Cada vez son más las empresas que se interesan por la Inteligencia Artificial y cómo implementar Machine learning en sus procesos. Sólo basta con mirar el histórico de las tendencias en Google para descubrir que mientras la atención hacia el Big Data se ha mantenido en el tiempo, el interés por el término Machine Learning se ha ido incrementando en los tres últimos años. 

Si hace una década la aparición de la telefonía móvil supuso un cambio de paradigma, hoy en día son las posibles aplicaciones de la Inteligencia Artificial las que marcan el paso del devenir tecnológico. Precisamente el propio CEO de Google, Sundar Pichai, explicó que pronto “nos moveremos desde una concepción mobile first a un mundo AI fist en el que veremos enormes oportunidades de mejorar drásticamente”.

Sin embargo, esta tendencia creciente choca con la realidad de muchas empresas cuyo día a día va a un ritmo distinto al de las innovaciones tecnológicas. La principal consecuencia de no implantar machine learning en una etapa temprana es la pérdida de oportunidad respecto a la competencia, sobre todo en ámbitos tan críticos del negocio como son:

- Optimización de procesos

- Personalización de productos y servicios a tu público objetivo

- Detección de nuevas oportunidades de negocio

A la hora de aplicar Machine Learning, muchas compañías se enfrentan a grandes dudas. Principalmente en lo referente al coste que supone adoptar esta tecnología y los beneficios que puede reportarle. Pero ni es tan difícil ni tampoco costoso. Las soluciones de IA son múltiples y una buena forma de empezar son los modelos pre entrenados de Google Cloud Platform que explicaremos en este post.

¿Qué es Machine Learning?

Antes de abordar la cuestión de cómo implementar Machine Learning (ML) en una empresa es necesario saber de qué estamos hablando. El Machine Learning es una de las aplicaciones de la Inteligencia Artificial. Mientras que la IA es un sistema que, a través de algoritmos, consigue emular las funciones cognitivas humanas, el ML se centra en cómo estos sistemas aprenden mediante el análisis de datos.

Los datos son, en efecto, la clave para una buena implantación de estos sistemas. Al mismo tiempo, son también la principal dificultad a la que se enfrentan las empresas que quieren aplicar Machine Learning en sus procesos, debido a:

- Volumen de datos. Para que los modelos Machine Learning sean efectivos, necesitan gran cantidad de datos para evaluar, ya que estos serán parte esencial de su entrenamiento.

- Calidad de los datos. El volumen es importante para el entrenamiento, sin embargo la precisión del modelo que se desarrolle dependerá de cómo de valiosos sean los datos sometidos al entrenamiento. En este sentido se puede hacer un paralelismo con nuestro aprendizaje en la etapa infantil: podemos tener muchos ejemplos de comportamiento adulto, pero si estos son de malos hábitos, en el futuro se repetirán esas prácticas viciadas.

- Fuente de los datos. A la hora de implantar Machine Learning tenemos que asegurarnos de que la forma en que se obtuvieron los datos cumple con las normativas y leyes en materia de protección de la privacidad.

El cambio de paradigma introducido por el Machine Learning radica sobre todo en la forma en la que se construye. Antes había un equipo de programadores escribiendo líneas de código previendo todos las reglas de negocio posibles. Ahora hay un equipo de trabajo que entrena un modelo ML a partir de datos etiquetados como buenos o malos. El resultado es un modelo entrenado que recibe inputs y da outputs en función de lo que ha aprendido.

Cómo implementar Machine Learning

Una vez que tengamos asegurados los datos, lo siguiente que tenemos que plantear es qué conocimientos o aplicaciones prácticas queremos conseguir con la adopción del Machine Learning. Este aspecto es crucial, pues dependiendo de la necesidad específica del negocio se optará por alguna de las diferentes soluciones que existen en el mercado.

En los proceso de implementación que llevamos a cabo desde Emergya, esta primera fase es definitoria. Acompañamos al cliente en un brainstorming para detectar tanto sus expectativas como sus necesidades reales y ofrecer así el modelo más idóneo.

En efecto, hay tres fórmulas para implementar Machine Learning en una empresa:

- Solución personalizada. Este opción suele ser la más precisa, pero requiere una gran cantidad de datos y definir la algoritmia de nuestro modelo de Machine Learning, lo que incrementa el precio.

- Modelos pre entrenados. Google posee una biblioteca de recursos propios abierta a cualquier empresa. En el IA hub de Google puedes encontrar modelos que han sido entrenados para identificar personas, para traducciones, construir asistentes, etc.

- Solución mixta, en la que los modelos pre entrenados se personalizan y se ajustan a la necesidad concreta de la empresa.

Los modelos pre entrenados suelen ser la opción más rápida para aquellas empresas que quieren dar el primer paso para la implantación del Machine Learning porque no requiere disponer de datos previos para entrenar el modelo

Modelos pre entrenados: el hub de Google

El hub de google es un compendio de recursos de Inteligencia Artificial que van desde tutoriales y guías a flujos de procesamiento, algoritmos y otros componentes de Machine Learning. La clave de este repositorio es que no necesitan ser configurados sino que están listos para ser conectados y comenzar a funcionar.

En este hub, Google pone a disposición de las empresas todo el contenido público que posee sobre Inteligencia Artificial de Cloud. Pero al mismo tiempo, establece un espacio privado que es accesible únicamente para las personas autorizadas de una empresa.

Una forma de agrupar los modelos de aprendizaje automático del hub de Google es por la función a la que están enfocados. Así, encontramos APIs relacionados con la función vista, con el idioma, la conversación y los datos estructurados.

Vista

Principalmente destacan dos APIs:

Vision. Entre otros, clasifica imágenes por categorías y discrimina entre objetos y personas. También extrae textos, entidades y reconoce emociones.

Video Intelligence. Obtiene los metadatos de los clips, detecta objetos y personas, separa la señal del ruido...

Idioma

Más allá del modelo para traducciones, otra de las API disponibles es la de procesador del lenguaje natural (NLP) que permite identificar matices semánticos y de estados de ánimo.

Conversación

Son modelos orientados interacción humano máquina, entre los que encontramos:

Dialogflow, dedicado a construir interfaces conversacionales, es el modelo pre entrenado más conocido de esta función.

Speech-to-text. No sólo es capaz de transcribir un audio sino que, según la codificación del mismo, es capaz de reconocer la existencia de dos o más voces.

Text-to-speech. Codifica un texto en voz añadiendo pausas, números, formatos de texto e instrucciones de pronunciación. En este modelo se basan los sistemas de accesibilidad.

Datos Estructurados

A diferencia de los modelos que procesan datos como imágenes o conversaciones (desestructurados) existe otro grupo de APIs que están desarrolladas para interpretar datos estructurados.

Estos inputs aparecen asociados a determinadas etiquetas con lo que es posible buscar patrones para poder realizar predicciones. Ésa es la principal función de Inference API que a partir de series de análisis temporales puede ofrecer pronósticos y probabilidades.

Acompañamiento en la implementación

Los modelos pre entrenados de Google son un modo de implementar Machine Learning de una forma rápida, pero puede entrañar dificultad a aquellas empresas que no tienen suficiente experiencia en el uso de estas herramientas.

Sin duda se trata de una buena solución para introducir a un negocio en la Inteligencia Artificial, pero para poder obtener buenos resultados y hacerlo pronto, es recomendable ir de la mano de una compañía que pueda ponerlo en producción de la forma más eficiente posible. Sólo entonces los modelos pre entrenados se convertirán en verdaderos aceleradores del negocio.