Artículo

¿Qué es el machine learning y para qué sirve?

Por Douglas da Silva, Web Content & SEO Associate, LATAM

Publicado 11 agosto 2020
Última actualización en 12 noviembre 2020

Machine learning es un término utilizado en el ámbito de la Inteligencia Artificial y que cada día tiene más incidencia en los servicios de atención al cliente de las empresas. El machine learning es la manera en que aprenden los sistemas a partir de los datos introducidos. El objetivo de estos sistemas es mejorar de forma autónoma con el tiempo sin la intervención humana.

La inteligencia artificial desde hace tiempo ha ido ganando terreno en las aplicaciones más usadas en la actualidad, con el objetivo de brindar una experiencia personalizada a cada usuario. Plataformas como Netflix, Youtube, Facebook, Instagram -por nombrar algunas- utilizan machine learning para recomendarnos series que nos pueden interesar, viajes y estadías en lugares o salones de comida acordes a nuestros gustos.

El machine learning refiere a cómo el sistema organiza y utiliza los datos ingresados para aprender de ellos y tomar una decisión basada en éstos. En otras palabras, se trata de una forma analítica de dar resolución a incidencias por medio de la identificación y la clasificación de las mismas y de un mecanismo de predicción. En este sentido, los algoritmos aprenden de los datos que introducimos y usan este conocimiento para realizar inferencias acerca de nuevos datos.

En este artículo encontrarás una guía completa para comprender mejor qué es el machine learning, cuándo surgió, los distintos tipos que existen y la diferencia entre machine learning y deep learning. Además veremos por qué este sistema puede ser útil para gestionar tus ventas y las relaciones con tus clientes. Pero antes empecemos con un poco de historia!

Machine learning: Los comienzos

A mediados de los años ‘50, el término Inteligencia Artificial (IA) surgió de la boca de John McCarthy enunciado por primera vez durante la conferencia de Darmouth y a partir de ahí inspiró novelas de ciencia ficción y de pronósticos relacionados a la superación de los humanos por parte de las máquinas. Pero no fue hasta mediados de la década del 70 que se realizaron avances significativos para el desarrollo de esta tecnología en la actualidad.

La construcción de la IA se enfocó -a partir de los años 70- en la psicología de la memoria y en los mecanismos de comprensión, lo que se buscó simular en computadores y en el conocimiento del razonamiento. Así se fue consolidando el desarrollo de los conocidos como “sistemas expertos” o algoritmos, a través de la utilización de técnicas de representación semántica de los conocimientos. 

La IA tiene por objetivo la simulación con máquinas de las distintas facultades de la inteligencia humana. Esta disciplina científica se basa en la idea de que todas las funciones cognitivas, en especial el aprendizaje y el razonamiento, pueden describirse de manera tal que sería posible programar una computadora para reproducirlas. Las películas “Yo, Robot” e “Inteligencia Artificial” nos pueden ayudar a graficar mejor cuáles son las posibilidades que brinda y los alcances que puede lograr esta tecnología.

Machine Learning o aprendizaje automático/de máquina es un sistema que puede buscar e identificar patrones complejos en millones de datos y permite a los ordenadores acumular conocimientos y programarse automáticamente a partir de sus propias experiencias. Ésta es la principal característica del machine learning: poder adquirir nuevos conocimientos a partir de cada experiencia para la toma de decisiones en el futuro.

Una clasificación de diferentes tipos de machine learning 

Tipos de machine learning

En la actualidad se lograron desarrollar diferentes tipos de machine learning, a saber:

  • Aprendizaje Supervisado (Supervised learning)
  • Aprendizaje No Supervisado (Unsupervised learning)
  • Aprendizaje por Refuerzo (Reinforcement learning)

La diferencia entre estos tres tipos de machine learning se encuentra en cuántos datos y programación necesitan para funcionar y reprogramarse para la tomas de decisiones.

En el Aprendizaje Supervisado utilizamos información (dataset) de entrenamiento. Es decir, el sistema necesita que inicialmente se ingresen una gran cantidad de datos y etiquetas (Labels) de los cuales aprenderá a reconocer las características y clasificarlas dentro de paradigmas. Es decir, se entrena al sistema dándole muchos ejemplos y, a partir de eso, éste puede hacer abstracciones para reconocer y clasificar los nuevos casos.

Por ejemplo, para saber si en una imagen tenemos una mesa o una silla, entrenamos a nuestro modelo con miles de imágenes y le decimos cuáles son de mesas y cuáles son de sillas (labels). Después de muchos ejemplos, dada una nueva imagen (sin labels), nuestro modelo podrá determinar si se trata de una mesa o una silla. A este problema se le llama clasificación. Otro ejemplo es predecir un valor continuo. Teniendo el código postal, el tamaño y el número de habitaciones de una vivienda, se podría predecir cuál será su valor. A este problema le llamamos regresión

En el caso de Aprendizaje No Supervisado, se le ingresan al sistema una gran cantidad de datos pero no se les asigna valores. El modelo determinará una manera de clasificarlos “no supervisada” por un humano y cuando se ingrese nueva información, el sistema recurrirá a esta clasificación para la toma de decisiones. Este sistema tiene el objetivo de comprender y abstraer los patrones de la información directamente. Por ejemplo, un modelo de la plataforma Airbnb puede recibir las ubicaciones de las casas o alojamientos y determinar cómo separarlas en grupos.

Por último, con el Aprendizaje por Refuerzo estamos ante una técnica nuestros modelos aprenden a partir de la experiencia, a través de un sistema similar al método conductista de premios y castigos elaborado por B.F Skinner. A partir de sus premios y castigos, el sistema va aprendiendo interpretar los datos y mejorar su función. Es una técnica de prueba y error que necesita realizar muchas experiencias para su correcta optimización. A diferencia de los otros métodos, éste no necesita que se ingresen gran cantidad de datos desde el principio. Actualmente se están realizando muchas investigaciones en esta prometedora técnica de machine learning.

La importancia del machine learning para las empresas

La importancia de la utilización del machine learning en una empresa encuentra su máximo exponente en los soportes técnicos y los servicios de atención a los clientes. En tiempos donde las consultas de los usuarios pueden llegar desde distintos canales, el machine learning puede administrar esos datos de una manera eficiente, compararlos, clasificarlos y brindar una solución mucho más rápida de lo que normalmente tomaría un abordaje manual de determinadas incidencias.

Por ejemplo, empresas como Zendesk han desarrollado aplicaciones basadas en machine learning destinadas al servicio al cliente y de esta manera lograron proporcionar un mayor nivel de comodidad para los consumidores y eficiencia para los agentes de soporte, al mismo tiempo. Si te interesa saber más acerca de cómo mejorar la experiencia de los clientes con el machine learning te invitamos a leer este artículo.

En relación a las proyecciones a futuro, Gartner predice para el 2021 que el 15% de las interacciones que se realicen en el servicio al cliente serán manejadas por inteligencia artificial, optimizando recursos humanos y alcanzando un mayor rendimiento de los agentes de atención. 

Por otro lado, las empresas que ya utilizan la IA tienen grandes expectativas respecto de las posibilidades que brinda esta tecnología. Según MIT Technology Review, alrededor del 50% de las empresas que ya utiliza sistemas con machine learning espera tener más visión, mientras que el 40% espera poder mejorar sus productos a partir de los análisis de datos. 

Aplicaciones concretas del machine learning en empresas

Los datos históricos del conjunto de los clientes debidamente organizados y tratados en bloque generan una base de datos que se puede explotar para predecir futuros comportamientos, favorecer aquellos que mejoran los objetivos de negocio y evitar aquellos que son perjudiciales. 

Veamos un ejemplo de aplicaciones de machine learning que nos ayude a comprender la importancia de esta tecnología:

Una empresa de internet por fibra óptica necesita conocer qué clientes están pensando en darse de baja de sus servicios para iniciar acciones comerciales estratégicas que eviten que se vayan a la competencia. La pregunta sería: ¿cómo puede hacerlo? La compañía tiene muchos datos de los clientes en su poder (antigüedad, planes contratados, consumo diario, reclamos  al servicio de atención al cliente, etc) pero seguramente los usa solo para facturar y para estadísticas internas. ¿Qué más podría hacer con esos datos? 

Los datos son útiles para predecir cuándo un cliente va a dejar de hacer negocios con nosotros y gestionar la mejor acción posible que lo evite. El Machine Learning nos permite anticipar, mejorar y resolver la experiencia de compra de nuestra empresa. Nos permite dejar de ser reactivos frente a los comportamientos de los clientes para ser proactivos, y brindar un servicio y atención personalizados. 

Si bien aún quedan muchos avances por realizar, el machine learning dio origen a aplicaciones como Chatbots que pueden simular conversaciones con los clientes y trabajar de manera conjunta con los agentes de servicio de atención.

El futuro del machine learning: algunos experimentos que sentaron precedentes

A continuación te mostramos dos ejemplos de machine learning puestos al servicio de la innovación y de la experimentación en un campo de la tecnología que no para de crecer y de darnos sorpresas.

Microsoft yTay (bot)

Hace poco tiempo, en 2016, la empresa Microsoft realizó un experimento de machine learning con un bot de Inteligencia Artificial llamada Tay. A través de la interacción con humanos en la red social Twitter, Tay iba recopilando datos y generando twitteos basados en lo que iba aprendiendo de las personas. 

A modo anecdótico, Microsoft tuvo que retirar a Tay a solo 16 horas de su lanzamiento debido a los Tweets racistas y misóginos que comenzó a publicar.

El primer libro escrito por una Inteligencia Artificial

En 2019, la editorial Springer Nature publicó “Lithium-Ion Batteries: A Machine-Generated Summary of Current Research”, el primer libro creado por una inteligencia artificial. 

El contenido trata de información sobre las baterías de Litio que fue recopilada, seleccionada y ordenada por la misma IA. 

Vale aclarar que en este caso la inteligencia Artificial no generó contenido nuevo para el libro sino que utilizó el machine learning para cumplir su objetivo y componer un texto que aún se encuentra disponible para su descarga y lectura.

Machine learning para dummies: La diferencia entre Machine learning y deep learning

Para comprender la diferencia entre machine learning y deep learning es necesario detenernos un momento y observar cómo funciona el primero. El machine learning aprende a partir de algoritmos de regresión o con árboles de decisión. Esto significa que su funcionamiento es lineal. Por ejemplo, con los árboles de decisión el sistema decide a partir de esquemas preprogramados: “Si responde A, dirigirse a B”.

Por su parte, el Deep Learning es un tipo particular de Machine Learning que no utiliza la misma manera de establecer las conexiones de los datos. El deep learning usa redes neuronales que funcionan de forma muy parecida a las redes neuronales de nuestro cerebro. 

Mejora la experiencia de tus clientes con la inteligencia artificial!

Los avances en cuanto a la inteligencia artificial, el machine learning y el deep learning, están muy lejos aún de los escenarios que se plantean en libros como “Yo, robot” de Isaac Asimov. Del mismo modo, los beneficios que ofrece esta tecnología en el aprovechamiento y procesamiento de los datos introducidos por los clientes, están lejos de haberse descubierto en su totalidad. 

Lo cierto es que cada día existen más interacciones entre dispositivos que funcionan con Inteligencia Artificial y humanos y que este tipo de tecnología vino para quedarse.

Si quieres saber más sobre cómo aprovechar al máximo los datos que ingresan en tu empresa, te invitamos a conocer la herramienta Zendesk Explore que brinda a los negocios análisis que les permiten medir y mejorar la experiencia del cliente, al ofrecer un conocimiento más profundo de tus clientes y de tu negocio.