Blog

La Inteligencia artificial y el método del Sr. Lobo

La transformación digital está cambiando la economía, permitiendo la proliferación de nuevos modelos de negocio cuyos beneficios se basan en la gestión y análisis de datos. En este contexto, emplear la IA para tomar decisiones acertadas será, más que ventajoso, un cambio casi obligado cuyo alcance es más fácil de comprender cuando se dispone de algún ejemplo ilustrativo.

En esta entrada vamos a intentar clarificar qué es lo que diferencia una de las aplicaciones de la IA -el machine learning- de otras tecnologías precedentes, y por qué su uso puede ofrecer soluciones rápidas a los problemas que han de superar las empresas.

A grandes rasgos, el término IA hace referencia a un tipo de máquinas diseñadas para encontrar soluciones válidas a problemas complejos, aplicando para ello procedimientos análogos a los que utilizamos las personas. El planteamiento parte de que nosotros, los humanos, seguimos una serie de pautas que incluyen la recepción de información externa, su análisis e interpretación, teniendo en cuenta nuestras experiencias precedentes y la decisión de actuar de acuerdo con una conclusión extraída a partir de todo ello que implica, además, saber adaptarse a las circunstancias y utilizar los recursos disponibles en el momento.

El “solucionador de problemas”

Podemos encontrar un ejemplo bastante gráfico de este tipo de actuación resolutiva en una conocida secuencia de la película “Pulp Fiction” (1995). En ella el Sr. Lobo, personaje interpretado con maestría por Harvey Keitel, da solución a un ´problema´ complejo (si así puede llamarse al encubrimiento de un crimen sangriento) con una rapidez y eficacia ejemplares. Para actuar de acuerdo con la fama que le precede como “solucionador de problemas”, el Sr. Lobo afronta la situación con decisión y por partes. Esto es, dividendo el descomunal “marrón” que tiene ante sí en problemas más simples, que ataja además adaptándose a la situación y, entendemos, basándose en su experiencia precedente solucionando problemas similares. Para ello, tiene en cuenta que dispone de poco tiempo y ha de echar mano de los recursos que tiene en ese momento. Así, el Sr. Lobo limpia la sangre de los asientos traseros del coche, los recubre después con varios tejidos que tiene por casa, mete el cadáver del asesinado en el maletero, utiliza una manguera para limpiar a los dos asesinos, les facilita ropa nueva que encuentra en el armario de su casa, etc…).

Si citamos esta legendaria secuencia de la película es porque el machine learning consiste, a grandes rasgos, en hacer que las máquinas actúen como el Sr. Lobo, utilizando en este caso algoritmos para resolver problemas complejos dividiéndolos en otros más simples y empleando grandes cantidades de datos, a modo de experiencia acumulada, y para conseguirlo de manera adaptativa.

La diferencia fundamental es que el aprendizaje automatizado deja a un lado los métodos propios de la programación tradicional, que es imperativa al estar basada en el uso de reglas y signos que especifican acciones concretas a realizar para solucionar un problema, para pasar a emplear un modelo de programación declarativa, que define una lógica general de actuación, sin describir un flujo de control concreto que sea imprescindible seguir para hallar la solución buscada.

Proceder con lógica en función de la pregunta lanzada

Este tipo de programación, quizá más abierta al no determinar un camino concreto al que ceñirse, exige tomar una decisión previa que resulta clave y está en manos de los científicos de datos: qué pregunta lanzar para enfocar la búsqueda de la solución, lo que implicará utilizar un tipo de algoritmos y no otros durante el proceso. En función del interrogante, las máquinas emplearán una lógica general que se alimentará con toda la información disponible en la empresa, con el fin de ofrecer la respuesta buscada.

En la práctica todo esto se traduce de la siguiente manera: Supongamos que durante la celebración del pasado día de San Valentín un comercio online lanzó una campaña que resultó ser un fracaso comercial con respecto a las organizadas durante los últimos años.

Si no ha habido cambios drásticos en la forma de hacer las cosas, averiguar por qué no se ha aprovechado la oportunidad comercial es un problema complejo. En función de la perspectiva desde la que decidamos abordar la investigación sobre esa pérdida de ventas, haremos que nuestros sistemas de información utilicen unos algoritmos u otros en la búsqueda de patrones identificables.

Pueden ser de varios tipos y ahondar en aspectos muy diferentes (poniendo en relación perfiles de clientes en función de co-ocurrencias de compra, haciendo estudios de regresión, empleando el histórico de compras para intentar averiguar por qué no han comprado este 14 de febrero, etc..). Las posibilidades son enormes, por eso afinar la cuestión resulta tan importante.