además, de aprender jugando a juegos como el Grand Theft Auto para generar nuevas situaciones que no se darían en conducción real. Lo importante es entender el proceso: no se trata de sistemas de reglas o de menus, de programación al uso: el machine learning permite posibilidades que sobrepasan aquello para lo que creíamos que era un ordenador.

P. ¿Cuáles son los retos a los que se enfrentan las corporaciones en esta nueva economía, tanto desde el punto de vista tecnológico como cultural o de otro tipo?

R. En este momento, los retos están en orientar la compañía a la generación de datos que puedan ser analizados. Si lo único que generas cuando vendes un producto es eso, una venta, y no tienes más datos ni sobre quién lo compró, ni sus características, ni la evaluación del producto, ni su uso, ni nada, cualquiera que pueda llevar a cabo tu negocio en un entorno más rico en datos superará tus posibilidades muy rápidamente, hará mejores predicciones y convertirá su oferta en más competitiva que la tuya. Pero además de obtener datos (todos pensamos que los tenemos, pero no es así), hay que desarrollar las capacidades para su explotación. Las compañías tienen personas que hacen medias, medianas y modas, con suerte alguna regresión. Esto va mucho más allá. En Amazon, la intuición humana está prohibida a la hora de tomar decisiones: si tomas una decisión, enséñame los datos que la justifican.

P. ¿Hay empresas que han nacido al calor del big data y del machine learning, que no existirían si no fuera por estas tecnologías? Ponme algún ejemplo. ¿Y alguna empresa tradicional que esté haciendo un uso magistral de los datos?

R. Lo más tangible ahora son las adquisiciones y movimientos en torno a las herramientas: todas las grandes han llevado a cabo adquisiciones cuantiosas de compañías de machine learning, adquisiciones que están entre el acqui-hire (la adquisición para incorporar talento) y la aplicación directa de capacidades a sus procesos. Todas las grandes empresas están posicionándose para incorporar esas capacidades, esos especialistas, y ofrecerles entornos en los que puedan desarrollarse. Estamos viviendo los inicios del mayor cambio que la tecnología ha provocado, con un impacto más importante que el propio desarrollo de internet.

 

 

This post is also available in English in my Medium page, “Machine learning as a competitive advantage» 

 

4 comentarios

  • #001
    JJ - 1 julio 2017 - 15:34

    Hablando de que en Amazon la intuición humana está prohibida (si esto es cierto, seguramente no están exentos de peligros), hay una entrevista a Bezos de hace 18 años en la que se puede ver como él ya tenía claro en aquellas épocas la importancia del machine learning (que estaba en estado incipiente).

    Entrevista a Jeff Bezos

    Lástima que un hombre tan inteligente y tan rico luego haya sido elegido como el peor jefe del mundo…

    • Garepubaro - 1 julio 2017 - 18:16

      Hombre con la intuición humana, se llega a conducir una bici, un coche turismo … pero cuando se quiere ir rápido, formula uno, ir a mas de 250 km/h la conducción intuitiva deja de funcionar y tiene que aprender a doblar el volante, adelantar con unos métodos conducción anti intiutiva … lo mismo en natación, si aprende a nadar y nada con el movimiento intuitivo del cuerpo jamas podrá competir en velocidad con los campeones que no nadan haciendo los movimientos intuitivos sino unos métodos aprendidos, y que se tarda meses en coger la técnica bien

  • #003
    Gorki - 1 julio 2017 - 16:19

    requiere por ello toda una orientación al dato, una “data-centricidad” que, para muchas compañías, se antoja aún una quimera, un imposible.

    Una gran realidad, la «machine learning» precisa se un auténtico torrente de datos para aprender, Datos que antes de que ella funcione, nadie se preocupa en recaudar, porque ¿para qué?.

    Como no hay datos, machine learning no contesta acertado y como no sabe contestar, nadie se preocupa de suministrarla datos.

    Esto pasa en todos los lados, incluso le pasa a IBM con su superordenador dedicado a los pronósticos médicos. https://www.technologyreview.es/s/8060/ibm-necesita-una-dosis-de-realidad-sobre-el-potencial-de-watson

    ¿Cómo romper ese círculo vicioso?.

  • #004
    Electronicum - 2 julio 2017 - 22:32

    Me parece tan interesante como peligroso. Apple intentan hacer algo parecido y de momento hemos observado que es necesario mucho tiempo para poder perfeccionar estas tecnicas. Quizas en algunos iphones o Macbook futuros lo veremos antes que en las maquinas.

Dejar un Comentario a Electronicum

Los comentarios están cerrados