El machine learning (ML) está ayudando a resolver todo tipo de problemas, pero simplemente suena bastante inaccesible. La mayoría de las personas han escuchado el término, y muchas no están seguras exactamente de qué significa. ¿Cómo puede ayudar a resolver problemas en negocios de servicios públicos? <\/SPAN>Más adelante en esta publicación del blog, veremos tres palabras que ayudarán a cualquiera a volverse lo que un colega mío llama compatible con buzzwords en machine learning.<\/STRONG><\/P>Dado el auge en datos y análisis, el término "machine learning" aparece por todas partes. Es un subconjunto del campo de la inteligencia artificial. Eso lo hace sonar un poco como ciencia ficción, pero no lo es. El almacenamiento moderno de datos en la nube y los recursos computacionales tienen la capacidad impresionante para ayudar a abordar problemas reales de negocio, particularmente con técnicas de ML. El machine learning usa programas genéricos en lugar de crear programas específicos para cada nuevo desafío empresarial. Estos programas evalúan datos para identificar patrones y luego usan esos patrones para formar predicciones. En cierto sentido, la máquina, o computadora, aprende de los datos sobre experiencias pasadas y aplica ese aprendizaje al problema actual.<\/STRONG><\/P>Las máquinas aprenden igual que nosotros los humanos. Alguien a menudo nos dice qué esperar (algorithm), tenemos experiencias (data), hacemos observaciones y formamos nuestras propias ideas sobre patrones (training), y luego aplicamos esos patrones a experiencias futuras. Mi esposa ha aprendido a leer mi estado de ánimo por mi expresión facial y ubicación. Aunque ella no tiene conocimiento directo de mis pensamientos internos, cuando hago "esa cara" en la cocina, ha aprendido que estoy molesto porque los niños dejaron sus platos en el fregadero. Ella ha observado un patrón y por lo tanto hace predicciones precisas.<\/P>1. Model<\/STRONG><\/P>En el campo del ML, "model" aún no tiene una definición estándar. <\/SPAN>Piense en el model como el sistema que encarna las técnicas, programas y data.<\/STRONG> <\/SPAN>Es el model que finalmente producirá resultados. Podrías preguntar sobre el desempeño de cierto model en un nuevo conjunto de datos. Si le preguntaras a un científico de datos si el model estaba listo para resolver tu problema, la respuesta podría ser: "El model aún no es lo suficientemente preciso; todavía necesita más ajuste."<\/P>2. Algorithm<\/STRONG><\/P>Un algorithm es un procedimiento para completar una tarea, como una receta<\/STRONG>. En ML, es un enfoque matemático para encontrar los patrones en los data. El software de ML incluye bibliotecas de estos programas genéricos que pueden usarse en tus models. Hay muchos algorithms escritos por matemáticos, cada uno con sus propias fortalezas y debilidades para diferentes situaciones. A menudo tienen nombres crípticos como empirical Bayesian kriging (EBK) u ordinary least squares (OLS), y se requiere algo de prueba para encontrar el mejor algorithm para cada aplicación. Generalmente se necesita capacitación en ciencia de datos para seleccionar el mejor algorithm para una tarea particular.<\/P>3. Training<\/STRONG><\/P>El training ayuda a diferenciar ML de otros tipos de resolución de problemas. El model se entrena usando un conjunto de data con resultados conocidos. Aplica el algorithm para analizar los training data, encontrando las correlaciones y patrones en esos data. <\/SPAN>Una vez que el model está suficientemente entrenado, puede usarse para hacer predicciones sobre nuevos data donde los resultados aún son desconocidos.<\/STRONG><\/P>Resolviendo un problema real<\/STRONG><\/P>Las utilities eléctricas activan y desactivan el servicio como parte del negocio normal. Para la mayoría de los clientes utility, esto no sucede muy seguido. Sin embargo, para algunos, esta acción es requerida varias veces al año. Esto podría deberse a personas que se mudan o facturas utility impagas. Algunas utilities instalan medidores que pueden activarse y desactivarse remotamente desde la oficina, sin necesidad de enviar un empleado ni vehículo al lugar. Estos medidores ahorran tiempo al cliente mientras reducen costos transaccionales e impacto ambiental. ¿Cómo podría una utility analizar data para predecir qué clientes se beneficiarían con estos medidores más costosos?<\/P>Para abordar este problema, podríamos reunir data de órdenes pasadas y hacer predicciones sobre actividad futura de activación y desactivación. Los data podrían incluir tipo de cuenta, tarifa, historial de pagos, montos facturados, dirección, etc. Elegiríamos un algorithm, recopilaríamos data histórica y entrenaríamos el model. Este model podría usarse entonces para examinar cuentas actuales y predecir cuáles tienen mayor probabilidad de tener alta demanda por este servicio en el futuro.<\/P>En este ejemplo, como con la mayoría de preocupaciones utility, la información sobre ubicación sería invaluable para ayudar a resolver este problema<\/STRONG>. Entendemos que estudiantes universitarios ocupan apartamentos según el ciclo escolar y luego suelen mudarse durante el verano. Las mudanzas estudiantiles afectan directamente las órdenes del servicio eléctrico. Si también pudiéramos usar información sobre ubicación, como proximidad a universidades, el model podría funcionar aún mejor.<\/P>Las técnicas de machine learning continuarán evolucionando. A medida que lo hagan, es importante incluir location intelligence en cada paso del proceso. La ubicación es una parte natural en la preparación de data utility, entrenamiento del model y predicciones significativas.<\/STRONG> <\/SPAN>No hay mejor manera de incorporar location intelligence en ML que con GIS.<\/P>La tarea de explotar big data es demasiado grande para análisis manual.<\/STRONG> <\/SPAN>Las utilities necesitan las mejores herramientas y técnicas para encontrar insights accionables en data, visualizar los resultados y comunicar claramente el impacto a las partes interesadas. La plataforma ArcGIS incluye estas herramientas junto con potentes técnicas basadas en location para machine learning.<\/P>La próxima vez que salgas de la cocina y alguien lea tu mente basado en tu expresión facial, date cuenta que están usando la misma técnica que machine learning. Descubre cómo location intelligence y machine learning pueden <\/SPAN>abordar tus desafíos empresariales<\/A>.<\/P>
