Machine Learning está presente en muchos procesos de nuestra vida diaria. Es posible que hayas tenido contacto con soluciones que incluyen Machine Learning y no lo hayas notado, como contacto con buscadores, redes sociales o aplicaciones. Es impotante que aprendas sobre resolución de problemas con Machine Learning, pues tienes la posibilidad de proponer un proyecto interesante en tu trabajo o quizás esta tecnología sea la respuesta que tanto esperabas si decidiste emprender.
Es muy importante definir el problema que quieres resolver con Machine Learning antes de empezar a programar o decidir qué frameworks o librerías funcionan mejor. Es común empezar sin tener claro qué problema resolver, en ocasiones habrá formas más sencillas de solucionar algo o alguien ya pasó por algo similar.
Machine Learning puede ayudarte a automatizar procesos, pero no todos los problemas de automatización requieren aprendizaje.
Cuando resuelvas un problema con Machine Learning es posible que te encuentres con estas 3 etapas:
Este es un paso fundamental para cualquier decisión de negocio que vayas a tomar. En el caso de Machine Learning, es común abrumarse con tantas posibilidades que nos da esta tecnología, solo recuerda que la meta no es implementar Machine Learning sino encontrar una solución para un problema.
Un ejemplo de un problema común, al que de hecho nos hemos enfrentado en Platzi, sucede en el equipo de Soporte a usuarios. Los equipos de atención suelen tener sistemas donde reciben mensajes, que pueden venir de muchos canales, y que pueden tratar asuntos diferentes. Lo ideal es poder darle respuesta primero a los mensajes negativos, pues son de usuarios que están teniendo algún problema, y el simple hecho de tardar en ayudarlos puede agravar la situación. ¿Cómo puede un sistema determinar si un mensaje es negativo?
Lo anterior es un problema de clasificación, que pretende identificar a qué categoría pertenece un objeto o una instancia. Piensa entonces en el tipo de mensajes negativos que puede recibir una empresa y cómo podrías saber si son negativos. Este es el proceso que tendrá que replicar el algoritmo de Machine Learning, para encontrar patrones en los mensajes y luego poder decir si un mensaje nuevo es negativo.
Los métodos de Machine Learning (aún) no son 100% precisos, así que es importante saber si para el problema que intentas resolver está bien tener 80% o 90% de efectividad, e incluso si esto no fuera aceptable, es posible combinar análisis manual con tecnología con el fin de lograr mejores resultados. Ten en cuenta que si aplicas Machine Learning el método solo tendrá a su disposición los datos que proveas, y no puede considerar ningún tipo de cambio.
Siguiendo con el ejemplo del problema de clasificación en el equipo de Soporte, para empezar a aplicar un método de Machine Learning que permita identificar los mensajes negativos necesitaríamos tener una cantidad de mensajes previamente etiquetados para que el algoritmo pueda encontrar patrones y predecir cuáles de los mensajes entrantes son negativos.
Una métrica que es importante considerar en este caso es la exactitud de los datos. Considera que si el 90% son mensajes positivos, el algoritmo podría tener 90% de exactitud simplemente clasificando todo como positivo. Por otro lado, si el porcentaje de mensajes negativos en los datos iniciales es muy pequeño va a ser muy difícil construir un sistema con alta precisión a partir de eso, y quizás no vale la pena.
Una vez decides que vas a integrar Machine Learning a algún proceso o equipo debes tener en cuenta lo que esto implica:
Piensa si estos cambios valen la pena por el resultado que vas a obtener. Por definición, los métodos de Machine Learning pretenden optimizar procesos, pero si al implementarlos vas a generar procesos más complejos para algo que no genere suficiente impacto quizás vale la pena replantear la idea. Por otro lado, si al comienzo implica modificaciones fuertes pero al final vas a mejorar sustancialmente, no le tengas miedo a ese momento de incertidumbre que producen los cambios en una empresa, es cuando muchos desertan y pierden la oportunidad de crecer.
Lee también: Machine Learning vs. Deep Learning
Si quieres empezar a aprender sobre Machine Learning te recomiendo el curso introductorio de Platzi, para el que no necesitas conocimientos previos. Si ya tienes las bases te invito a conocer sobre los diferentes frameworks y librerías con las que puedes trabajar, y si quieres poner manos a la obra mira todo el contenido sobre Machine Learning e Inteligencia Artificial que tenemos para ti.
