Hoy en día, con la enorme cantidad de datos que generamos en la era de la transformación digital (Big Data) están surgiendo nuevas tecnologías, no siempre bien conocidas, a las que cuesta ubicar en el panorama de herramientas al que estamos acostumbrados. El desafío en estos casos siempre es el mismo: saber qué podemos esperar de cada uno de esos enfoques tecnológicos y cuándo son la solución a los problemas que tenemos entre manos.
Uno de los casos más comunes de confusión es cuando hablamos de Análisis Predictivo y Machine Learning. Ambos conceptos comparten similitudes y un mismo objetivo, pero existen matices que los diferencian. En este artículo vamos a tratar de aportar algo de luz y entender mejor en qué consiste cada una de ellas, y sus posibles aplicaciones dentro de la industria.
Machine Learning
Machine Learning (ML) es una disciplina de la Inteligencia Artificial (IA) que surge como consecuencia de un cambio de paradigma. El foco se desplaza de lo programático al aprendizaje autónomo (que sea la máquina la que aprenda a partir de los datos), y viene de la mano de un aumento tanto de la potencia de cómputo como de la cantidad de datos de los que se dispone (y acelerado aún más como consecuencia de la aparición del Internet of Things, o IoT).
ML abarca una gran variedad de métodos que ayudan a las máquinas a aprender, siempre a través de los datos y sin necesidad de programarlas para ello. Esa variedad de métodos puede descomponerse en 3 grandes grupos: el aprendizaje supervisado (entrenamiento con datos etiquetados, es decir, que sabemos de antemano cómo queremos que sirvan de ejemplo a la solución ML), aprendizaje no supervisado (las máquinas buscan patrones a través de las similitudes que encuentran en los datos) y aprendizaje por refuerzo (la máquina aprende en un entorno concreto a través de ciclos de prueba y error).
Este abanico de enfoques nos permite abordar una gran variedad de problemas, y por ende ha provocado que ML sea ya obligatorio como herramienta en todas las empresas que desean competir con éxito en su sector, así como optimizar algún ámbito de su operativa.
Algunos ejemplos de ML aplicado a problemas concretos son:
- Clasificación de productos: Una de las grandes aplicaciones de las soluciones de ML al sector industrial, ya que permite automatizar dos procesos muy importantes como son el control de calidad y la separación de productos en función del tipo. A través de técnicas de visión artificial se puede obtener el tipo de producto que poseemos y a su vez ser capaces de detectar si este posee algún defecto. Un gran ejemplo de esto se puede encontrar en cualquier cinta de producción donde llegue una gran variedad de productos, para lo cual es necesario primero asegurarse de que no tienen ningún defecto visible y posteriormente clasificarlo para su posterior envío o venta.
- Recomendadores: muy usados por aquellas empresas que prestan servicios o venden productos directamente al cliente final (Netflix, Inditex, Telefónica, El Corte Inglés y un sinfín más), su objetivo principal es personalizar su oferta. Es tal la importancia que las empresas le dan a este caso de uso que, en comunidades de profesionales como Kaggle, las empresas lanzan competiciones con premios importantes para quien les ayude a resolver este tipo de problemas. En el siguiente enlace se entra más en detalle sobre los recomendadores: Sistemas de Recomendación.
- Diagnóstico a través de imágenes médicas: a través de técnicas de Deep Learning (una rama de ML que utiliza redes neuronales) podemos ser capaces de detectar y diagnosticar una gran variedad de enfermedades a través de imágenes, ya sean placas de rayos X, ecografías o simples fotografías. Este tipo de técnicas, bastante novedosas y en plena expansión hoy día, tendrán una enorme repercusión social en los próximos años. El siguiente artículo nos muestra un caso de uso de estas técnicas: Diagnóstico Infarto.
Análisis Predictivo
El análisis predictivo (AP, en adelante) lleva con nosotros décadas, y se puede definir como una herramienta matemática que aplica fundamentalmente técnicas estadísticas y de modelización con el objetivo de anticipar la evolución temporal de algunos indicadores de interés a partir de datos históricos.
Algunas de las técnicas más conocidas del AP son Naïve Bayes, árboles de clasificación y regresión, mínimos cuadrados ordinarios y regresión logística. Algunos ejemplos de uso de AP son:
- Predicción de ventas: aplicando algunos algoritmos de AP (p.ej. regresiones) se pueden obtener magníficos resultados que ayuden a las empresas a conocer el estimado de ventas y mejorar así la organización del stock disponible.
- Predicción de precios de mercado: aplicando técnicas matemáticas complejas, como las series de Fourier o diferentes tipos de regresión, sobre series temporales con los precios de los valores en bolsa, podemos realizar predicciones de su evolución. Este caso de uso también se puede aplicar a todo tipo de precios, o incluso otros ratios de interés como el paro o los casos detectados de COVID-19.
Conclusiones
Por todo lo comentado anteriormente, y aunque el objetivo con el que se aplican sea muy parecido, usar los términos Machine Learning y Análisis Predictivo de forma indistinta no es correcto, ya que existen diferencias relevantes. A modo de resumen:
- El principal uso de Machine Learning es diseñar algoritmos y modelos que vayan mejorando los resultados de sus predicciones, mientras que los modelos predictivos son una forma avanzada del análisis descriptivo básico. Por esto se podría catalogar al Análisis Predictivo como un subconjunto o aplicación del Machine Learning.
- El Machine Learning es una tecnología mientras que la Analítica Predictiva es un estudio y no una tecnología como tal.
- Mientras que el Machine Learning es capaz de aprender de sus errores pasados, la Analítica Predictiva se reduce a la predicción basada en datos históricos.
Por último, a pesar de que el ML y el AP son conceptos distintos, estos se complementan muy bien. La combinación de las diferentes técnicas matemáticas de la AP, junto con la posibilidad de aprendizaje de las máquinas generado por el ML, llevan a conseguir resultados muy importantes e interesantes para cualquier tipo de industria.
¿Quieres saber más sobre las diferencias entre el análisis predictivo y el Machine Learning?
