Por Esp. Ing. Rebeca Yuan – para GRUPO CIPI 4.0 – UTN Facultad Regional San Francisco
Cuando hablamos de Industria 4.0 nos referimos a una nueva revolución, donde participan técnicas avanzadas de producción y operaciones que se sostienen a través de distintas tecnologías inteligentes. Dos de los habilitadores tecnológicos de la Industria 4.0 se corresponde a la Inteligencia Artificial y la Ciencia de Datos (habilitadores que van de la mano y por momentos, son uno solo).
La inteligencia artificial, busca a través de distintas herramientas emular el pensamiento y el accionar humano, a través del software y la robótica. Una rama de la inteligencia artificial es el Machine Learning (Aprendizaje Automático, en criollo); como su traducción lo indica, busca aprender en forma autónoma de los datos que le brindamos. Así como el humano necesita ejemplos para ir formando un conocimiento de las cosas, un modelo matemático que las represente (a veces imperceptible) y manejo del error para lograr el aprendizaje; los algoritmos del “aprendizaje automático” trabajan de la misma forma.
Para entender un poco más, veamos este ejemplo. Cuando de pequeños nos enviaban al almacén a comprar pan y como una suerte de reconocimiento te decían: “con el vuelto, podes comprarte caramelos”; nuestros sentidos se activaban. Comenzamos a reconocer los colores de los billetes, los números, el precio del pan y aprendimos también, ¡a restar! he aquí un modelo matemático. A medida que pasaban los días, si se sumaban más productos a la compra, por deducción debían darnos más plata; todos esos ejemplos (o días de compras) hicieron que fuéramos aprendiendo de sumas y restas. ¿Y el error? Cuando no alcanzaba para comprar caramelos o cuando teníamos que volver nuevamente porque no habíamos contado la plata que nos daban. Este ejemplo, que se recuerda con la mufa acaramelada de tener que hacer un mandado y cortar la hora de juego; es un ejemplo de cómo vamos aprendiendo.
Es, bajo este y otros ejemplos más, que un grupo de científicos sentó las bases del aprendizaje automático. Para que un algoritmo logre aprender, es necesario contar con una cierta cantidad de ejemplos (datos), un modelo matemático que represente el problema que quiero solucionar y una herramienta que me permita disminuir el error que se genera mientras se aprende.
¡Todo muy lindo, niña de los vueltos! Pero, ¿Cómo aplico aprendizaje automático en mi organización?
Vamos a comenzar planteando un problema; imaginemos una empresa que hace mucho se encuentra comercializando en el mercado; en un momento, decide desarrollar un nuevo producto. Antes de hacerlo quiere saber cuáles de sus clientes lo comprarán y qué características tienen esos clientes; porque de ellos se desprende el volumen de producción, recursos destinados, costos de publicidad y otros índices representativos para la toma de decisiones.
En primer lugar, debemos analizar los datos con los que cuenta la empresa, nombre de cliente, domicilio y ubicación, tipo de producto que compró, precio del producto, modalidad de pago, fecha de compra; en otras palabras, esa base de datos que se obtiene de los sistemas administrativos (algunas tablas en Excel también encontramos). A estos datos se le pueden anexar otras bases que enriquezcan el análisis del momento en que se realizó la compra, por ejemplo.
Una vez obtenida una base de datos balanceada (ejemplos) es posible aplicar un modelo matemático para clasificar y distinguir aquellos clientes que posiblemente compren el producto de los que no lo harían. Para ello recurrimos a alguna herramienta de aprendizaje automático que, al trabajar con datos categóricos, que nos ayude a la clasificación (árbol de decisión, clasificador bayesiano, regresión lineal, redes neuronales, por nombrar algunas). Para asegurar la calidad de respuesta, cada algoritmo tiene un tratamiento particular del error, asociado a la herramienta.
El resultado que obtenemos es una clasificación de nuestros clientes; el algoritmo aprendió sobre los datos y ahora distingue que clientes comprarán el nuevo producto, e intrínsecamente todas las características que definen a los mismos. Ante un “nuevo” potencial cliente (nuevo ejemplo), el algoritmo logra clasificar a qué clase pertenece: Compra o No Compra. Esta información hace que pueda contar con conocimiento para las decisiones de comercialización y la búsqueda de nuevos clientes con características similares, ¿cuánto dinero ahorro direccionando la publicidad? ¿cuánto ahorro en la designación de recursos?.
Este es uno de los beneficios de la inteligencia artificial y ciencia de datos, pero Industria 4.0 acopla más habilitadores para evolucionar en la propuesta de valor hacia el cliente.
Hoy hablamos de herramientas utilizadas para la clasificación, más adelante hablaremos de predecir ventas, inversiones, valores… algunos pensarán que somos videntes; ustedes ya saben que aplicamos Inteligencia Artificial y Ciencia de Datos.
Dólar OFICIAL | $366.64 | |
Dólar BLUE | $745 | |
Dólar TURISTA | $728 | |
Euro OFICIAL | $372.38 | |
Euro BLUE | $792.31 | |
Riesgo País | 2365 |
Maíz | 70000 |
---|---|
Trigo | S/C |
Sorgo | S/C |
Soja | 160000 |
Lino | S/C |
Girasol | S/C |