Inteligencia Artificial en dispositivos móviles.

Por Christian Murillo

La Inteligencia Artificial está iniciando a apoderarse de los dispositivos móviles. Día con día se realizan nuevas implementaciones que contribuyen a mejorar las funcionalidades del celular, pero, sobre todo, a generar una mejor experiencia para el usuario y facilitar actividades.

Un ejemplo de ello son los apartados fotográficos. Muchos fabricantes están optando por utilizar la IA para el procesamiento de fotos, así como para optimizar las aplicaciones de la cámara que van desde mejorar la decisión de la toma de fotos, hasta colaborar en el procesamiento después de tomar la fotografía.

Otra incursión relevante de la IA en el terreno de los dispositivos móviles, es la de los reconocimientos biométricos. Los lectores de huellas son cada vez mas usados por los fabricantes, es tal la penetración de esta herramienta en el mercado que ya se puede ver en teléfonos de gama media esta implementación. El reconocimiento facial ha generado gran impacto en los últimos años y se ha convertido en una herramienta especial para teléfonos de gama alta, pues permite calcular y detectar los diferentes rasgos de una persona, lo que sirve como un método de seguridad avanzado.

Existe una implementación que será introducida en las próximas actualizaciones; monitoreo de tareas. La IA estará monitoreando las diversas tareas que sea realizan en el día con día. También medirá el uso de las apps a través de un conteo que le permita al usuario saber en cuál gasta más tiempo, para de estar forma ser consciente del tiempo gastado y así poder dejar de utilizar el dispositivo en ciertas ocasiones e implementar ese tiempo en otras actividades.

Tras exponer lo anterior viene una pregunta a mi mente ¿Es necesaria la inclusión de la IA a los dispositivos móviles?

Pues bueno, en mi particular punto de vista; sí. Implementaciones como las realizadas en los apartados fotográficos y biométricos han enriquecido en demasía la experiencia, lo cual sin duda es algo positivo y que debe de seguir presentándose con otros desarrollos. Sin embargo, existen otras implementaciones que en lo personal no son de todo favorecedoras.

Hace poco vi un ejemplo de esto en la conferencia de Google para desarrolladores, en donde presentaron a su asistente personal llevando una conversación casi completa con una persona por teléfono. La asistente tenía la meta de concretar una cita en un salón de belleza. La información almacenada en el calendario del celular le permitía saber la disponibilidad del usuario y a partir de esto concretar la cita en sus horarios disponibles todo a través de Inteligencia Artificial.

En lo personal, este tipo de acciones me parecen un poco excesivas, pues son acciones que una persona puede hacer y que no le toman más de 5 minutos. La tecnología hace que las personas cada día seamos más comodinas y que con un mínimo esfuerzo queramos realizar actividades que realmente no suponen un gasto de energía o tiempo.

Por último, cabe mencionar que esta tecnología, seguirá evolucionando y esperemos que sea para bien y no se nos vaya de las manos, que realmente sea un beneficio en todo momento y ayude a las nuevas generaciones.

¿Ustedes qué opinan? ¿Están de acuerdo o en desacuerdo con implementaciones como la expuesta en el ejemplo anterior? ¿Les agradan los últimos cambios y mejoras introducidas por la IA en dispositivos móviles?

Machine Learning no es el futuro, ¡ya estamos en el!

Por Roberto Ramírez

¿Has escuchado mencionar el término machine learning últimamente sin saber a qué se refiere? ¿Te parece un término confuso e intimidante?

Cuando se habla de inteligencia artificial (IA) es normal sentirse confundido, ya que la tecnología IA es algo "relativamente nuevo" que ha generado un gran impacto. Sin embargo, no debe ser visto como algo intimidante, sino como una tecnología que puede aportar mucho a los negocios actuales.

Si quieres entender esta nueva tendencia y platicar de ella con tus allegados, ¡este artículo es lo que estabas esperando!

¿Qué es machine learning?

El machine learning (aprendizaje automático o aprendizaje de máquina), tuvo sus inicios en la década de los 60’s. Fue una subdisciplina de la IA, producto de las ciencias de la computación y las neurociencias, aunque en los 90’s se separa para convertirse en una disciplina por sí sola.

El principal objetivo del machine learning es abordar y resolver problemas prácticos de donde se aplique cualquiera de las disciplinas numéricas (razonamiento probabilístico, investigación basada en la estadística, recuperación de información, y continuó profundizando cada vez más en el reconocimiento de patrones).

Es un campo de las ciencias de la computación que, según Arthur Samuel, les da a las computadoras la habilidad de aprender sin ser explícitamente programadas.  

Si bien al principio sus funciones eran básicas y se limitaban a filtrar emails, hoy en día puede hacer cosas tan complejas como predicciones de tráfico en intersecciones muy transitadas, detectar cáncer, e incluso, definir la compatibilidad entre dos personas.

El objetivo principal de los “learners” es desarrollar la capacidad de generalizar y asociar. Esto traducido a máquinas o computadoras, significa que éstas deben lograr un desempeño preciso y exacto, tanto actividades que resulten familiares, como en aquellas que sea nuevas o imprevistas.

Para poder lograrlo, es necesario replicar las facultades cognitivas del ser humano, crear modelos que generalicen la información que se les presenta para realizar predicciones. Para esto, existe un ingrediente clave; los datos.

Existen tres grandes categorías en las que se dividen sus algoritmos.

1.      Supervised learning (Aprendizaje supervisado)

A través de datos insertados por humanos, la computadora es capaz de distinguir diversas cosas; por ejemplo, distinguir la imagen de auto, por la de un avión. Aunado a este ejemplo, lo ideal es que las computadoras aprendan de una multitud más, y a partir de eso tengan la capacidad de hacer los cálculos necesarios para que el humano no tenga que volver a ingresar información.  Esta categoría asegura efectividad y calidad.

Ejemplos: reconocimiento de voz, detección de spam, reconocimiento de escritura, reconocimiento facial, entre otros.

2.      Unsupervised learning (Aprendizaje no supervisado)

En esta categoría no se cuenta con información previa, sino que se le otorga una enorme cantidad de datos que cuentan con las características propias de un objeto (aspectos, partes, características que conforman un auto) para que de esta forma la computadora pueda terminar qué es.

Ejemplos: detectar morfología en oraciones, clasificar información, etc.

3.      Reinforcement learning (Aprendizaje por refuerzo)

Esta categoría tiene como base de aprendizaje el refuerzo. A través de múltiples pruebas y errores, la máquina es capaz de adquirir conocimiento. Otra característica de esta categoría es que las máquinas conocen los resultados desde el principio, sin embargo, no sabemos cuál es la mejor ruta o cuáles son las decisiones que se deben tomar para llegar al éxito. El algoritmo poco a poco va asociando los patrones de éxito, y de esta forma repetirlos una y otra vez, hasta llegar al punto de perfeccionarlos y convertir el proceso es uno infalible.

Ejemplos: navegación de un vehículo en automático, toma de decisiones, etc.

Perspectivas y aplicaciones

Por momentos estamos tan involucrados con la tecnología que no nos damos tiempo de detectar los diversos desarrollos o tendencias tecnológicas que utilizamos en el día a día. Para el individuo, la inteligencia artificial, especialmente el machine learning, es un facilitador clave de muchas de las tareas que realizamos en nuestra rutina diaria; servicios de traducción, asistente personal (Siri), predicción del clima, y en temas comerciales, específicamente en el sector retail, conocer de forma anticipada qué es lo que los usuarios quieren en base a sus actividades o hábitos de consumo.

Hablando en temas de negocios, las compañías actuales señalan a esta tendencia como una oportunidad invaluable para sus sistemas operativos, pues les permite cumplir con sus expectativas de mejora y crecimiento, así como automatizar sus procesos.  ¿Qué áreas pueden aplicar esta tecnología?

Debido a su naturaleza basada en el procesamiento y análisis de datos, la tecnología machine learning se puede aplicar en sectores donde se cuente con bases de datos lo suficientemente grandes. Algunos de sus usos más populares y desarrollados son:

• ·        Clasificación de secuencias de ADN
• ·        Predicciones económicas y fluctuaciones en el mercado bursátil
• ·        Mapeos y modelados 3D
• ·        Detección de fraudes
• ·        Diagnósticos médicos
• ·        Buscadores en Internet
• ·        Sistemas de reconocimiento de voz
• ·    Optimización e implementación de campañas digitales publicitarias (Google AdWords, Facebook e Instagram).

La cantidad de información que se maneja en la actualidad presenta tintes infinitos, lo que se convierte en un gran desafío para muchas empresas que buscan catapultar su negocio a costa de los datos recibidos. Esta tecnología permite que la información sea utilizada para mejorar los conocimientos de la empresa y, además, tener una mayor capacidad de respuesta ante diversos escenarios.

El machine learning no es una tecnología que haga magia, se requiere de talento humano para poder perfeccionarse, y así poder sacar el mejor provecho de ella. Como sucede con todas las tecnologías, las empresas deben conocer las características básicas de la tecnología, para poder saber usarla a su favor, de lo contrario, se hacen implementaciones que no están alineadas y enfocadas en solventar las necesidades reales de la empresa. Lo que es un hecho, es la IA y sus derivados, van a transformar por completo el mundo como lo conocemos. 

Fuente:

https://blog.adext.com/es/machine-learning-guia-completa

Análisis de datos, un paso firme hacia la transformación digital

Si bien la tecnología ha sido una herramienta que ha llegado para beneficiar a los mercados actuales en diversas coyunturas, su misma naturaleza y evolución se convierten en un reto desafiante para las empresas que intenta competir.

Existe un factor que genera grandes dolores de cabeza a los encargados de TI; el flujo de información, el cual llega a presentar tintes infinitos. Su papel en los mercados actuales es clave y protagonista, convirtiéndose en el baluarte de las empresas que, sin importar el tamaño o la experiencia que presentan dentro del mercado, reconocen la importancia de sus datos para el crecimiento soñado.

En tiempos actuales “Información es dinero”, los datos se convierten en indicadores numéricos que traducen la situación comercial y financiera de la empresa. El análisis de datos colabora con esta labor, al demostrar el funcionamiento de la información recabada y presentarla en diversas formas para la toma de decisiones y la optimización de procesos.

Según una encuesta realizada por IDC, el 90 por ciento de las empresas indicaron que el análisis de datos es una de sus prioridades. El 73 por ciento, ya está invirtiendo más del 20 por ciento de su presupuesto total en tecnología de análisis de datos, y dos de cada 10 empresas, llegan a invertir más del 30 por ciento.

 “En la actualidad, la tecnología está inmersa en la mayoría de las operaciones de las empresas, y con el análisis de datos no es la excepción. Recientemente este término ha ganado peso debido al valor que representa para las empresas, ya que les permite conocer más detalladamente cómo optimizar sus procesos mediante la evaluación de la información, gestionando acciones específicas hacia la mejora continua de la operación” explicó Israel Coto, director de la Oficina de Microsip en Ciudad de México.

Contar con un desarrollo de análisis de datos otorga a las empresas una serie de ventajas competitivas, pues gracias a la evaluación en tiempo real de la operación se pueden tomar decisiones y cambiar estrategias de forma rápida, pertinente y efectiva. Aunado a esto se le suman otros beneficios:

·        Se pueden conocer los errores organizacionales en tiempo real, lo que permite hacer una corrección casi instantánea. En empresas de manufactura se tenía una persona que revisaba una muestra aleatoria que constaba de 100 o 200 muestras lo que permitía saber si la producción se estaba haciendo bien y si se cumplían con todos los estándares. Ahora, con la información en tiempo real, este muestreo lo hacen aparatos electrónicos, lo que hizo que la muestra fuera mayor y se tuviera un mayor margen de detección de errores. Estos aparatos lanzan desafíos para saber si el producto cumple con lo prometido y supera todas las condiciones necesarias. Además, muestra estadísticas de los resultados, soltando alertas en caso de que los indicadores no sean favorables, lo que supone seguir con pruebas hasta lograr el estado óptimo del producto.

·        Revisar diversos datos permite identificar áreas de mejora o de oportunidad, así como actuar con base en lo que hace la competencia. El análisis de datos ofrece la ventaja de realizar comparativos en tiempo real de proyección de ventas por región, o líneas de producto con crecimiento acelerados.

·        Si existe la posibilidad de que se cometa algún fraude, este puede ser detectado de forma inmediata y ser regularizado de mejor manera antes de que se produzcan daños mayores. Las entidades financieras o bancos es uno de los sectores que más beneficiados se han visto con el análisis de datos, pues son capaces de detectar los hábitos de compra y el monto de las mismas de los clientes, lo que les permite detectar malos usos o fraudes de forma automática.

·        Tras su implementación e inversión inicial, se verá reflejado un ahorro de tiempo en el procesamiento y toma de decisiones. Toyota supo implementar este beneficio en sus plantas con el sistema Just In Time, el cual busca la optimización de los espacios, recursos financieros, materiales y humanos.  La empresa automotriz contaba con enormes almacenes de material y partes lo que le significa un costo alto en gestión de inventarios y rentas. Con la finalidad de reducir gastos, se crea un sistema de producción "justo a tiempo", en donde a través del análisis de datos, se puede conocer en qué fecha y hora el material o pieza va a terminarse, con esta información, el proveedor puede programar un envío en tiempo y forma de la cantidad precisa de material para la producción, sin producir gastos de almacenamiento. 

·        Es posible aumentar las ventas a partir de un análisis inteligente de preferencias.  La empresa Asos ofrece más de 80,000 productos en su tienda en línea, para los responsables era de suma importancia conocer las preferencias de sus clientes, pues sabían que ninguno de ellos verían la gama completa de productos y el inter podrían perder el interés, por lo que, para no perder su atención y deseo de compra implementaron un sistema de “Hot paths o caminos inteligentes” que le permite a la máquina ir aprendiendo las preferencias a través de cada búsqueda y clic, de esta forma, conforme va navegando el usuario, la empresa sabe que productos poner en primer plano para poder terminar con el proceso de compra de forma efectiva. 

El análisis de datos se convierte en el eslabón que permite a las compañías estar en tendencia tecnológica, pues tras su implementación se pueden integrar otra serie de avances de esta índole que permitan controlar de mejor forma el universo de datos de la empresa y tener una vista 360° de la misma.  

Estos desarrollos representan una oportunidad excepcional para las empresas actuales, para procesar la información y transformarla en acciones que busquen innovar los procesos internos, tomando en cuenta las tendencias tecnológicas que permitan una evolución y actualización en la operación del negocio.

5 empresas que utilizaron gamificación de forma exitosa

Como se comentó en la entrada anterior “Gamificación, clave para ventas ¿Por qué?” , la gamificación es una nueva tendencia que se ha convertido en una realidad, pues ha beneficiado a una serie de empresas a través de técnicas de juego que fomentan la interacción de la marca con el cliente y viceversa.

Uno de los máximos atributos de la gamificación es su alta capacidad de atraer al cliente, pues gracias a su ideología los invita a divertirse en todo momento, mientras interactúan con la marca y la hacen propia, lo que sin duda es una pieza clave para el crecimiento de cualquier empresa.

Debido a su fama, reconocidas empresas han implementado estrategias de juego y aunque cada una lo ha hecho de forma diferente, todas comparten una misma meta; interacción y reconocimiento de marca.

A continuación, conocerás a 5 empresas que utilizaron gamificación de forma exitosa.

1-. Starbucks

La popular marca de retail encontró en la gamificación una oportunidad valiosa para incentivar la compra de sus clientes de forma divertida. Los conocidos Programas de Lealtad también colaboraron en este éxito, pues la campaña consistía: a más productos consumidos, más estrellas acumuladas, lo que le permitía al cliente ir subiendo de nivel y canjear premios.

Además de las tarjetas, Starbucks creó una app en donde se almacena toda la información del cliente, lo que le permite saber sus movimientos, cantidad de puntos sumados, así como conocer el menú de productos que puede canjear con sus puntos. Aunado a esto, la aplicación le da la oportunidad al usuario de pagar sus consumos. Gracias a que cada producto cuenta con un código de barras, el cliente no necesita su cartera, pues el cargo se hace directamente a sus puntos. 

Es algo sencillo, pero que incentiva la competencia entre los usuarios a través de la superación de niveles y un sistema de recompensas. 

2-. Nike +

La poderosa marca de ropa y calzado deportivo, le hace honor a su nombre y al sector al que provee e incentiva la competencia y la victoria a través de una aplicación que hace que los runners salgan a correr no sólo para quemar calorías.

Nike + incentiva al usuario a competir contra sí mismo, así como contra la comunidad de runners de Nike. Esta herramienta permite registrar velocidad, distancia, recorrido y calorías quemadas durante el trayecto. El usuario puede compartir sus resultados con el resto de la comunidad y conocer resultados de otros runners.

Una acción interesante que realiza esta reconocida marca es que, en función a los resultados y hábitos del usuario, le envían correos personalizados con productos que podrían interesarle. De esta forma la empresa le hace ver al usuario que se interesa por él y lo incentiva a seguir participando en la dinámica y hacer uso de la aplicación.

Esta interacción contribuye a mejorar y extender la imagen de Nike a nivel mundial, así como mejorar el compromiso de la persona por el deporte.

3-. Gamisfaction

Esta estrategia se basa en recompensar a usuarios activos de Twitter que fomenten la interacción en la comunidad. Es un servicio que recompensa con puntos a aquellos usuarios que logren sumar el mayor número de Retweets y Favoritos en dicha red social.

La competencia es el ingrediente principal de estas estrategias, pues de esta forma se invita a grandes cantidades de usuarios a ser parte del movimiento y utilizar la red social de un modo correcto.

4-. BBVA Game

Este banco español no sólo busca generar interacción entre sus clientes y sus plataformas en línea, sino que busca acercar al cliente al uso de la banca en línea. Esta es una inteligente estrategia para matar dos pájaros de un tiro, pues promueve la utilización de la banca, así como la interacción de sus clientes con su marca.

A través de retos el banco le permite al cliente ganar puntos y premios que pueden ser canjeados por premios o rifas.

Esta es una forma de familiarizar a sus clientes a la banca online de forma divertida, lo que permite liberar las sucursales físicas que, por lo general, se encuentran saturadas y denotan una mala imagen. 

5-. The Speed Camera Lottery

La Agencia Nacional de Seguridad Vial de Estocolmo y la empresa automotriz Volkswagen, utilizaron gamificación para promover el respeto a los límites de velocidad en carretera, a través de un sistema de radares.

Este innovador proyecto presentó recompensas para aquellos que respetaban los límites de velocidad impuestos en carretera. Los automovilistas responsables entraron a una lotería cuyo premio mayor es el dinero que la Agencia había recaudado de todas las mulas por exceso de velocidad.

Esta estrategia fue todo un éxito en la capital de Suecia que consiguió corregir las malas prácticas de manejo, reduciendo la velocidad en sus carreteras en un 22%.