Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Machine Learning Whitepaper

1,123 views

Published on

Whitepaper sobre Machine Learning, creado por Eduard Bermejo y Álex Martínez

Published in: Technology
  • Be the first to comment

  • Be the first to like this

Machine Learning Whitepaper

  1. 1. MACHINE LEARNING EL SMART DIGITAL WORKPLACE COMO VENTAJA COMPETITIVA SKILLS WHITEPAPER ENERO 2017
  2. 2. ABOUT RAONA Eduard Bermejo es Data Scientist en Raona. Su trabajo consiste en diseñar soluciones basadas en Machine Lear- ning definiendo qué algoritmos utilizar y los pasos a seguir en la extracción y análisis de los datos. Asegura la obten- ción de modelos con buena precisión y capacidad de generalización para sa- tisfacer las necesidades que la solución final del cliente requiere. Ha participado en varios proyectos de I+D en Machine Learning, como el bot corporativo Raonenc o el prototipo de Document Inspirator para Word entre otras iniciativas. Consultora en nuevas tecnologías especializada en el desarrollo de soluciones tec- nológicas a medida que aportan valor al negocio y que ofrece soluciones de intranets sociales, desarrollo de software, SharePoint, Touch&Mobility, portales web, Cloud integration y user experience. Nace en 2003 en Barcelona y cuenta con oficinas en Madrid, Londres, Andorra y Ar- gentina. Con más de 100 ingenieros, es Gold Partner de Microsoft y una de las empre- sas líderes en el desarrollo de soluciones en el mercado español con fuerte presencia internacional. Sobre nosotros MACHINE LEARNINGWHITEPAPER Àlex Martínez es arquitecto de sof- tware en Raona, MCSD de Microsoft y experto en nuevas tecnologías de desarrollo. Participa en numerosos proyectos en clientes definiendo las plataformas a utilizar para garantizar la calidad, el rendimiento y la evolución futura de las soluciones implementa- das. Lidera áreas de innovación centradas en las tecnologías emergentes como los asistentes virtuales, machine lear- ning o entornos híbridos con servicios cloud integrados.
  3. 3. Photo comment: Ude- mus omplinv eniquesa conduciordi, cantur. El Machine Learning (ML) no es un concepto nuevo, aunque ahora sea uno de los temas más de actualidad gracias al impulso que le han otorgado gigantes tecnológicos como Microsot, Google o Facebook. Sin embargo el creciente volumen de datos, tanto en la esfera personal como en la profesional, que producimos y consumimos a diario, así como el abaratamiento de costes en el almacenamiento de estos datos y su procesamiento computacional, han propiciado la eclosión del Machine Learning como tecnología en auge. La inversión en esta rama de la inteligencia artificial por parte de las empresas supone tanto importantes beneficios como la reducción de costes y el ahorro de tiempo. En definitiva, una ventaja competitiva a corto y largo plazo. No obstante, en el escenario local l aún son pocas las compañías que deciden apostar por el aprendizaje automático. El sector de la banca o el de los seguros han sido los más atrevidos en utilizarlo para la mejora de sus procesos, y se están llevando a cabo proyectos muy ambiciosos. Las pymes españolas siguen en su mayoría sin apostar por el Machine Learning, a pesar de la cantidad de datos valiosos que poseen a día de hoy, porqué existe mucho desconocimiento respecto a cómo puede potenciar nuestros negocios. Este whitepaper quiere poner algo de luz en este asunto, explicando en qué consiste y repasando casos de uso en el ámbito del Digital Workplace. La potencialidad del aprendizaje automático MACHINE LEARNINGWHITEPAPER Elcochedeconducciónautomáticaeslaprincipalrevoluciónenelsectorautomovilísticodelaaplicacióndelaprendizajeautomáticoanuestrodíaadía.
  4. 4. 4 ¿Por qué debo usar Machine Learning? El hecho que grandes compañías como Microsoft, Google, Fa- cebook o IBM hayan puesto su foco en el Machine Learning y, como consecuencia, esto haya provocado un mayor interés so- cial, se debe a los siguientes factores: 1.- El volumen de datos que manejamos a diario en el ámbito privado y público cada vez es mayor. 2.- Estos datos, además, son de diferentes clases, y hemos asis- tido a un abaratamiento y potenciación del procesamiento computacional. 3.- Almacenar datos ya no se puede considerar un lujo sino que es una necesidad asequible. Todo ello ha generado que ahora sea mucho más factible utilizar los algoritmos para producir modelos en un periodo más corto de tiempo, de forma más precisa y a gran escala. Y es median- te la construcción de estos modelos que hoy una organización cuenta con más y mejores posibilidades para identificar oportu- nidades rentables y evitar riesgos desconocidos en su mercado. A través de la automatización de tareas en un flujo de negocio, por ejemplo, el ML es capaz de detectar patrones de compor­ tamiento imperceptibles al ojo humano. Este avance puede suponer para la empresa una reducción del tiempo, del perso- nal necesario y tener una visión más amplia de sus procesos. MACHINE LEARNINGWHITEPAPER
  5. 5. 5 Es importante recordar que el Machine Learning no es una solu- ción para todos los problemas. Hay ciertos casos en los que se pueden desarrollar soluciones robustas sin utilizar técnicas de ML. Por ejemplo, no se necesita ML si sabemos como determi- nar un valor objetivo utilizando reglas simples, cálculos o pasos predeterminados que se pueden programar sin necesidad de ningún aprendizaje basado en datos. Pero en cambio, hay dos escenarios donde el Machine Learning brillará con luz propia y que debemos considerar prioritarios para tenerlo en cuenta en nuestro entorno: 1.- No podemos programar las reglas: muchas tareas huma- nas -como reconocer si un correo electrónico es spam o no- no pueden resolverse adecuadamente mediante una solución simple -determinista- basada en reglas si un gran número de factores influyen en la respuesta a elaborar. Cuando las reglas dependen de demasiados factores y muchas de estas reglas se superponen o necesitan ser ajustadas muy finamente, pronto se hace difícil para un ser humano programar con precisión el escenario por su complejidad. MACHINE LEARNINGWHITEPAPER 2.- La cantidad de información es muy elevada: es posible que podamos reconocer manualmente unos cientos de correos electrónicos y decidir si son spam o no. Sin embargo, esta ta- rea se vuelve tediosa para millones de correos electrónicos. Las soluciones ML son eficaces en el manejo de problemas a gran escala. Es por eso que si queremos extraer el máximo rendimiento de la complejidad existente en nuestros datos, deberemos ir de la mano del Machine Learning. En esencia, aquellas empresas que en su transformación digital apuesten por esta ciencia, ob- tendrán una ventaja competitiva respecto a aquellas que no lo están llevando a cabo. Es recomendable que toda compañía que posea un volumen de datos elevado donde detectar patrones realice inversiones, aunque sean pequeñas inicialmente, en Machine Learning para ver cómo afecta a su flujo de trabajo y a la optimización de sus tareas, dado que obtener beneficios tangibles para el negocio está reservado a aquellos que empiecen a recorrer el camino lo antes posible. ElusodelMachineLearningeshabitualdesdehacetiempoenlasgrandesempresas.Amazonutilizaestastécnicaspararealizarrecomendaciones personalizadassegúnlaspreferenciasdelclienteyelanálisismasivodedatoshistóricosparafidelizaryincrementarsusatisfacción.
  6. 6. 6 MACHINE LEARNINGWHITEPAPER Pero... ¿Qué es el Machine Learning? Desde que llegamos a este mundo aprendemos de forma au- tomática. Adquirimos conocimiento comunicándonos, interac- tuando con el medio que nos rodea y con nuestros semejantes, así como de las experiencias a las que tenemos que hacer frente. No nos damos cuenta que a medida que aprendemos vamos interiorizando procesos, dando lugar a una forma determinada de comportarnos. Según nuestro conocimiento previo actua- remos de una manera u otra y conseguiremos unos resultados específicos. Sin embargo, algo que para nosotros es tan natural como el Aprendizaje Automático no lo es para la máquinas. Debemos enseñarles cómo aprender mediante un algoritmo de aprendizaje para que puedan encontrar patrones de comporta- miento. El Aprendizaje Automático es la ciencia por la cual las máquinas pueden aprender a realizar tareas sin que se les indi- que explícitamente cómo hacerlo. Aunque aún no se ha llegado a que una máquina pueda te­ner una inteligencia como la humana sí que se han realizado peque- ños pasos. En el terreno del Aprendizaje Automático o Machine Learning, que es una rama de la inteligencia artificial, ya son una realidad la detección de la voz y rostros, los vehículos autónomos, obtener mejores resultados y suge­rencias en motores de búsquedas o el análisis de imágenes.
  7. 7. 7 MACHINE LEARNINGWHITEPAPER Durante años la investigación en apren- dizaje automático se ha realizado con distinto grado de intensidad, utilizando diferentes técnicas y haciendo énfasis en distintos aspectos y objetivos: técni­ cas de modelado neuronal, métodos simbólicos y sistemas de aprendizaje de conocimiento con exploración de varias tareas de aprendizaje. Desde sus inicios han ido surgiendo pro- yectos en los que el Machine Learning fue perfeccionándose hasta llegar a ser tal y como lo cono­cemos hoy. El Aprendizaje Automático es también un paso clave dentro del proceso del Data Science o ciencia de los datos, un campo relacionado con la extracción de conocimiento a partir de los datos. Sus expertos, los “científicos de datos” o data scientists, son quienes se encar- gan de resolver complejos y sofisticados problemas relacionados con los datos, empleando una combinación de herra- mientas científicas y su profunda expe­ riencia empresarial y de dominio. El objetivo central del Data Science El propósito esencial de cualquier pro- yecto analítico, en­este caso de la cien- cia de datos, es producir ideas prácticas y útiles que supongan un mejora desta- cable para el negocio. ¿Cómo se logra? Los data scientists desentrañan las complejidades in­ herentes a los grandes volúmenes de datos para ofrecer resultados que permitan a las empresas tomar de­ cisiones operativas más acertadas, optimizar sus procesos y mejorar sus productos y servicios. En especial, el valor de la ciencia de da- tos se destaca en casos de resolución de problemas de negocio complejos y ricos en datos, en los que enfoques tradicio- nales, como el juicio humano y la inge- niería de software, cada vez fallan más. Para que el Machine Learning se lleve a cabo con éxito es necesario contar con data scientists que puedan ejecutar la tecnología a la vez que entienden sus errores y limitaciones. Tipos de Machine Learning El Machine Learning parte de unos datos de entrada y una serie de ca­ racterísticas facilitadas por el data scientist a aplicar al modelo. Por ejemplo, se puede entrenar a la má- quina para que establezca una conexión a partir de los datos de una persona (sexo, edad, nivel económico, etc.) para determinar si esa persona tiene un ries- go alto para concederlo o no el crédito bancario solicitado. Con esta información y a través del Ma- chine Learning es posible generar un patrón para identificar estos perfiles y predecir futuros comportamientos. El campo que abarca el Aprendizaje Au- tomático es muy extenso y conviene di- ferenciar sus tipologias, divididas en tres subcampos bien diferenciados según sus características. a. El Supervised Learning es una téc- nica para deducir una función a partir de datos de entrenamiento. Los datos de entrenamiento consisten en pares de objetos (normalmente vectores): un componente del par son los datos de en- trada y el otro, los resultados deseados. En otras palabras, podemos enseñar a la máquina que con una serie de caracte- rísticas un cliente es del tipo A y que el que tiene otras características no es del tipo A. En el aprendizaje supervisado, por tanto, el data scientist introduce los datos de entrada y salida y el Machine Learning se encarga de encontrar el pa- trón, la estructura interna de la informa- ción. En2011,Watson-sistemaartificialdeIBMdepreguntasyrespuestasqueentiendeellenguajenatural-ganóel concursodelaTVamericana"Jeopardy".
  8. 8. 8 b. Unsupervised Learning. Es una técnica en que los datos no han sido eti- quetados previamente y solo se dispone de datos de entrada. Por tanto, la má- quina debe de ser capaz de encontrar la estructura existente en los datos. Es muy útil para reducir la dimensiona­ lidad de los datos reduciendo la pérdida de información o para el ‘clustering’. Un ejemplo es la segmentación de clien- tes, en la que a partir de toda una serie de características el Machine Learning es capaz de encontrar un número de grupos con características similares de- finido por el Data Scientist. Mediante la reducción de la dimensio­nalidad a dos o tres componentes, podemos re­ presentar gráficamente estos grupos para poder visualizarlos y tener así una mejor comprensión. c. El Reinforcement Learning. Fun- ciona en base a premios, a través del ensayo y error. Los datos de entrada se obtienen a través del feedback o retro- alimentación del entorno. Si la máqui- na no lo hace bien se le da un “premio” igual a 0 o negativo. En cambio, si toma una acción acertada se le dan premios con valor positivo para al final acabar encontrando una “buena” solución. De esta forma conseguimos que el siste- ma aprenda de forma inteligente cuan- do toma decisiones acertadas, mejoran- do los procesos de decisión. El sistema será más capaz de tomar buenas deci- siones si se realiza un entrenamiento adecuado para trasladar la perspectiva subjetiva humana a un proceso que me- jorará contínuamente su aprendizaje y su efectividad predictiva. REAL UXWHITEPAPER DEEP LEARNING Google, Microsoft, Facebook o Baidu ha puesto de moda el con- cepto Deep Learning, lo que puede generar un poco de confusión a los profanos en la materia. El Deep Learning se puede aplicar al aprendizaje supervisado, al no supervisado y al aprendizaje por refuerzo que hemos descrito. En realidad se trata de un subcam- po dentro del Machine Learning que utiliza redes neuronales profundas con arquitecturas tales como Convolutional Deep neural networks (para el reconocimiento de imágenes) o Recurrent neural networks (datos secuenciales), entre otras. Es decir, tenemos un algoritmo de aprendizaje que usa una red neuronal pero con más capas (hidden layers), creando un aprendizaje por niveles que crea el concepto de profundidad que le da nombre y que permite más complejidad en el análisis.
  9. 9. 9 El proceso del Machine Learning Un punto crucial en el aprendizaje automático es ‘fitar’ -asociar- un mo­delo a una serie de datos. Esta acción se lleva a cabo a través de un proceso conocido como "entrenamiento del mo- delo". Es decir, entrenando un modelo con datos existentes para aprender los parámetros de éste. Un modelo de Machine Learning es la definición de una función de distribución de probabilidad con un número de parámetros que se aprenden a partir de los datos. Sin embargo, hay otro tipo de parámetros que no se aprenden directamente de los datos y son los llamados hiperparámetros, que se deben ir ajustando durante el proceso iterativo de entrenamiento y tes- teo del modelo. Los hiperparámetros: - Son parámetros del algoritmo que definen su complejidad y capacidad de generalización (aprendizaje). - No se aprenden de forma directa a través de los datos. - Se pueden encontrar a través de establecer diferentes valores, entrenar diferentes modelos y escoger los valores que funcio- nan mejor. MACHINE LEARNINGWHITEPAPER
  10. 10. 10 Dentro del proceso del Data Science, aunque el modelado es la parte más crítica del proceso, las otras etapas son también importantes. Para que un algoritmo pueda aprender bien también es necesaria la recolección de datos, así como su limpieza y preprocesado. Es muy importante la comprensión del dominio del negocio ya que los datos y el problema a re- solver son totalmente distintos, por ejemplo, en el sector de la banca y en el de los transportes. Así pues, una vez solventadas estas partes del proce- so ya se puede iniciar el modelado. Cuando el data scientist ya ha encontrado el posi- ble modelo óptimo debe evaluar cómo está fun- cionando y si los resultados son los esperados. En el Data Science se sigue un proceso ite­rativo, en que el modelo se testea, se añaden nuevos da- tos, se limpian, y se va perfeccionando el modelo. De hecho, a lo largo del proceso el Data Scien­ tist prueba muchos modelos diferentes y cada uno de ellos con di­ferentes parámetros. Photo comment: Ro inulpa doloritio magnatur aut excepro dolendamusae iminctium ea con ea. SERVICIOS COGNITIVOS Muchas situaciones requerirán de profesionales en Machine Learning o data scientists para entrenar los modelos, pero hay casos en los que no será necesario, ya que podemos utilizar modelos ya entrenados. Google, Microsoft e IBM ofrecen modelos de reconocimiento de imágenes que podemos utilizar como servicio. Empresas que no cuentan con un equipo en el ámbito del Data Science, así como las que sí que lo tienen, podrán sacar provecho de modelos ya entrenados y testeados con grandes cantidades de datos. Se conocen com Servicios Cognitivos y ofrecen una amplia colección de modelos de inteligencia artificial para el procesa- miento de imágenes, voz, lenguaje y conocimiento. Por ejemplo, el Text Analytics API, que permite evaluar de forma sencilla opiniones y temas para comprender lo que los usuarios quieren. O el Translator Speech API para traducir voces en tiempo real. De todos modos, se tiene que tener en cuenta que habrá aplicaciones que seguirán requiriendo del desarro­llo de modelos por parte de la compañía debido a la especificidad de la tarea y al dominio concreto del problema. Pero mediante estos servicios publicados en la nube -como es el caso de Azure- se ha hecho un importante paso adelante para democratizar y generalizar el uso de Machine Learning en aplicaciones y portales de toda índole. MACHINE LEARNINGWHITEPAPER
  11. 11. 11 Inteligencia Artificial en el Digital Workplace En el whitepaper de “GenC Company, la transformación digital que definirá a las empresas en 2020”, hablamos del cambio radical que se va a producir en los espacios de trabajo y cómo interactuaremos en ellos en los próximos años. El Smart Digital Workplace propone una serie de ca- racterísticas para su correcto desarrollo: 1.- Acceso ubicuo y flexible a las distintas aplicaciones de negocio para generar un entorno más productivo. 2.- Una buena salud de las infraestructuras de las teleco- municaciones y la seguridad digital de la compañía. 3.- Conexión en tiempo real y a través de formatos mul- timedia. ElMachineLearningjuegaunpapelfundamentalparaque el Smart Digital Workplace pueda ser ya una realidad, ya que permite automatizar tareas, aumentar la eficien­ cia en los procesos existentes o mejorar los flujos de comunicación, entre otros. A continuación, se muestran algunos casos de uso del aprendizaje automático aplica- do al espacio de trabajo inteligente, que deberán adoptar las empresas de futuro que deseen ser competitivas. MACHINE LEARNINGWHITEPAPER
  12. 12. 12 1. Chat Bots Quizá hace algunos años nos hubiese sido difícil de imaginar la posibilidad de tener en la palma de nuestra mano un asistente virtual capaz de realizar tareas por nosotros mismos y hacernos la vida más fácil como Cortana, Siri o Google Now. En el ámbito de la empresa un brillante ejemplo de asistente virtual es x.ai, que puede responder correos electrónicos y programar reunio- nes en nombre del usuario. El perfeccionamiento de los chat bots hará que algún día ya no tengamos que preocuparnos por las tareas más básicas y podamos poner nuestra atención plena en aquellas que requieran nuestro conocimiento y experiencia. Por ahora, los asistentes virtuales nos pueden ahorrar tiempo en procesos tan poco productivos como la gestión de reserva de salas o va- caciones. De hecho, los smart chat bot son programas que simulan man- tener una conversación con una persona, ya que disponen de un conjunto de respuestas automáticas a posibles entradas (preguntas) del usuario. En este sentido, existen los retrie­val- based models, que usan un repositorio de respuestas predefini- das y algún tipo de heurística para seleccionar la más apropiada basada en la entrada y el contexto. La heurística en este caso po- dría ser tan simple como una coincidencia de expresión basada en reglas o tan compleja como un conjunto de clasificadores de aprendizaje automático. Cabe destacar que estos sistemas no generan texto desde cero, sencillamente solo seleccionan una respuesta de un conjunto fijo y predefinido. Por otro lado, están los generative models, que no se basan en respuestas predefinidas sino que crean nuevas respuestas desde cero. Los modelos generativos se basan en técnicas de traducción automática, pero en lugar de traducir de un idioma a otro, se “traduce” de una entrada a una salida (respuesta). MACHINE LEARNINGWHITEPAPER Elchatbotderaona,Raonenc,contestapreguntassobrelaempresa,sustraba- jadoresyloseventosquecelebramosmedianteSkype.
  13. 13. 13 2. Document Classification El Machine Learning también es realmente útil en la cla­ sificación automática de documentos. En estos casos se uti- lizaría el supervised learning, en el que se provee al algoritmo con un conjunto de documentos con sus correspondientes eti- quetas (categorías). Sin embargo, hay empresas que tienen clasificados sus docu- mentos y otras no. En el caso de una compañía muy grande que no tiene los documentos clasificados hay que destinar mucho tiempo a buscar la información. Aquí se podría aplicar la técnica del unsupervised learning para extraer temas de una colección enorme de documentos e identificar pautas, contenidos y pa- rámetros comunes. De esta manera, cuando se introduzca un nuevo documento el sistema pudiera determinar que en un 50% habla del tema A y en un 30% del tema B, para poderlo etiquetar en, por ejemplo, deportes, cultura, política, etc. Es decir, poder llegar así a tener una clasificación para organizar los documen- tos y facilitar su búsqueda. Nos referimos al ejemplo anterior por topic modelling, donde se intenta modelizar los temas latentes en nuestros documen- tos. Es decir, alimentamos nuestro mo­delo con un conjunto de do­cumentos y tras iterar, conseguimos una distribución de te- mas sobre los documentos. MACHINE LEARNINGWHITEPAPER 3. Sentiment Analysis El análisis del sentimiento es un proceso en el que se usan al- goritmos para determinar las emociones positivas o negati­ vas que tienen las personas de una red respecto a un tema, producto, noticia, etc. También puede ser útil para detectar el grado de compromiso de los empleados y qué les ha hecho experimentar estas emociones. Así, los equipos de marketing ya pueden analizar las reacciones que perciben de los destinatarios al ver textos o imágenes y ver si son los más adecuados para el lanzamiento de un producto. Este análisis de sentimiento se basa en tratamientos de datos masivos en base al reconocimiento facial de las personas, el seguimiento de las interacciones que realizan cuando interac- túan con una aplicación o web, o tratando de forma masiva los comentarios y posts en redes sociales que hacen referencia a nuestro producto. Los principales fabricantes, como es el caso de Microsoft, ya ofrecen servicios en la nube que permiten hacer este tipo de análisis en tiempo real e incluso podemos integrarlo en nues- tras aplicaciones para que actúen de forma distinta en función de la respuesta obtenida del usuario final. Un nuevo escenario de adaptación emocional se incorpora a nuestro entorno de desarrollo para mejorar la experiencia de los usuarios. DOCUMENT INSPIRATOR by raona Un ejemplo claro de Document Classification es el prototipo desarrollado por raona para incorporar a los documentos el conocimiento del repositorio corporativo. Integramos los algoritmos de topic modelling y keyword extraction a Word para detectar la temática y la estructura del redactado, proponiendo contenidos inspiradores que permitan reutilizar y mejorar el resultado final del docu- mento elaborado. Una gran ayuda para obtener grandes resultados en mucho menos tiempo.
  14. 14. 14 ¿BUSINESS INTELIGENCE O MACHINE LEARNING? El business inteligence tradicional se dedica a crear dashboards interactivos o informes visuales en base a información de la empresa de un momento concreto del pasado hasta hoy, es decir, de lo que ya ha sucedido. Sin embargo, aunque estos datos son muy valiosos para comprender qué ha ocurrido y encontrar soluciones, ¿qué ocurre con la información en tiempo real o a futuro? ¿No es necesaria también para la buena marcha de los negocios? Para dar respuesta a ello aquí entra el machine learning, que se complementa a la perfección con el business inteligence. Mientras éste aporta la mirada de pasado a presente, el aprendizaje automático lo acompaña con predicciones, con una visión a futuro, permitiendo detectar tendencias y oportunidades. Debemos, por tanto, apostar por la combinación de ambos para potenciar nuestra visión y comprensión de la empresa. 6. Report Generation Con toda la información que dispone, el sistema junto con el Machine Learning puede llegar a generar informes automatiza- dos. De hecho, la empresa británica Arria utiliza el aprendizaje automático para crear informes financieros basados en los da- tos de propiedad de las empresas. De esta manera, se elimina el paso de requerir personal para traducir toda esta infor­ mación en informes y los trabajadores pueden centrarse en tomar decisiones estratégicas. 7. Employee Perfomance Por último, el aprendizaje automático también podría pre­ decir el desempeño de los empleados. Es decir, el sistema sería capaz de señalar las áreas en que se necesita incidir, hacer recomendaciones a los trabajadores para su mejora, encontrar perfiles a potenciar o saber qué departamentos de la empresa pueden ver reducido su rendimiento. Sin duda, todas estas propuestas son sólo el principio de un lar- go camino a recorrer para que el Machine Learning se convierta en una de las piezas fundamentales de la transformación digital que está llegando a nuestro espacio de trabajo. MACHINE LEARNINGWHITEPAPER 5. HR Automation Otra aplicación del machine learning en el Smart Digital Wor- kplace es la automatización de los recursos humanos. En este caso, el sistema sería capaz de analizar las épocas del año en que es mejor o peor hacer vacaciones, predecir bajas en los em- pleados o anticiparse a ausencias imprevistas. Incluso detectar mediante análisis de los datos en redes sociales si tienen en mente cambiar de trabajo en pocos meses. El beneficio está en anticiparse a las decisiones de nuestros empleados para tomar las mejores decisiones para la empresa. 4. Search Engine Improvement Crear un motor de búsqueda inteligente en la intranet de la empresa que permita gestionar el conocimiento de la mis­ ma a un nivel superior es posible con Machine Lear­ning. Aquí el sistema aprende de las búsquedas internas que realizan los trabajadores, recopilando datos sobre lo que se busca, quién y qué genera más interés entre los usuarios para priorizar aque- llos contenidos más útiles. Es una aprendizaje supervisado en el que el algoritmo se va entrenando viendo el comportamiento de lo que busca la gente y determinando así las entradas que deberían salir más arriba y que serían más útiles para el usuario.
  15. 15. 15 "Aunque en el terreno del Machine Learning quede aún mu- cho camino por recorrer, lo cierto es que ha evolucionado hasta tal punto que ya no hay marcha atrás. Como se ha po- dido ver a lo largo de este whitepaper la inversión en esta tecnología se ha constituido como un factor determinante para las pequeñas, medias y grandes compañías que buscan diferenciarse y ser competitivas en un mercado que avanza a pasos agigantados. Reducción de costes, ahorro de tiempo y personal y mejo- ra de la productividad son los grandes beneficios que pue- de suponer aplicar el machine learning en el ámbito de la empresa. Además, su aplicación en los espacios de trabajo puede además potenciar el concepto de Smart Digital Wor- kplace, un entorno colaborativo, productivo y conectado que configurará las empresas en los próximos cinco años. Por otro lado, las posibilidades del Machine Learning au- mentan en aquellas compañías que poseen grandes volúme- nes de datos. ¿Pero, qué empresa no tiene que lidiar hoy con grandes cantidades de información? Vale la pena entonces utilizar todo lo que nos puede ofrecer el Aprendizaje Auto- mático para que el conocimiento que se genere día a día no se quede escondido o estancado, sino que trabaje para y por la empresa y revierta en la mejora constante del negocio." Eduard Bermejo - Data Scientist en Raona MACHINE LEARNINGWHITEPAPER
  16. 16. MACHINE LEARNING EL SMART DIGITAL WORKPLACE COMO VENTAJA COMPETITIVA

×