Sin duda uno de los grandes avances tecnológicos de esta era es el machine learning. Este dota a las computadoras de un aprendizaje automático sin necesidad de que sean programados de forma continuada. Debido a eso, esta técnica ha tomado mayor protagonismo en los últimos años.
En un periodo muy corto de tiempo los algoritmos de machine learning han evolucionado para que el big data obtenga mejores resultados y resuelva problemas de manera más eficiente.
Según cifras estimadas por Accenture, la aplicación de machine learning aumentará la productividad de las empresas en más de un 40% para el año 2035.
De hecho, actualmente más del 60% de los CEOs españoles ya están utilizando IA en sus procesos de automatización y el 25% de las empresas invierten hasta 44 millones de euros en modificar y reorientar sus modelos de negocio a los algoritmos.
/https://assets.iproup.com/assets/public/images/lazyload.gif)
El machine learling se usa en los coches autonómos: estos automóviles disminuyen la cantidad de incidencias de tráfico e incluso el número de accidentes.
Contexto actual
Pero aunque parezca que se esté hablando de tecnología del futuro, lo cierto es que forma parte de la actualidad de toda la población. Por eso, desde Ironhack han recopilado 7 ejemplos que ponen en evidencia el uso del machine learning en la vida cotidiana:
-
Detección de rostro: Para desbloquear el móvil o para usar filtros de redes sociales, la primera vez que se aplicó de esta manera fue a finales del s. XIX para identificar el rostro de criminales y sustituir el método de las huellas dactilares.
-
Reconocimiento de voz: este es uno de los mejores ejemplos, los asistentes virtuales están a la orden del día y terminan conociendo todos los patrones del usuario (patrones de sueño, mensajes, calendario, recordatorios…).
-
Gmail: al filtrar los correos como malware, el sistema automáticamente acaba entendiendo y aprendiendo cuáles son los mensajes "no deseados".
-
Marketing personalizado: el ML interpreta cuándo el usuario usa internet, cómo hace uso de sus redes sociales, con qué páginas interacciona más y así, basándose en sus patrones de conducta, se aumenta la productividad de las campañas.
-
Google Maps para el tráfico: se muestran las rutas más seguras y eficientes fijándose en los patrones de tráfico y de movilidad recopilados a lo largo del tiempo y combinándolo con condiciones de tráfico en vivo.
-
Coches autonómos: estos automóviles disminuyen la cantidad de incidencias de tráfico e incluso el número de accidentes.
-
Diagnósticos médicos: al procesar tal cantidad de información se pueden detectar patologías con mayor rapidez y menor margen de error de lo que lo haría un ser humano.
Hace algunos años, cuando alguien pensaba en un especialista sobre este tema, lo asociaba a un empleo del futuro. Ahora es parte del presente. Sobre todo a nivel corporativo.
Es que la avance de la tecnología de machine learning está eficientizando los procesos. En especial, las tareas repetitivas, atención a clientes y la generación de nuevos productos y servicios a partir del análisis de datos. Por todo esto, los especialistas en esta materia rankean entre los colaboradores más buscados hoy en día.
Por lo pronto, requieren de conocimientos técnicos."Deben contar con capacitación formal y con práctica posterior. No se exige que sean menores de 40 años, pero generalmente pertenecen a esa generación", dice Federico Carrera, Associate Director de High Flow Consulting.
"Su principal función es la de construir y aplicar modelos de Machine Learning capaces de seguir aprendiendo y mejorando su capacidad predictiva en la medida en que aumenta el volumen de datos recolectados", explica a iProUP Germán Sobral, head of technology LATAM de GlobalLogic.
Otras funciones pueden variar dependiendo del equipo que lo acompañe, ya que muchas de las tareas "pueden solaparse con las de otros perfiles de datos (analista, científico o ingeniero) dependiendo del conocimiento que tenga el especialista producto de su experiencia", advierte el directivo.
Estos perfiles interactúan especialmente con tres áreas: "Las vinculadas con el negocio en sí, para conocer las problemáticas que enfrenta la organización y evaluar alternativas y soluciones; con los encargados de gobernar y gestionar datos; y con los responsables de tecnología", enumera Juan Echagüe, director de I+D de Practia.
A través del procesamiento de datos duros, extraen información y la clasifican, y así pueden detectar anomalías y modelar las interrelaciones que se encuentran en los datos
Este especialista destaca, además, la interacción con la alta dirección."Porque es la que debe definir estrategias, marcar prioridades y asegurar recursos para las tareas. Sin una estrategia y un soporte claro de la dirección, es imposible imaginar el desarrollo de actividades de machine learning en las organizaciones", indica a iProUP Echagüe.
"A través del procesamiento de datos duros, extraen información y la clasifican, y así pueden detectar anomalías y modelar las interrelaciones que se encuentran en los datos", asegura a iProUP Carla De Stefano, Lead Recruitment Specialist de Intive. Esto hace que el puesto sea tan importante para cuidar al público interno y externo.
¿De dónde surge el área? Por lo general, es un desprendimiento que suele partir de dos sectores: "Algunos departamentos comienzan como anexo de BI Analytics y en otros nace desde gerencias más cercanas al negocio como producto", revela a a iProUP Luciano Ordóñez, Country Manager de Argentina de 7Puentes.
