SÃO PAULO, 19 de diciembre de 2019 /PRNewswire/ — En los últimos años, diversas tecnologías disruptivas cobraron protagonismo precisamente por el poder de transformación que conllevan. No sólo en los negocios sino también en las carreras de talentos de diferentes áreas de actuación. Inteligencia artificial (AI, por sus siglas en inglés), machine learning, deep learning, automatización de procesos robóticos (RPA, por sus siglas en inglés), redes neuronales y big data… Son tantos nombres que uno puede perderse, ¿no es verdad?

Lo interesante de estas tecnologías es que, si bien son diferentes, al mismo tiempo se complementan. A continuación explico lo que significa cada una de ellas y cómo se relacionan. ¡Compruébelo!

Inteligencia artificial

La inteligencia artificial es la ciencia y la ingeniería de crear máquinas inteligentes, especialmente programas de computadora. Se relaciona con una tarea semejante a la de usar computadoras para entender la inteligencia humana. En la actualidad, diversas aplicaciones cuentan con AI incorporada. Ejemplos no faltan y abarcan desde las aplicaciones de publicidad de los motores de búsqueda, pasando por el reconocimiento facial en sitios de redes sociales hasta los automóviles inteligentes, los smartphones y las redes eléctricas.

Un ejemplo bastante interesante de inteligencia artificial es el de la BIA – Bradesco Inteligencia Artificial. El asistente virtual del banco atiende a los equipos internos y los clientes a través de texto y voz. Desde su creación en 2016 la plataforma lleva realizadas 185 millones de interacciones y atendió el 95% de las consultas. ¡Increíble!

Google utiliza la AI de forma masiva. Por medio de datos de localización anónima de smartphones, Google Maps puede analizar la velocidad del movimiento del tráfico en cualquier momento. Y con la adquisición de Waze en 2013, Google Maps puede incorporar con mayor facilidad los incidentes de tráfico relatados por los usuarios.

La AI está ganando cada vez más adeptos y las inversiones en tecnología llegarán a US$77.600 millones en 2022, más del triple de los US$24.000 millones previstos para 2018. La tasa de crecimiento compuesto (CAGR) prevista para el período 2017-2022 es de 37,3%.

Machine learning

Arthur Samuel, el científico informático pionero en machine learning, definió al término como el campo de estudio que otorga a las computadoras la habilidad de aprender sin que hayan sido específicamente programadas para ello. De este modo, el machine learning se enfoca en encontrar patrones para hacer previsiones y se ubica debajo del paraguas de la inteligencia artificial.

Un estudio global realizado por la consultora Deloitte señala que más de 300 millones de smartphones tendrán (o ya tienen) la capacidad de hacer uso del recurso de machine learning, el cual permite elaborar conjuntos de reglas y sistemas capaces de analizar datos y extraer aprendizajes a alta velocidad, sin la ayuda de humanos.

En Brasil ya hay muchos casos de uso de machine learning. La Bevap, localizada en el municipio de João Pinheiro, en la región del valle del río Paracatu (Minas Gerais), forma parte de un sector importante para el desarrollo del país: los agronegocios. La empresa utilizó machine learning en la siembra y cultivo de la caña de azúcar, buscando un control más eficaz de los procesos de aplicación de pesticidas y fertilizantes para que resulten más eficientes y ágiles y no se produzca un uso excesivo de los mismos.

La Fundación Bill & Melinda Gates usó machine learning con el propósito de desarrollar herramientas de soporte para pruebas predictivas de alto volumen y planes para el acceso sustentable a sus servicios de diagnóstico avanzados. Los algoritmos de machine learning ayudan a los patólogos a analizar muestras de tejido y realizar diagnósticos más precisos. El objetivo es no solo mejorar la precisión del diagnóstico, sino también el tratamiento.

Redes neuronales artificiales

Las redes neuronales son un conjunto de algoritmos proyectados para reconocer patrones. Estos algoritmos interpretan los datos sensoriales por medio de un tipo de percepción de la máquina, rotulando o agrupando los datos en bruto. Los patrones que reconocen son numéricos y están contenidos en vectores en los que todos los datos del mundo real deben traducirse, sea que se trate de imágenes, sonidos, texto o series temporales.

Las redes neuronales ayudan a agrupar y clasificar. Se puede pensar en ellas como una capa de cluster y clasificación sobre los datos que uno almacena y administra. Ayudan a agrupar los datos no etiquetados de acuerdo con las semejanzas entre las entradas de ejemplo y clasifican los datos cuando tienen un conjunto de ellos etiquetado para entrenar.

Las redes neuronales están íntimamente ligadas al deep learning ya que éste es precisamente el término que utilizamos para las “redes neuronales apiladas”, es decir, redes compuestas por varias capas. 

Una aplicación común de la red neuronal está en la identificación de imágenes. Su smartphone usa la red neuronal para, por ejemplo, identificar si una imagen corresponde a una persona o a un animal. El celular, entonces, consigue agrupar estas imágenes y ayuda al usuario a obtener una mejor localización de ellas.

Deep learning

Se refiere a redes neuronales artificiales que están compuestas por muchas capas. Esencialmente, el deep learning abarca la alimentación de un sistema informático de muchos datos que puede ser usado para tomar decisiones sobre otros datos. Estos datos son alimentados por medio de redes neuronales, como en el caso del machine learning.

El deep learning o aprendizaje profundo es una técnica que facilita la implementación del machine learning, haciendo que las tecnologías estén íntimamente relacionadas. Según el instituto de investigaciones Gartner, en los sistemas de deep learning es preciso que se indique lo que se quiere que hagan. De este modo, el deep learning considera un amplio sistema en el que las neuronas se organizan en diversas capas “ocultas” debajo de una superficie de red neuronal.

La red social Pinterest usa una herramienta de investigación visual que permite ampliar un objeto específico en un “Pin” (o imagen fija) y descubrir objetos visualmente semejantes, con colores, patrones y mucho más. El equipo de ingeniería de la empresa utilizó el aprendizaje profundo para enseñar a su sistema a reconocer recursos de imagen usando un conjunto de datos de miles de millones de Pins de usuarios de Pinterest.

Automatización de procesos robóticos (RPA)

Se trata de un tipo de inteligencia artificial -normalmente en forma de software- asociada a una máquina, que es capaz de realizar tareas de manera automática. Estas tareas deben ser repetibles, escalables y de gran volumen. Las herramientas de automatización de procesos robóticos son una forma de reducir costos, eliminar errores de codificación, acelerar procesos y asociar aplicaciones.

El instituto Gartner define a la RPA como “tecnologías de gateway” o “herramientas de superficie”, porque son apenas la punta del iceberg del mercado de servicios de automatización inteligente. Por su potencial y sus características innovadoras, la demanda de herramientas de RPA está creciendo rápidamente. Gartner estima que para 2022 los ingresos por RPA alcanzarán un total de US$2.400 millones, convirtiéndose en el segmento que más crece en el mercado global de software corporativo.

Su crecimiento tiene una razón: la tecnología puede ayudar a aumentar la eficiencia en las aplicaciones empresariales como el gerenciamiento de las relaciones con los clientes, la gestión de la cadena de suministros y la administración de funciones de recursos humanos y finanzas.

Edenred Brasil, que actúa con soluciones transaccionales para empresas, empleados y comerciantes, usa la RPA para tareas repetitivas y de gran volumen. Su utilización ya ha mostrado ganancias en la agilidad de los procesos administrativos, mejoró la gobernanza y contribuyó a la digitalización de las soluciones.

El gigante de las bebidas sin alcohol, Coca-Cola, utilizó la RPA para agilizar las rutinas en el área de Recursos Humanos. La tecnología ejecuta procesos y estrategias de Recursos Humanos, entrega las nóminas y resuelve las dudas de los empleados.

Big data

Los big data generalmente se caracterizan por ‘3V’: el volumen extremo de datos, la gran variedad de tipos de datos y la velocidad con que se deben procesar los datos. Recientemente se agregaron otras ‘V’ a las descripciones de los big data, incluyendo veracidad, valor y variabilidad.

La tecnología ayuda a identificar patrones o prever comportamientos, utilizando una combinación de técnicas de machine learning y análisis estadístico numérico, junto con ecuaciones diferenciales no lineales.

El caso más emblemático de uso de big data se dio en 2012, cuando la red de tiendas norteamericanas de venta al detalle Target combinó una serie de datos de compra de una joven para determinar que estaba embarazada, ¡antes de que ella se enterara de su gravidez!

Otro ejemplo interesante es el de Nike, que usa los datos para mapear los hábitos y comportamientos deportivos de su público por medio de aplicaciones y dispositivos portátiles capaces de generar información relacionada con la distancia recorrida, las velocidades, los lugares preferidos para entrenar, etc. Todo esto para mejorar el relacionamiento con el consumidor y crear productos innovadores.

Información para contacto:
Daniela Penna
e-mail: daniela.penna@pitchcom.com.br
Tel.: +55 (11) 94145-6532

FUENTE: PR Newswire América Latina

FUENTE PR Newswire América Latina