Cómo surge el machine learning
Ahora hemos abordado el tema de qué es la IA (inteligencia artificial), que fue un tanto alén de los algoritmos de estudio no supervisado que en este momento tiene por nombre estudio automático. Pero, ¿qué ocurrió en el medio? ¿Y qué ha evolucionado la tecnología para llegar al punto en el que estamos el día de hoy?
Si observamos la historia tenemos la posibilidad de realizar 2 enormes adelantos que representaron un umbral para la evolución de la IA (inteligencia artificial).
Hace aparición un nuevo personaje principal
Nos encontramos a inicios del año 2000, Machine Learning aún se está recuperando del largo invierno que padeció y un joven personaje principal está a puntito de mostrarse en escena.
Comenzó a aparecer en 2003 en el momento en que se publicó una investigación sobre un sistema de ficheros distribuido llamado ‘Google plus Archivo System’ (GFS). Y se definirá por último en 2004 en el momento en que Google plus presente un nuevo pensamiento de procesamiento distribuido que va a llamar ‘Map & Disminuye’.
Big Data y Machine Learning aplicado a la compañía
Una compañía de telefonía desea entender qué clientes del servicio están «bajo riesgo» de darse de baja de sus servicios para hacer ocupaciones comerciales que eviten tener que proceder a la compañía. la rivalidad. ¿De qué manera puedes llevarlo a cabo? La compañía tiene bastantes datos de clientes del servicio, varios: antigüedad, proyectos de contrato, consumos diarios, llamadas por mes al servicio de atención al usuario, los últimos cambios en los proyectos de contrato… pero seguramente los emplea solo para facturación y estadísticas. ¿Qué mucho más puedes llevar a cabo con esos datos? Se tienen la posibilidad de emplear para adivinar cuándo un cliente se dará de baja y administrar la mejor acción para evitarlo. Al fin y al cabo, con Machine Learning puedes pasar de ser reactivo a ser proactivo. Los datos históricos de la serie de clientes del servicio, correctamente organizados y procesados en su grupo, desarrollan una banco de información que puede ser explotada para adivinar hábitos futuros, favoreciendo esos que mejoran los objetivos de negocio y eludiendo esos que son dañinos.
Solo una persona no puede investigar esta infinita cantidad de datos para sacar conclusiones y menos para realizar conjeturas. Los algoritmos, por su lado, tienen la posibilidad de advertir patrones de accionar en función de las cambiantes que damos y saber cuáles, en un caso así, provocaron la baja como clientes del servicio. La próxima imagen es un caso de muestra de una predicción simplificada fundamentada en datos de una compañía telefónica falsa, pero empleando una herramienta real de Machine Learning:
