Saltar al contenido

Plataforma

Ilustracion 13-min

AI y ML

El aprendizaje automático o Machine Learning (por sus siglas en inglés ML) es la rama de la inteligencia artificial que consta de algoritmos creados para reconocer patrones; la implementación de dichos algoritmos dota a la computadora de conocimiento dada la información de la que aprenden.
Existen tres tipos de aprendizaje en el Machine Learning que utilizamos para descubrir nueva información relevante para el negocio.

Supervisado: Es cuando se tienen los datos etiquetados y se necesita etiquetar un nuevo ejemplo a partir de ellos; por ejemplo, suponiendo que se tienen diferentes transacciones las cuales tiene ciertos atributos como la cantidad de dinero transferido, el nombre de la persona o empresa, la hora, la fecha ,etc. Y del total de estas transacciones, algunas fueron legítimas y algunas fraudulentas.
Con estos datos, el Machine Learning puede por ejemplo detectar que las operaciones de una persona o empresa han sido fraudulentas; por lo que alertará cuando se realice una transacción de ese emisor.

Aprendizaje

No supervisado: Este tipo de aprendizaje se da cuando no se tienen etiquetas, por lo que se generan clústers (subdivisiones) en la información. A estos algoritmos se les dice en cuántos clústers se quiere subdividir la información y ellos realizan la subdivisión.
Un ejemplo sería; Dado una serie de transacciones, subdividir la información en dos grupos, conocidos como clústers, el algoritmo podría dividir la información en transacciones completadas o rechazadas, legítimas o fraudulentas, matutinas o vespertinas, etc.

Aprendizaje por refuerzo O Reinforcement Learning: Es aquel que que combina algunas partes supervisadas y algunas no supervisadas; el algoritmo genera una acción cualquiera y el interpretador le dice al algoritmo si esta bien o esta mal esa interpretación. 
Siguiendo con los ejemplos anteriores, el algoritmo selecciona un dato dentro de las transacciones, decide si es fraudulenta o legitima, el interpretador verifica y da una recompensa en caso de acierto o un castigo en caso de falla, con esto, el algoritmo va cambiando su comportamiento hasta que se acerca al comportamiento deseado.
Estas técnicas son implementadas según los datos y el objetivo que su empresa requiere, permita que nuestra experiencia en IA y ML le ayude a descubrir nueva información accionable sobre la cual tome decisiones.