- Por Jorge Zárate
- jorge.zarate@nacionmedia.com
- Fotos: Archivo/AFP/Gentileza
Supermercados, bancos, empresas textiles y agropecuarias de nuestro país ya usan los beneficios de la inteligencia artificial para mejorar sus desempeños. Algunos expertos nacionales cuentan de la evolución de estos mecanismos que llegaron para quedarse. En el mundo se dice que el análisis de datos será la principal fuente de empleo en la próxima década. Aquí un panorama.
“Machine learning es el campo de la inteligencia artificial que busca desarrollar sistemas que se autoconfiguran a partir de los datos”, expone el especialista Sebastián Grillo. “Este ha conseguido desarrollar el ChatGPT, algunos fármacos, la visión artificial, entre muchísimas otras aplicaciones”, cuenta. “Es un campo de décadas de investigación, pero ahora con los hardwares más potentes está teniendo un desarrollo más acelerado”, comenta.
Como ejemplo apunta que bancos y telefónicas usan machine learning para analizar sus datos hace años y también hay empresas que ofrecen servicios de análisis de datos con machine learning como Dato Solutions.
El ingeniero José Luis Vázquez, director del Laboratorio de Análisis y Modelado Basado en Datos de la Facultad Politécnica de la Universidad Nacional de Asunción (FPUNA), apunta que “el machine learning (aprendizaje automático) es una rama de la inteligencia artificial que se basa en la idea de que las máquinas pueden aprender de los datos, identificar patrones y tomar decisiones con mínima intervención humana. Utiliza algoritmos que iterativamente aprenden de los datos, permitiendo que los modelos mejoren su rendimiento a medida que se exponen a más información”.
APLICACIONES EN PARAGUAY
Según reseña, en nuestro país el machine learning se está empezando a utilizar en varios sectores, incluyendo la agricultura, con la implementación de algoritmos para analizar condiciones del suelo, clima y otros factores para mejorar los rendimientos de las cosechas y optimizar los recursos; la salud, con el uso de técnicas de aprendizaje automático para diagnosticar enfermedades a partir de imágenes médicas, analizar tendencias de salud pública y optimizar la gestión hospitalaria; banca y finanzas, a través de la aplicación en sistemas de detección de fraudes, análisis de riesgo crediticio y personalización de servicios financieros a través del análisis de datos de los clientes.
Asimismo, ya se está utilizando en el sector de la educación para el desarrollo de sistemas adaptativos de aprendizaje que ajustan el contenido educativo según las necesidades y el progreso de cada estudiante, así como en el comercio y servicios para el análisis de comportamiento del consumidor y la optimización de la cadena de suministro, además de la personalización de la experiencia del cliente.
Vázquez resume que esta herramienta tiene múltiples aplicaciones y se puede utilizar prácticamente en cualquier área o tarea en la que el ser humano está involucrado.
Por su parte, el doctor en computación aplicada Diego Stalder expone que “los bancos usan algoritmos, toman decisiones si dan o no el préstamo analizando el riesgo de las inversiones. Estas predicciones a futuro están ayudadas por machine learning para tomar decisiones. Es una tendencia que ya se ve aquí en el país en los principales bancos. También se hace predicción de fraudes para poder bloquear las operaciones.
Stalder puntualiza que “cada vez más se aplica en las investigaciones, sobre todo las empresas que manejan muchos datos ya tienen divisiones de análisis de datos, bancos especialmente, tengo colegas trabajando allí, principalmente en multinacionales, otras empresas no sé qué tanto”, mencionó. “De a poquito el mercado les está llevando a usar este tipo de sistemas. Todas de alguna forma directa o indirecta están usando modelos”, apuntó.
Según la cadena británica BBC, hay tres áreas en las que ya es omnipresente: 1) En el diagnóstico, monitoreo y tratamiento de enfermedades; 2) Recopilación de datos que ayudan al usuario a llegar a un lugar o a conocer lo que los clientes de un determinado mercado necesitan y 3) Ruptura de barreras idiomáticas al permitir hacer traducciones automáticas.
MODELOS MATEMÁTICOS
Los modelos matemáticos son claves en el mundo del conocimiento, en el Gobierno y en la empresa actual, en los que se los usa para resolver problemas del medioambiente, el agro, la salud, por citar algunos ejemplos.
Por ello, para el diseño de políticas públicas no solo es necesario disponer de datos confiables, sino también es necesario que el trabajo sea multidisciplinario. En este aspecto, se están cada vez más teniendo en cuenta modelos matemáticos y estadísticos para la toma de decisiones, ya que estos pueden ayudar a un mejor entendimiento, hacer predicciones o considerar escenarios de estudio que no son posibles de hacer en forma real. Pero, a su vez, es necesario trabajar de forma cercana con expertos, de modo de generar herramientas confiables de análisis.
Las matemáticas pueden ayudar al desarrollo de la salud, biología, transporte, infraestructura, ambiente, desastres naturales, mejora de la producción, desde modelos que permiten hacer proyecciones que facilitan el análisis de un sinnúmero de problemas.
Esa es la propuesta del Laboratorio de Análisis y Modelado Basado en Datos de la Facultad Politécnica de la UNA, cuya idea es “posicionarlo frente a la industria, el Gobierno y las organizaciones para encontrar soluciones a problemas centrados en datos, en colaboración con la academia y la industria. La experiencia en investigación de los profesores abarca la predicción de desarrollo de epidemias, la toma de decisiones basada en datos, la implementación de inteligencias artificiales en múltiples sectores, la calificación crediticia, la evaluación de programas, la mejora de procesos y más”, indicó José Luis Vázquez, director de la mencionada dependencia.
“Los profesores y los estudiantes de esta iniciativa conocen bien los métodos analíticos y estadísticos utilizados tanto en investigación como en la industria, así como técnicas como el aprendizaje automático, las redes neuronales y el aprendizaje profundo de cara a ofrecer servicios que mejoren la gestión y el análisis de datos en la sociedad”, expuso.
ALTA DEMANDA LABORAL
La clave del mundo del trabajo pasaría por esta área, que crecerá un 40 % en su demanda de empleos. Todos los pronósticos dicen que provocará una verdadera transformación de la mano de obra tal y como la conocemos.
Para ello se piden conocimientos relevantes en el procesamiento del lenguaje natural, ingeniería rápida y Python, que se pueden aprender online en academias de diverso prestigio en el mundo.
“Un programa bootcamp puede ser una buena opción. Suelen ser más cortos, más baratos y más flexibles que un programa de grado tradicional, pero pueden proporcionar un aprendizaje más sustancial que un curso o un certificado más corto. Además, algunos bootcamps ofrecen servicios profesionales y oportunidades de tutoría, orientando a los estudiantes a lo largo de todo el proceso de búsqueda de empleo, desde la creación de redes hasta las negociaciones salariales”, reportó el periódico Infobae.
Los bootcamps ofrecen una alternativa práctica y flexible para adquirir competencias en IA, con programas que incluso incluyen tutorías y orientación laboral. Gracias a esto los estudiantes fueron contratados en empresas de todos los tamaños y sectores, entre las que se destacan empresas tecnológicas de primer nivel como Amazon y Google. La duración media de los programas oscila entre ocho semanas y nueve meses, y los precios varían entre unos pocos miles y casi 15.000 dólares.
DÓNDE SE APLICA
También fue sorprendente el uso en los juegos donde ayudaron a resolver cubos de Rubik en un tiempo sorprendente en una carrera que tiene como hito la victoria del IBM Deep Blue sobre el gran maestro ruso Garry Kasparov en una histórica partida de ajedrez en 1997. Hoy es casi imposible ganarle a una máquina.
En este sentido, explica José Luis Espinoza, científico de datos de BBVA México: “Ahora podemos hacer lo mismo que antes, pero mil millones de veces más rápido. Los algoritmos son capaces de probar 500.000 millones de veces una misma combinación de datos hasta darnos el resultado óptimo. Y lo hacen en cuestión de horas o minutos, mientras que antes harían falta semanas o meses. La diferencia con técnicas anteriores está en su capacidad para adaptarse a los cambios en los datos a medida que van entrando en el sistema”.
Otra clave es el reinforcement learning, que se traduce como “aprendizaje por refuerzo”, que es cuando una máquina aprende por medio de prueba y error hasta alcanzar la mejor manera de completar una tarea dada. También tienen un aprendizaje supervisado, cuando se entrena a las máquinas con datos etiquetados y el aprendizaje no supervisado, que es cuando buscan similitudes, es decir, los algoritmos buscan parecidos que se pueden agrupar.