https://www.facebook.com/wilber.carrion.1 - Twitter: @wilbercarrion  
  Su apoyo es bienvenido, cuenta: BBVA Continental- 0011 0175 0200256843  

jueves, 19 de julio de 2018

estrategia


¿Hacia la comoditización del machine learning?



FORBES- 20 de julio de 2018
Sin una estrategia como punto de partida, el aprendizaje automático corre el riesgo de convertirse en una herramienta escondida dentro de las operaciones rutinarias de una empresa.

Hoy, en cualquier empresa que se considere innovadora y competitiva en el mercado, están pensando en la implementación de modelos de aprendizaje automático o machine learning. Muchas veces sin entender claramente cómo este proceso aporta a la estrategia de la empresa. Esta idea de “consigo un dato y le aplico algoritmos de machine learning” es bastante limitada y la verdad que hay que tener cierto cuidado cuando no se considera la estrategia de la empresa en la definición de cómo diseñar y desarrollar el análisis avanzado de datos.

Hagamos un poco de historia. El aprendizaje automático se basa en una serie de desarrollos a lo largo del tiempo, comenzando con las estadísticas clásicas. La inferencia estadística forma una base importante para las implementaciones actuales de la inteligencia artificial. Pero es importante reconocer que las técnicas estadísticas clásicas se desarrollaron entre los siglos XVIII y principios del XX para conjuntos de datos mucho más pequeños que los que ahora tenemos a nuestra disposición. El aprendizaje automático no está restringido por los supuestos preestablecidos de las estadísticas. Como resultado, puede proporcionar ideas que los analistas estadísticos clásicos no pueden ver por sí mismos, además de poder hacer predicciones con grados cada vez más altos de precisión.

Más recientemente, en la década de 1930 y 1940, los pioneros de la informática (como Alan Turing, que tenía un interés profundo y permanente en la inteligencia artificial) comenzaron a formular y retocar las técnicas básicas como las redes neuronales que hacen posible el “machine learning” actual. Pero esas técnicas permanecieron en el laboratorio más tiempo de lo que lo hacían muchas tecnologías y, en su mayor parte, tuvieron que esperar el desarrollo y la infraestructura de computadoras potentes, a fines de la década de 1970 y principios de la de 1980. Ese es probablemente el punto de partida para la curva de adopción del aprendizaje automático.

Las nuevas tecnologías introducidas en las economías modernas -la máquina de vapor, la electricidad, el motor eléctrico y las computadoras, por ejemplo- parecen tardar unos 80 años en pasar del laboratorio a lo que podríamos llamar “invisibilidad cultural”, en donde la sociedad ya se apropia de estos cambios tecnológicos. Todas estas tecnologías han podido “cambiar de época”, en cada momento de la historia donde han surgido, y no es raro pensar, que el machine learning logre lo mismo.

 

Lo que es crítico hoy, y lo que hemos podido entender de nuestra propia historia, es que los ejecutivos de alto nivel aprovecharán mejor el aprendizaje automático si lo ven como una herramienta para elaborar e implementar una visión estratégica. Pero eso significa poner la estrategia primero.

Sin una estrategia como punto de partida, el aprendizaje automático corre el riesgo de convertirse en una herramienta escondida dentro de las operaciones rutinarias de una empresa: proporcionará un servicio útil, pero su valor a largo plazo probablemente se limitará a una repetición interminable de aplicaciones, como modelos para adquirir, estimular y retener clientes. Eso impactará en mejorar la eficiencia de las operaciones, es decir, hacer lo mismo más eficientemente, pero no ayudará a la “creación de estrategia” (y lo diferencio explícitamente de la planificación estratégica), en donde hacer cosas diferentes, que permitan generar una función continua de ventajas competitivas, que sean sustentable en el tiempo, será lo critico en el largo plazo.

No hay comentarios: