machine learning whitepaper

MACHINE LEARNINGEL SMART DIGITAL WORKPLACE COMO VENTAJA COMPETITIVA

SKILLSWHITEPAPER

ENERO2017

ABOUT RAONA

Eduard Bermejo es Data Scientist en Raona. Su trabajo consiste en diseñar soluciones basadas en Machine Lear-ning definiendo qué algoritmos utilizar y los pasos a seguir en la extracción y análisis de los datos. Asegura la obten-ción de modelos con buena precisión y capacidad de generalización para sa-tisfacer las necesidades que la solución final del cliente requiere.Ha participado en varios proyectos de I+D en Machine Learning, como el bot corporativo Raonenc o el prototipo de Document Inspirator para Word entre otras iniciativas.

Consultora en nuevas tecnologías especializada en el desarrollo de soluciones tec-nológicas a medida que aportan valor al negocio y que ofrece soluciones de intranets sociales, desarrollo de software, SharePoint, Touch&Mobility, portales web, Cloud integration y user experience.

Nace en 2003 en Barcelona y cuenta con oficinas en Madrid, Londres, Andorra y Ar-gentina. Con más de 100 ingenieros, es Gold Partner de Microsoft y una de las empre-sas líderes en el desarrollo de soluciones en el mercado español con fuerte presencia internacional.

Sobre nosotros

MACHINE LEARNINGWHITEPAPER

Àlex Martínez es arquitecto de sof-tware en Raona, MCSD de Microsoft y experto en nuevas tecnologías de desarrollo. Participa en numerosos proyectos en clientes definiendo las plataformas a utilizar para garantizar la calidad, el rendimiento y la evolución futura de las soluciones implementa-das. Lidera áreas de innovación centradas en las tecnologías emergentes como los asistentes virtuales, machine lear-ning o entornos híbridos con servicios cloud integrados.

Photo comment: Ude-

mus omplinv eniquesa

conduciordi, cantur.

El Machine Learning (ML) no es un concepto nuevo, aunque ahora sea uno de los temas más de actualidad gracias al impulso que le han otorgado gigantes tecnológicos como Microsot, Google o Facebook. Sin embargo el creciente volumen de datos, tanto en la esfera personal como en la profesional, que producimos y consumimos a diario, así como el abaratamiento de costes en el almacenamiento de estos datos y su procesamiento computacional, han propiciado la eclosión del Machine Learning como tecnología en auge.

La inversión en esta rama de la inteligencia artificial por parte de las empresas supone tanto importantes beneficios como la reducción de costes y el ahorro de tiempo. En definitiva, una ventaja competitiva a corto y largo plazo. No obstante, en el escenario local l aún son pocas las compañías que deciden apostar por el aprendizaje automático.

El sector de la banca o el de los seguros han sido los más atrevidos en utilizarlo para la mejora de sus procesos, y se están llevando a cabo proyectos muy ambiciosos. Las pymes españolas siguen en su mayoría sin apostar por el Machine Learning, a pesar de la cantidad de datos valiosos que poseen a día de hoy, porqué existe mucho desconocimiento respecto a cómo puede potenciar nuestros negocios. Este whitepaper quiere poner algo de luz en este asunto, explicando en qué consiste y repasando casos de uso en el ámbito del Digital Workplace.

La potencialidad del aprendizaje automático


El coche de conducción automática es la principal revolución en el sector automovilístico de la aplicación del aprendizaje automático a nuestro día a día.

4

¿Por qué debo usar Machine Learning?

El hecho que grandes compañías como Microsoft, Google, Fa-

cebook o IBM hayan puesto su foco en el Machine Learning y,

como consecuencia, esto haya provocado un mayor interés so-

cial, se debe a los siguientes factores:

1.- El volumen de datos que manejamos a diario en el ámbito

privado y público cada vez es mayor.

2.- Estos datos, además, son de diferentes clases, y hemos asis-

tido a un abaratamiento y potenciación del procesamiento computacional. 3.- Almacenar datos ya no se puede considerar un lujo sino

que es una necesidad asequible.

Todo ello ha generado que ahora sea mucho más factible utilizar

los algoritmos para producir modelos en un periodo más corto

de tiempo, de forma más precisa y a gran escala. Y es median-

te la construcción de estos modelos que hoy una organización

cuenta con más y mejores posibilidades para identificar oportu-

nidades rentables y evitar riesgos desconocidos en su mercado.

A través de la automatización de tareas en un flujo de negocio,

por ejemplo, el ML es capaz de detectar patrones de comportamiento imperceptibles al ojo humano. Este avance puede

suponer para la empresa una reducción del tiempo, del perso-

nal necesario y tener una visión más amplia de sus procesos.


5

Es importante recordar que el Machine Learning no es una solu-

ción para todos los problemas. Hay ciertos casos en los que se

pueden desarrollar soluciones robustas sin utilizar técnicas de

ML. Por ejemplo, no se necesita ML si sabemos como determi-

nar un valor objetivo utilizando reglas simples, cálculos o pasos

predeterminados que se pueden programar sin necesidad de

ningún aprendizaje basado en datos.

Pero en cambio, hay dos escenarios donde el Machine Learning

brillará con luz propia y que debemos considerar prioritarios

para tenerlo en cuenta en nuestro entorno:

1.- No podemos programar las reglas: muchas tareas huma-

nas -como reconocer si un correo electrónico es spam o no- no

pueden resolverse adecuadamente mediante una solución

simple -determinista- basada en reglas si un gran número de

factores influyen en la respuesta a elaborar. Cuando las reglas

dependen de demasiados factores y muchas de estas reglas se

superponen o necesitan ser ajustadas muy finamente, pronto

se hace difícil para un ser humano programar con precisión el

escenario por su complejidad.


2.- La cantidad de información es muy elevada: es posible

que podamos reconocer manualmente unos cientos de correos

electrónicos y decidir si son spam o no. Sin embargo, esta ta-

rea se vuelve tediosa para millones de correos electrónicos. Las

soluciones ML son eficaces en el manejo de problemas a gran

escala.

Es por eso que si queremos extraer el máximo rendimiento de

la complejidad existente en nuestros datos, deberemos ir de

la mano del Machine Learning. En esencia, aquellas empresas

que en su transformación digital apuesten por esta ciencia, ob-

tendrán una ventaja competitiva respecto a aquellas que no lo

están llevando a cabo.

Es recomendable que toda compañía que posea un volumen

de datos elevado donde detectar patrones realice inversiones,

aunque sean pequeñas inicialmente, en Machine Learning para

ver cómo afecta a su flujo de trabajo y a la optimización de sus

tareas, dado que obtener beneficios tangibles para el negocio

está reservado a aquellos que empiecen a recorrer el camino lo

antes posible.

El uso del Machine Learning es habitual desde hace tiempo en las grandes empresas . Amazon utiliza estas técnicas para realizar recomendaciones personalizadas según las preferencias del cliente y el análisis masivo de datos históricos para fidelizar y incrementar su satisfacción.

6


Pero... ¿Qué es el Machine Learning?

Desde que llegamos a este mundo aprendemos de forma au-

tomática. Adquirimos conocimiento comunicándonos, interac-

tuando con el medio que nos rodea y con nuestros semejantes,

así como de las experiencias a las que tenemos que hacer frente.

No nos damos cuenta que a medida que aprendemos vamos

interiorizando procesos, dando lugar a una forma determinada

de comportarnos. Según nuestro conocimiento previo actua-

remos de una manera u otra y conseguiremos unos resultados

específicos.

Sin embargo, algo que para nosotros es tan natural como el Aprendizaje Automático no lo es para la máquinas.

Debemos enseñarles cómo aprender mediante un algoritmo de

aprendizaje para que puedan encontrar patrones de comporta-

miento. El Aprendizaje Automático es la ciencia por la cual las

máquinas pueden aprender a realizar tareas sin que se les indi-

que explícitamente cómo hacerlo.

Aunque aún no se ha llegado a que una máquina pueda te ner

una inteligencia como la humana sí que se han realizado peque-

ños pasos. En el terreno del Aprendizaje Automático o Machine

Learning, que es una rama de la inteligencia artificial, ya son una realidad la detección de la voz y rostros, los vehículos autónomos, obtener mejores resultados y suge rencias en motores de búsquedas o el análisis de imágenes.

7


Durante años la investigación en apren-

dizaje automático se ha realizado con

distinto grado de intensidad, utilizando

diferentes técnicas y haciendo énfasis

en distintos aspectos y objetivos: técnicas de modelado neuronal, métodos simbólicos y sistemas de aprendizaje de conocimiento con exploración de

varias tareas de aprendizaje.

Desde sus inicios han ido surgiendo pro-

yectos en los que el Machine Learning

fue perfeccionándose hasta llegar a ser

tal y como lo cono cemos hoy.

El Aprendizaje Automático es también

un paso clave dentro del proceso del

Data Science o ciencia de los datos, un

campo relacionado con la extracción

de conocimiento a partir de los datos.

Sus expertos, los “científicos de datos”

o data scientists, son quienes se encar-

gan de resolver complejos y sofisticados

problemas relacionados con los datos,

empleando una combinación de herra-

mientas científicas y su profunda expe-

riencia empresarial y de dominio.

El objetivo central del Data Science

El propósito esencial de cualquier pro-

yecto analítico, en este caso de la cien-

cia de datos, es producir ideas prácticas

y útiles que supongan un mejora desta-

cable para el negocio.

¿Cómo se logra? Los data scientists desentrañan las complejidades inherentes a los grandes volúmenes de datos para ofrecer resultados que permitan a las empresas tomar decisiones operativas más acertadas,

optimizar sus procesos y mejorar sus

productos y servicios.

En especial, el valor de la ciencia de da-

tos se destaca en casos de resolución de

problemas de negocio complejos y ricos

en datos, en los que enfoques tradicio-

nales, como el juicio humano y la inge-

niería de software, cada vez fallan más.

Para que el Machine Learning se lleve a

cabo con éxito es necesario contar con

data scientists que puedan ejecutar la

tecnología a la vez que entienden sus

errores y limitaciones.

Tipos de Machine Learning

El Machine Learning parte de unos datos de entrada y una serie de características facilitadas por el data scientist a aplicar al modelo.

Por ejemplo, se puede entrenar a la má-

quina para que establezca una conexión

a partir de los datos de una persona

(sexo, edad, nivel económico, etc.) para

determinar si esa persona tiene un ries-

go alto para concederlo o no el crédito

bancario solicitado.

Con esta información y a través del Ma-

chine Learning es posible generar un

patrón para identificar estos perfiles y

predecir futuros comportamientos.

El campo que abarca el Aprendizaje Au-

tomático es muy extenso y conviene di-

ferenciar sus tipologias, divididas en tres

subcampos bien diferenciados según

sus características.

a. El Supervised Learning es una téc-

nica para deducir una función a partir

de datos de entrenamiento. Los datos

de entrenamiento consisten en pares

de objetos (normalmente vectores): un

componente del par son los datos de en-

trada y el otro, los resultados deseados.

En otras palabras, podemos enseñar a la

máquina que con una serie de caracte-

rísticas un cliente es del tipo A y que el

que tiene otras características no es del

tipo A. En el aprendizaje supervisado,

por tanto, el data scientist introduce los

datos de entrada y salida y el Machine

Learning se encarga de encontrar el pa-

trón, la estructura interna de la informa-

ción.

En 2011, Watson -sistema artificial de IBM de preguntas y respuestas que entiende el lenguaje natural - ganó el concurso de la TV americana "Jeopardy".

8

b. Unsupervised Learning. Es una

técnica en que los datos no han sido eti-

quetados previamente y solo se dispone

de datos de entrada. Por tanto, la má-

quina debe de ser capaz de encontrar la

estructura existente en los datos.

Es muy útil para reducir la dimensiona-

lidad de los datos reduciendo la pérdida

de información o para el ‘clustering’. Un

ejemplo es la segmentación de clien-

tes, en la que a partir de toda una serie

de características el Machine Learning

es capaz de encontrar un número de

grupos con características similares de-

finido por el Data Scientist. Mediante

la reducción de la dimensio nalidad a

dos o tres componentes, podemos re-

presentar gráficamente estos grupos

para poder visualizarlos y tener así una

mejor comprensión.

c. El Reinforcement Learning. Fun-

ciona en base a premios, a través del

ensayo y error. Los datos de entrada se

obtienen a través del feedback o retro-

alimentación del entorno. Si la máqui-

na no lo hace bien se le da un “premio”

igual a 0 o negativo. En cambio, si toma

una acción acertada se le dan premios

con valor positivo para al final acabar

encontrando una “buena” solución.

De esta forma conseguimos que el siste-

ma aprenda de forma inteligente cuan-

do toma decisiones acertadas, mejoran-

do los procesos de decisión. El sistema

será más capaz de tomar buenas deci-

siones si se realiza un entrenamiento

adecuado para trasladar la perspectiva

subjetiva humana a un proceso que me-

jorará contínuamente su aprendizaje y

su efectividad predictiva.

REAL UXWHITEPAPER

DEEP LEARNING Google, Microsoft, Facebook o Baidu ha puesto de moda el con-cepto Deep Learning, lo que puede generar un poco de confusión a los profanos en la materia.

El Deep Learning se puede aplicar al aprendizaje supervisado, al no supervisado y al aprendizaje por refuerzo que hemos descrito.

En realidad se trata de un subcam-po dentro del Machine Learning que utiliza redes neuronales profundas con arquitecturas tales como Convolutional Deep neural networks (para el reconocimiento de imágenes) o Recurrent neural networks (datos secuenciales), entre otras. Es decir, tenemos un algoritmo de aprendizaje que usa una red neuronal pero con más capas (hidden layers), creando un aprendizaje por niveles que crea el concepto de profundidad que le da nombre y que permite más complejidad en el análisis.

9

El proceso delMachine Learning

Un punto crucial en el aprendizaje automático es ‘fitar’ -asociar-

un mo delo a una serie de datos. Esta acción se lleva a cabo a

través de un proceso conocido como "entrenamiento del mo-

delo". Es decir, entrenando un modelo con datos existentes para

aprender los parámetros de éste.

Un modelo de Machine Learning es la definición de una función

de distribución de probabilidad con un número de parámetros

que se aprenden a partir de los datos. Sin embargo, hay otro tipo de parámetros que no se aprenden directamente de los datos y son los llamados hiperparámetros, que se deben

ir ajustando durante el proceso iterativo de entrenamiento y tes-

teo del modelo.

Los hiperparámetros:

- Son parámetros del algoritmo que definen su complejidad y

capacidad de generalización (aprendizaje).

- No se aprenden de forma directa a través de los datos.

- Se pueden encontrar a través de establecer diferentes valores,

entrenar diferentes modelos y escoger los valores que funcio-

nan mejor.


DEEP LEARNING Google, Microsoft, Facebook o Baidu ha puesto de moda el con-cepto Deep Learning, lo que puede generar un poco de confusión a los profanos en la materia.

El Deep Learning se puede aplicar al aprendizaje supervisado, al no supervisado y al aprendizaje por refuerzo que hemos descrito.

En realidad se trata de un subcam-po dentro del Machine Learning que utiliza redes neuronales profundas con arquitecturas tales como Convolutional Deep neural networks (para el reconocimiento de imágenes) o Recurrent neural networks (datos secuenciales), entre otras. Es decir, tenemos un algoritmo de aprendizaje que usa una red neuronal pero con más capas (hidden layers), creando un aprendizaje por niveles que crea el concepto de profundidad que le da nombre y que permite más complejidad en el análisis.

10

Dentro del proceso del Data Science, aunque el

modelado es la parte más crítica del proceso, las

otras etapas son también importantes. Para que

un algoritmo pueda aprender bien también es necesaria la recolección de datos, así como su limpieza y preprocesado.

Es muy importante la comprensión del dominio

del negocio ya que los datos y el problema a re-

solver son totalmente distintos, por ejemplo, en

el sector de la banca y en el de los transportes. Así

pues, una vez solventadas estas partes del proce-

so ya se puede iniciar el modelado.

Cuando el data scientist ya ha encontrado el posi-

ble modelo óptimo debe evaluar cómo está fun-

cionando y si los resultados son los esperados.

En el Data Science se sigue un proceso ite rativo,

en que el modelo se testea, se añaden nuevos da-

tos, se limpian, y se va perfeccionando el modelo.

De hecho, a lo largo del proceso el Data Scientist prueba muchos modelos diferentes y cada uno de ellos con di ferentes parámetros.

Photo comment: Ro inulpa

doloritio magnatur aut

excepro dolendamusae

iminctium ea con ea.

SERVICIOS COGNITIVOS

Muchas situaciones requerirán de profesionales en Machine Learning o data scientists para entrenar los modelos, pero hay casos en los que no será necesario, ya que podemos utilizar modelos ya entrenados. Google, Microsoft e IBM ofrecen modelos de reconocimiento de imágenes que podemos utilizar como servicio. Empresas que no cuentan con un equipo en el ámbito del Data Science, así como las que sí que lo tienen, podrán sacar provecho de modelos ya entrenados y testeados con grandes cantidades de datos.

Se conocen com Servicios Cognitivos y ofrecen una amplia colección de modelos de inteligencia artificial para el procesa-miento de imágenes, voz, lenguaje y conocimiento. Por ejemplo, el Text Analytics API, que permite evaluar de forma sencilla opiniones y temas para comprender lo que los usuarios quieren. O el Translator Speech API para traducir voces en tiempo real.

De todos modos, se tiene que tener en cuenta que habrá aplicaciones que seguirán requiriendo del desarro llo de modelos por parte de la compañía debido a la especificidad de la tarea y al dominio concreto del problema. Pero mediante estos servicios publicados en la nube -como es el caso de Azure- se ha hecho un importante paso adelante para democratizar y generalizar el uso de Machine Learning en aplicaciones y portales de toda índole.


11

Inteligencia Artificialen el Digital Workplace

En el whitepaper de “GenC Company, la transformación digital que definirá a las empresas en 2020”, hablamos del cambio radical que se va a producir en los espacios de trabajo y cómo interactuaremos en ellos en los próximos años. El Smart Digital Workplace propone una serie de ca-racterísticas para su correcto desarrollo:

1.- Acceso ubicuo y flexible a las distintas aplicaciones de negocio para generar un entorno más productivo.

2.- Una buena salud de las infraestructuras de las teleco-municaciones y la seguridad digital de la compañía.

3.- Conexión en tiempo real y a través de formatos mul-timedia.

El Machine Learning juega un papel fundamental para que el Smart Digital Workplace pueda ser ya una realidad, ya que permite automatizar tareas, aumentar la eficiencia en los procesos existentes o mejorar los flujos de comunicación, entre otros. A continuación, se muestran algunos casos de uso del aprendizaje automático aplica-do al espacio de trabajo inteligente, que deberán adoptar las empresas de futuro que deseen ser competitivas.


12

1. Chat Bots

Quizá hace algunos años nos hubiese sido difícil de imaginar la

posibilidad de tener en la palma de nuestra mano un asistente

virtual capaz de realizar tareas por nosotros mismos y hacernos

la vida más fácil como Cortana, Siri o Google Now. En el ámbito

de la empresa un brillante ejemplo de asistente virtual es x.ai,

que puede responder correos electrónicos y programar reunio-

nes en nombre del usuario.

El perfeccionamiento de los chat bots hará que algún día ya no tengamos que preocuparnos por las tareas más básicas y podamos poner nuestra atención plena en aquellas que requieran nuestro conocimiento y experiencia. Por ahora,

los asistentes virtuales nos pueden ahorrar tiempo en procesos

tan poco productivos como la gestión de reserva de salas o va-

caciones.

De hecho, los smart chat bot son programas que simulan man-

tener una conversación con una persona, ya que disponen de

un conjunto de respuestas automáticas a posibles entradas

(preguntas) del usuario. En este sentido, existen los retrie val-based models, que usan un repositorio de respuestas predefini-

das y algún tipo de heurística para seleccionar la más apropiada

basada en la entrada y el contexto. La heurística en este caso po-

dría ser tan simple como una coincidencia de expresión basada

en reglas o tan compleja como un conjunto de clasificadores de

aprendizaje automático. Cabe destacar que estos sistemas no

generan texto desde cero, sencillamente solo seleccionan una

respuesta de un conjunto fijo y predefinido.

Por otro lado, están los generative models, que no se basan

en respuestas predefinidas sino que crean nuevas respuestas

desde cero. Los modelos generativos se basan en técnicas de

traducción automática, pero en lugar de traducir de un idioma a

otro, se “traduce” de una entrada a una salida (respuesta).


El chatbot de raona, Raonenc, contesta preguntas sobre la empresa, sus traba-jadores y los eventos que celebramos mediante Skype.

13

2. Document Classification

El Machine Learning también es realmente útil en la clasificación automática de documentos. En estos casos se uti-

lizaría el supervised learning, en el que se provee al algoritmo

con un conjunto de documentos con sus correspondientes eti-

quetas (categorías).

Sin embargo, hay empresas que tienen clasificados sus docu-

mentos y otras no. En el caso de una compañía muy grande que

no tiene los documentos clasificados hay que destinar mucho

tiempo a buscar la información. Aquí se podría aplicar la técnica

del unsupervised learning para extraer temas de una colección

enorme de documentos e identificar pautas, contenidos y pa-

rámetros comunes. De esta manera, cuando se introduzca un

nuevo documento el sistema pudiera determinar que en un 50%

habla del tema A y en un 30% del tema B, para poderlo etiquetar

en, por ejemplo, deportes, cultura, política, etc. Es decir, poder

llegar así a tener una clasificación para organizar los documen-

tos y facilitar su búsqueda.

Nos referimos al ejemplo anterior por topic modelling, donde

se intenta modelizar los temas latentes en nuestros documen-

tos. Es decir, alimentamos nuestro mo delo con un conjunto de

do cumentos y tras iterar, conseguimos una distribución de te-

mas sobre los documentos.


3. Sentiment Analysis

El análisis del sentimiento es un proceso en el que se usan al-goritmos para determinar las emociones positivas o negativas que tienen las personas de una red respecto a un tema, producto, noticia, etc. También puede ser útil para detectar

el grado de compromiso de los empleados y qué les ha hecho

experimentar estas emociones.

Así, los equipos de marketing ya pueden analizar las reacciones

que perciben de los destinatarios al ver textos o imágenes y ver

si son los más adecuados para el lanzamiento de un producto.

Este análisis de sentimiento se basa en tratamientos de datos

masivos en base al reconocimiento facial de las personas, el

seguimiento de las interacciones que realizan cuando interac-

túan con una aplicación o web, o tratando de forma masiva los

comentarios y posts en redes sociales que hacen referencia a

nuestro producto.

Los principales fabricantes, como es el caso de Microsoft, ya

ofrecen servicios en la nube que permiten hacer este tipo de

análisis en tiempo real e incluso podemos integrarlo en nues-

tras aplicaciones para que actúen de forma distinta en función

de la respuesta obtenida del usuario final. Un nuevo escenario

de adaptación emocional se incorpora a nuestro entorno de

desarrollo para mejorar la experiencia de los usuarios.

DOCUMENT INSPIRATOR by raona

Un ejemplo claro de Document Classification es el prototipo desarrollado por raona para incorporar a los documentos el conocimiento del repositorio corporativo.Integramos los algoritmos de topic modelling y keyword extraction a Word para detectar la temática y la estructura del redactado, proponiendo contenidos inspiradores que permitan reutilizar y mejorar el resultado final del docu-mento elaborado. Una gran ayuda para obtener grandes resultados en mucho menos tiempo.

14

¿BUSINESS INTELIGENCE O MACHINE LEARNING?

El business inteligence tradicional se dedica a crear dashboards interactivos o informes visuales en base a información de la empresa de un momento concreto del pasado hasta hoy, es decir, de lo que ya ha sucedido. Sin embargo, aunque estos datos son muy valiosos para comprender qué ha ocurrido y encontrar soluciones, ¿qué ocurre con la información en tiempo real o a futuro? ¿No es necesaria también para la buena marcha de los negocios?

Para dar respuesta a ello aquí entra el machine learning, que se complementa a la perfección con el business inteligence. Mientras éste aporta la mirada de pasado a presente, el aprendizaje automático lo acompaña con predicciones, con una visión a futuro, permitiendo detectar tendencias y oportunidades. Debemos, por tanto, apostar por la combinación de ambos para potenciar nuestra visión y comprensión de la empresa.

6. Report Generation

Con toda la información que dispone, el sistema junto con el

Machine Learning puede llegar a generar informes automatiza-

dos. De hecho, la empresa británica Arria utiliza el aprendizaje

automático para crear informes financieros basados en los da-

tos de propiedad de las empresas. De esta manera, se elimina el paso de requerir personal para traducir toda esta información en informes y los trabajadores pueden centrarse en tomar decisiones estratégicas.

7. Employee Perfomance

Por último, el aprendizaje automático también podría predecir el desempeño de los empleados. Es decir, el sistema

sería capaz de señalar las áreas en que se necesita incidir, hacer

recomendaciones a los trabajadores para su mejora, encontrar

perfiles a potenciar o saber qué departamentos de la empresa

pueden ver reducido su rendimiento.

Sin duda, todas estas propuestas son sólo el principio de un lar-

go camino a recorrer para que el Machine Learning se convierta

en una de las piezas fundamentales de la transformación digital

que está llegando a nuestro espacio de trabajo.


5. HR Automation

Otra aplicación del machine learning en el Smart Digital Wor-

kplace es la automatización de los recursos humanos. En este

caso, el sistema sería capaz de analizar las épocas del año en

que es mejor o peor hacer vacaciones, predecir bajas en los em-

pleados o anticiparse a ausencias imprevistas. Incluso detectar

mediante análisis de los datos en redes sociales si tienen en

mente cambiar de trabajo en pocos meses. El beneficio está en

anticiparse a las decisiones de nuestros empleados para tomar

las mejores decisiones para la empresa.

4. Search Engine Improvement

Crear un motor de búsqueda inteligente en la intranet de la empresa que permita gestionar el conocimiento de la misma a un nivel superior es posible con Machine Lear ning. Aquí el sistema aprende de las búsquedas internas que realizan

los trabajadores, recopilando datos sobre lo que se busca, quién

y qué genera más interés entre los usuarios para priorizar aque-

llos contenidos más útiles. Es una aprendizaje supervisado en

el que el algoritmo se va entrenando viendo el comportamiento

de lo que busca la gente y determinando así las entradas que

deberían salir más arriba y que serían más útiles para el usuario.

15

"Aunque en el terreno del Machine Learning quede aún mu-cho camino por recorrer, lo cierto es que ha evolucionado hasta tal punto que ya no hay marcha atrás. Como se ha po-dido ver a lo largo de este whitepaper la inversión en esta tecnología se ha constituido como un factor determinante para las pequeñas, medias y grandes compañías que buscan diferenciarse y ser competitivas en un mercado que avanza a pasos agigantados.

Reducción de costes, ahorro de tiempo y personal y mejo-ra de la productividad son los grandes beneficios que pue-de suponer aplicar el machine learning en el ámbito de la empresa. Además, su aplicación en los espacios de trabajo puede además potenciar el concepto de Smart Digital Wor-kplace, un entorno colaborativo, productivo y conectado que configurará las empresas en los próximos cinco años.

Por otro lado, las posibilidades del Machine Learning au-mentan en aquellas compañías que poseen grandes volúme-nes de datos. ¿Pero, qué empresa no tiene que lidiar hoy con grandes cantidades de información? Vale la pena entonces utilizar todo lo que nos puede ofrecer el Aprendizaje Auto-mático para que el conocimiento que se genere día a día no se quede escondido o estancado, sino que trabaje para y por la empresa y revierta en la mejora constante del negocio."

Eduard Bermejo Data Scientist en Raona


MACHINE LEARNINGEL SMART DIGITAL WORKPLACE COMO VENTAJA COMPETITIVA

machine learning whitepaper

Technology