A continuación vamos a exponer las diferentes técnicas de IA que se usan actualmente, mostrando ejemplos de aplicaciones reales y, haciendo notables sus beneficios. Pensamos en orientar esta guía a un usuario más bien experimentado en el campo de la inteligencia artificial. De todas formas, puede consultar los wiki-enlaces del menú lateral para conocer más sobre las diferentes técnicas.
Data Mining
Allá por los 90, un científico de Bell Labs (Dr. Arno Penzias) declaró, en una entrevista, que la técnica de Data Mining se sería una aplicación clave para las corporaciones de un futuro no muy lejano. A la pregunta “¿Cuáles serán las aplicaciones más punteras en las organizaciones?” , él sencillamente respondió Data Mining. Después añadió “Data Mining se convertirá en algo mucho más impoirtante y todas las compañías no desperdiciarán nada sobre sus clientes porque será muy valioso. Si no estás haciendo esto, estás fuera (out of business)”
Hoy en día podemos ver ejemplos como Amazon, Capital One y muchos otros que han usado técnicas de análisis para entender mejor a sus clientes y optimizar su extensa cadena de suministro para maximizar los beneficios de las investigaciones mientras ofrecían el mejor servicio al cliente.
Entonces, el gran componente que se presenta aquí es el análisis de una gran cantidad de datos que las compañías recopilan (más aún con la reducción a lo largo del tiempo del coste de almacenaje). De esta manera, se entiende como Data Mining al proceso por el cual se descubrían relaciones o patrones en esos datos hasta entonces desconocidas.
Varias de las razones por las que esta técnica es tan importante son:
Hoy en día podemos ver ejemplos como Amazon, Capital One y muchos otros que han usado técnicas de análisis para entender mejor a sus clientes y optimizar su extensa cadena de suministro para maximizar los beneficios de las investigaciones mientras ofrecían el mejor servicio al cliente.
Entonces, el gran componente que se presenta aquí es el análisis de una gran cantidad de datos que las compañías recopilan (más aún con la reducción a lo largo del tiempo del coste de almacenaje). De esta manera, se entiende como Data Mining al proceso por el cual se descubrían relaciones o patrones en esos datos hasta entonces desconocidas.
Varias de las razones por las que esta técnica es tan importante son:
1. El aumento exponencial de las tecnologías capaces de procesar y almacenar de datos.
2. Mayor competencia a escala mundial dirigida por las necesidades y deseos dinámicos de los clientes en un mercado saturado.
3. Movimiento hacia la conversión de partes de un negocio a elementos no físicos.
En cuanto a sus aplicaciones en el lado comercial, quizás los campos más comunes de aplicación son finanzas, tiendas de venta directa y sectores de salud (health care). También es usado por ejemplo para detectar y reducir actividades fraudulentas, especialmente en seguros y el uso de tarjetas de crédito; para recuperar clientes provechosos; y para analizar carros de compra.
Caso práctico
La compañía de envío de flores 1-800-Flowers, muy conocida en el sector, necesitaba seguir siendo competitiva una vez fuera a realizar su adaptación en el comercio electrónico. Creyendo fielmente en el valor de la relación cercana con el cliente, la compañía quería comprender mejor las necesidades y deseos del cliente analizando cada dato de los cuales disponían. Entonces decidieron usar herramientas de data mining (SAS) para cavar profundamente en los datos con vistas a descubrir nuevos patrones sobre los clientes y convertirlos en conocimiento de cara a las transaciones comerciales. Consiguieron entonces mantenerse en la crema del sector realizando campañas de marketing más eficientes, reduciendo la publicidad por correo y recibiendo más respuestas y , por consiguiente, obteniendo más ventas.
Redes de Neuronas
Debido a su capacidad de modelar problemas complejos del mundo real, investigadores y profesionales han encontrado muchas maneras de usar RDN. Muchos de esos usos nos han conducido a la resolución de problemas que se creían sin solución.
Si analizamos los niveles de uso de las RDN encontramos:
Si analizamos los niveles de uso de las RDN encontramos:
Clasificación: esta idea ha sido usada para aplicaciones del mundo real como reconocimiento de patrones.
Regresión: para predecir variables con valores numéricos como en la bolsa.
Clustering: usado para identificar agrupamientos en el comercio.
Aplicaciones varias son en el mundo de los deportes, en la prevención de fraudes, aceptación de préstamos, medicina y muchísimas más aplicaciones que requieren inputs categóricos? (categorical) y numéricos.
Caso práctico
Redes de neuronas para el diagnosis de cáncer de mama
Se usó una estructura KBANN Knowledge-based artificial network para prevenir la enfermedad. Este sistema dispone de dos algoritmos:
Se usó una estructura KBANN Knowledge-based artificial network para prevenir la enfermedad. Este sistema dispone de dos algoritmos:
1. Reglas a Red: la principal tarea es la traducción de los conocimientos de la base de conocimientos a la estructura inicial de las redes de neuronas.
2. Red: usa el algoritmo de backpropagation.
La base de conocimientos contiene conocimiento sobre el dominio en forma de reglas que ayudan a la red a aprender en pequeña medida.
Una vez tomadas distintas variables metabólicas de varios tipos, son introducidas a lo largo de varios periodos para estudiar su evolución y tener una segunda opinión de lo que puede ocurrir junto con las resonancias magnéticas.
Text Mining y Web Mining
Text Mining es similar a Data Mining en cuanto al propósito final que tienen. Pero Text Mining actúa sobre datos como .doc .pdf xml y por el estilo. Por tanto, pretendemos que esta técnica sea capaz de usar Data Mining y obtener información relevante en textos así como obtener conocimiento de la estructura semántica de los mismos.
Por tanto, TM tiene cabida en las áreas que manipulan una gran cantidad de datos en texto como en Derecho, Investigación académica, finanzas, medicina, biología, tecnología.
Otros campos son:
Por tanto, TM tiene cabida en las áreas que manipulan una gran cantidad de datos en texto como en Derecho, Investigación académica, finanzas, medicina, biología, tecnología.
Otros campos son:
-Marketing: extraer información de los call-centers, de las reviews de los usuarios, blogs, discusiones en posts, etc. Importantes para conocer gustos y experiencias de los clientes. Por ejemplo esta técnica es usada a la hora de sacar conclusiones de los formularios web que rellenan los clientes.
-Seguridad(CASO): la EUROPOL dispone de un sistema capaz de acceder, almacenar y analizar grandes cantidades de datos estructurados o no estructurados con vistas a hacer frente al crimen organizado, se llama OASIS (Overall Analysis System for Intelligence Support) que integra las más avanzadas técnicas de ™ y WM actuales. La CIA y el FBI no se podían quedar atrás en esto y también disponen de sistemas capaces de analizar datos de cualquier fuente de manera automática.
-Por último, se comenta la existencia de un sistema llamado ECHELON, denominado como sistema de estrecha vigilancia. Según dicen los rumores, es capaz de identificar el contenido de llamadas telefónicas, faxes, e-mails y otros tipos de datos, interceptando la información vía satélite, microondas y cabinas telefónicas.
Sistemas Expertos
Ya conocemos a fondo esta técnica puesto que realizamos un primer trabajo sobre ellos. Simplemente destacar un caso práctico para ver la capacidad de disponer de un experto sin disponer realmente de el como persona física. En este caso es interesante ver el potencial de hacer accesible el conocimiento de un experto a diferentes usuarios.
Caso práctico
Sistema experto web para la selección de vinos
MenuVino, Inc. un comercio electrónico de vinos, se ve en un problema a la hora de vender un vino determinado a un cliente determinado. Muchos usuarios eligen el vino en base al precio o en base a parámetros de alto nivel como la comida que lo acompaña (pescado o carne). Entonces, siguiendo ese esquema no hay pistas sobre si un vino te va a gustar o no.
Sea como fuere, es dificil prever si un vino te va a gustar sin haberlo probado antes.
De todas formas, MenuVino Inc. realizó un sistema experto que recopilaba el conocimiento de numerosos expertos en el campo para contruir un sistema interactivo que pudiera ser utilizado por los usuarios en su web y así tener mayor idea de cómo puede ser ese vino.
MenuVino, Inc. un comercio electrónico de vinos, se ve en un problema a la hora de vender un vino determinado a un cliente determinado. Muchos usuarios eligen el vino en base al precio o en base a parámetros de alto nivel como la comida que lo acompaña (pescado o carne). Entonces, siguiendo ese esquema no hay pistas sobre si un vino te va a gustar o no.
Sea como fuere, es dificil prever si un vino te va a gustar sin haberlo probado antes.
De todas formas, MenuVino Inc. realizó un sistema experto que recopilaba el conocimiento de numerosos expertos en el campo para contruir un sistema interactivo que pudiera ser utilizado por los usuarios en su web y así tener mayor idea de cómo puede ser ese vino.
El sistema lleva a cabo dos partes:
1. Selección de un perfil de sabor, llevado a cabo como si el usuario mantuviera una conversación con un experto.
2. Emparejamiento de vinos con comidas detallado.
El resultado, obviamente, clientes más satisfechos con las compras y más formados en el mundo de los vinos pues el SE en ocasiones actúa como herramienta académica.
Lógica Difusa (fuzzy logic)
La lógica difusa tiene gran cantidad de aplicaciones en el sector finaciero y de negocios. Básicamente porque es muy flexible y es muy tolerante a la imprecisión de los datos. Además es capaz de modelar funciones no lineales y facilita mucho la creación de sistemas basados en la experiencia de expertos. Además esta lógica está basada en el lenguaje natural por lo que es facil de comprender y asimilar. Unas de las aplicaciones que tiene son:
El control de transporte de pasajeros en trenes usando logica difusa permite reducir costes y mejorar la comodidad del transporte. Se reducen costes evitando ir a velocidades excesivas y por tanto mejorando el sistema de frenado.
Se pueden realizar interpretaciones de las salidas generadas por redes de neuronas con logica difusa. Un sistema experto difuso se puede aplicar a la tarea de interpretar multiples salidas de una red de neuronas.
El control de transporte de pasajeros en trenes usando logica difusa permite reducir costes y mejorar la comodidad del transporte. Se reducen costes evitando ir a velocidades excesivas y por tanto mejorando el sistema de frenado.
Se pueden realizar interpretaciones de las salidas generadas por redes de neuronas con logica difusa. Un sistema experto difuso se puede aplicar a la tarea de interpretar multiples salidas de una red de neuronas.
Caso práctico
Se creó en Japon un sistema híbrido basado en lógica difusa (con más de 5000 reglas) y con redes de neuronas (NeuroFuzzy Systems) para, mediante el algoritmo de aprendizaje backpropagation, predecir la tasa de cambio del Yen frente al Dolar. El sistema hace inferencias basadas en noticias económicas que puedan afectar al mercado. Los sistemas NeuroFuzzy tienen gran cabida en el ámbito financiero.
Algoritmos Genéticos
Los algoritmos genéticos no tienen demasiada utilidad en el ámbito financiero. En todo caso podríamos destacar que ayudan en gran manera a otras técnicas como las redes de neuronas a optimizar su arquitectura para obtener mejores resultados.
No hay comentarios:
Publicar un comentario