El recorrido por el

machine learning
El camino le permitirá aprovechar todo el
potencial de las tecnologías del machine
learning.
Avanzar con
determinación Si bien el machine learning existe desde hace décadas,
suesi
ca biliomherainta
dc partransforma
Cuando se implementan las estrategias adecuadas, el lasesa
mpr sesela r tivamentenueva.Ademzs,lafalta
machine learning (ML) puede aumentar la agilidad, de un recorrido singular y comprobado para alcanzar
optimizar los procesos e incrementar los ingresos el éxito con el machine learning hace que algunas
mediante la creación de nuevos productos y la mejora de empresas se mantengan al margen, ya que no se sienten
los existentes, además de posibilitar una mejor toma de seguras acerca de cómo dar el siguiente paso (o siquiera
decisiones con mayor rapidez. el primero) en este recorrido. Este libro electrónico se
diseñó para ayudar a los negocios a progresar, ya que
No cabe duda de que el machine learning y la inteligencia eun
cofr obad,esd
mpric elosos
prime
arti0cial(IA)puedenyud a arlasesa mpr salcanzar pasos a seguir hasta la medición de los resultados,
mayores logros: en una encuesta reciente de McKinsey, ademzsompardectirlainformacinqueadquiri
el63 %delosencuestadosinformaumentosenlos Amonaz cadel
r machinelearningysuexprincia
ingeso r sgracisalaadopcindelaIAenlasunidaes que ayudó a miles de clientes a llevar a cabo sus propias
denegocienlasquesusesa mpr sutilizanlaIA.¹ iniciativas.
También está claro que los que adoptan esta tecnología
onti c nandepositandosuon0c anzaenlacapide Es hora de que las organizaciones superen los retos
lastecnolog}asdeinteligenciar ti0cialparimulsar relacionados con el machine learning para que puedan
elvalorylasventajas.SegnGar tne,el r 75 %delas esa
ogrp onrc on0c anza.Sinimportardndese
esa mpr spasarzndeponerapuebalaIAaponerlaen encuentren las organizaciones en su recorrido por el
funcionamientoa0nalesde 204²,sey gnDeloitte,el machine learning, encontrarán la orientación necesaria
57 %opinaquelaIAtransformazsuganior zacinenlos para dar el siguiente paso hacia el éxito con el machine
próximos tres años.³ learning.

1https:.mckinse
/w om/featur
.c y ed-insights/arti0cial-intelligencglo
e/ bal-ai-sur veveoy-aipr s-its-orwth-but-few-scale-impact
2h ttps:.gar/wtneen/om/.c r newsress-pr om/ ele
r ases/20-6-2-gartner-identi0es-top-10data-and-analytics-technolo
3 https:/w 2.deloitteus/ om/.c en/insights/focus/ognic tive-technologies/state-aindof -intelligent-automation-in-business-sur ve.htm
y l
2
u|
Q¿ se lante
i linceg rti
ai l
aic0 l
e y neihcam
learning?
Probalementehaescucente hadoifr sdescripconessoela
br inteligenciarti0cial(IA)yel
machinelearning(ML),porloquevamosetr
ar edrun
oc epasa
orc rlasde0nicionesexactas:

Lainteligenciarti0cial(IA)esunaformadescribacualquiersisteepli
maczdr cartaeas
r
que antes requerían la inteligencia humana.

Casi siempre, esto está relacionado con algún tipo de tarea compleja de toma de decisiones en la
quenormalmenteseeque r ri}aelcriteriohumano.Laor}ayma deloscasosdeusodelaIAbuscanun
esulta
r obail}sti
dpr cioneedrp:ha s,clasi0caionesotomardecisionesonc unaltogradoe
certeza y de manera similar al juicio humano.

Enlaactualida,lagranor}ayma delossistemasdeIAseeancr onc machinelearning.Elmachine

learning utiliza grandes cantidades de datos para crear y validar la lógica de decisión. Esto se
onoc omdelo
c .ElsistemadeIAsuministradtosdentradesemodelo,lue y go,elmodelo
elacioneedbrap soclasi0caionessimilaes
r alashumanas.Esencialmente,elmachinelearninges
la tecnología subyacente que impulsa los sistemas inteligentes.

LaIAsepueearsidc nmachinelearningoahrmism
,pe oesteeselm|todoprincipalearpc
sistemasdeIA.Delmismomd,elmachinelearningpuedeutilizarseparotros0nesademzsdela
IA,oenpr laactualida,laorpaymtedelmachinelearningestzela r cionaondc laIA.

3
¿Por qué machine learning?
Antesofund
depr izarenlospasosneesa
c riosparutilizarelmachinelearning,exploemos
r porqu|lasesa
mpr s
debnendmpr ersteoridenc primelug.Al
ar 0nyalcabo,inclusoonc lagu}adestelioele
br ctrnio,c
completar los pasos que se describen aquí requerirá de continua inversión y dedicación inquebrantable. Los
negocistendrznqueonsta
c ntementetenerencuentaqu|esloquebuscan,oncc entrzndoseenlosbene0ciosdel
negocio precisos que pueden obtenerse si se aprovecha al máximo la tecnología del machine learning.

Los negocios ya conocen el impacto de:

1 2
Optimización del negocio Decisiones más inteligentes
nte
aidem nuevasnceic0 s
ai zpr y s
adi
El machine learning se puede utilizar para crear una Conbaseeninformacinveopr nientedefuentes
ore0cincyma iagrcsaso0sticadosmodelosde de datos y análisis con un crecimiento más
plani0caincinedypr delademanda.Sibien inteligente a través del machine learning, los
esto se da en casi todos los sectores, los minoristas negocios y su personal pueden tomar decisiones
aportanalgunaspruebasespec}0cas.Lacinedpr mzsrzpidasybienfundadsquelespermiten
basadaenlaIAeduc r elasp|rdiasdeventaspor actuar sobre las oportunidades lo antes posible
faltadeisponibilioduc aepr toshastaenun y obtener mejores resultados. Los agentes de
65 %esultaomrydac do2 millonesmenosde servicio al cliente de T-MobileutilizanlaIA
devolucionesoduc epr tosalaGo.⁴Gracisauna edrzpcpa idamentealainformacinmzs
solucinedicti pr vadepiosbasadaenAWS, relevante en cuanto a las necesidades de los
Domino’s Pizza Enterprises Limited implementa una clientes. Gracias al acceso de los agentes
iniciativa que tiene como objetivo tener una pizza ainformacinonte
c xtualentieal, mpor
listaogerncpa 3 minutosluegodelpedio T-Mobileyud a agrntizarquelosoble pr masde
o para su entrega sin problemas en el plazo de cada cliente se resuelvan rápido y con precisión.
10 minutos.

4 https:.mckinse
/w mckinse
eda/ o~. y /indy ustries/advanced%20electronics/our%20insights/w%2
ho 0arti0cial%20
4
intelligence%20can%20deliver%2eal%2 0r 0value%20to%2ompani0c es/mgi-arti0cial-intelligence-discussion-.ash
per x
3 4
Empresa multinacional de televisión
Discovery, Inc. (Discover y) tiene una gran varieda
de contenido que atrae a una amplia base de
audiencias de clientes. La empresa quería ayudar
a los clientes a encontrar contenido seleccionado
queoincc onidac susinteese
r sespec}0os
c ecur
yr ri
a Amazon Personalize para habilitar sugerencias
de contenido personalizadas para los usuarios de la
plataformadestreamingDiscveo r y+.Enlugercadof
alosespectaes
dor onte
c nidogen|ro,Diic scveo r yutiliz
las recomendaciones impulsadas por machine learning de
Amon az Personalieparso
z nalizarlaexprinciadel
espectador y mejorar el recorrido del cliente.
Incorporación de nuevas capacidades
a los productos existentes
El machine learning puede enriquecer los productos
existentes, mejorando el compromiso de los clientes
y atrayendo a nuevos usuarios a través de experiencias
mzsofund
pr as.Porejmplo, Livongoesunaplataforma
yunaaplicainvim lquefuncionaonc dispositivos
inteligentes, como un glucómetro conectado, para
ayudar a las personas a controlar los problemas médicos.
Utiliza el machine learning para traducir los datos de
las lecturas de la glucosa en la sangre, la actividad
f}sicaylosegistr
r osdelasomidas,
c ademzsdelos
datos de los smartphones y otros datos importantes,
en “indicadores de salud” oportunos y prácticos. Estos
mensajes personalizados sobre la dieta, el ejercicio y
los medicamentos, entre otros (entregados en tiempo
real a los miembros en sus dispositivos conectados), los
ayudan a evitar complicaciones que podrían causar una
hospitalización, y permite que tanto el sistema como
ellos mismos ahorren dinero.
5
5 6
Invención de nuevos productos netos
En su deseo de que la tecnología para la atención médica
caun
ezofr mejorser vicioalaspersonas,
Amon az eb SeW r vies
c (AWS),incluidalatecnolog}ade
machine learning, para desarrollar Journi, una solución
digital integrada de salud, impulsada por la experiencia
humana y por inteligencia controlada por datos, que
yud a alosos miebr deplanesdesaludysusfamiliasa
veoapr charlmzximolosbene0ciosparlasalud.
Mantenerse relevante
El machine learning ya no es una opción exclusiva,
Cambia utilizó es necesaria para mantenerse relevante y
competitivo, independientemente del campo o
dominio. OnPoint Digital Solutions, una sucursal
eKod ch Engineed Sor lutions,ola
c deformab
ecinte
r onc AWSodesa parc olla
r runaplataforma
de optimización inteligente de procesos (intelligent
ess
ocpr optimizationplatform,IPOP).Laplataforma,
diseGadaprhbilitarsolucionesdeOnPoint,utiliza
lainfraestructuradigtaldenubdeparybo
proporcionar capacidades avanzadas de machine
learningeinformzticaindustrialalosi
ec stema
onec ctadoeOnPoint.Estopermitealoses
oprad
industrialesyasussociosefridos p integra
y aprovechar el mejor conocimiento disponible, en
cualquier lugar y momento, a gran escala.

Ahora que hemos explicado el “porqué” del machine learning, es el momento de profundizar en el “cómo”.
En las siguientes secciones, se mostrarán los pasos a seguir en el recorrido del machine learning, gracias a la propia
exprinciadeAmonaz yladelosclientesdeAWSqueejmpli0caloscambiosneesa
c riosparimlementa,uti
r lizar
y escalar correctamente el machine learning.

6
El recorrido por el 1
machine learning Defensa de una cultura de machine learning
Según Gartner, se proyecta que el valor empresarial global derivado de la inteligencia
El recorrido por el machine learning no siempre es ar ti0cialalcanzarzlos3,9 millonesdebillonesdelaes
r en 20 .
5

sencillo. Para alcanzar el éxito mediante el machine

learning, no solo se necesita una gran tecnología, Para liberar todo el potencial empresarial del machine learning se necesitarán cambios
sino también asegurarse de que la organización culturales en la organización, los objetivos y la perspectiva del equipo.
esté alineada con los objetivos correctos. La
Si se desea que el machine learning se propague por toda la organización, tanto los
identi0cainyelloodeso gr sobjetivos
equipos de negocios como los técnicos deben trabajar juntos y compartir las mismas
requerirán grandes cambios en los procesos, la
priodaes.Paralograesto,elesfueodel
rz machinelearningonta
debc rdesdel
administración y la cultura de la empresa. En las
principio con el apoyo de los niveles más altos, con objetivos establecidos por los líderes
siguientesseciones,seexplorazlaformaenque
ejecutivos y una inversión en la tecnología y en los procesos que permita alcanzar el éxito.
lasganior zacionespuedensuperalosdesaf}os
comunes que suelen impedir el progreso y se s E rta
opmi nteue q laniimda strnica te
poda unavisinnarg sc
e la a nte
emof y lasnii ti
aic vas
realizarán los pasos correctos para implementar el neihcam ed lenira ngLo. suti
cej vosneb d nte
am nela r ne az mr0 susti
ejbo vos,o rep
machinelearningdemanerae0cinteysostenible. neb d sele
bixe1 r sne lane amrof ue q laniag ro nicaz loslc a nza Se.a ur
g ue q o sete
emo c zn
r
s.
e ro e Sinsi ,og rabme senti
am nee nnfe s
ad co ne lasp
rep ti
ce vala
a la
p og r noy o z
permiten el desánimo, las organizaciones pueden sacar provecho de cada error y aplicar esos
nde rpa s
ejazi ndef d ar una
p e ultur
c neihcam ed alenira ngne tol
e od ne.oic g

Quizá el mayor cambio cultural que deben experimentar las organizaciones es utilizar las
oportunidades inherentes a los errores. El machine learning es un proceso iterativo, que
solo puede tener éxito a través de la experimentación constante. La mayoría de las veces,
e sexprimntosesulta
sto r rznenfracsos.Lasganior zacionessolopodrznalcanzarde
onsi
frmac stenteel|xitoquelasesperalotroladosiendapr endesoses or ysise
ehsa
r nadetenereleso
ogrp pardeterminaqu|
r fueloquesalimal.

5https:.gar/wtneen/om/.c r newsress-
pr om/ ele
r ases/2018-04-25-gartner-says-global-arti0cial-intelligence-business-value-to-
each-1point-
r 2-trillion-in-2018 7
Cómo lo logró Amazon “(El machine learning) potenciará y
mejorará cada empresa, cada organización
Amonaz utilizaelmachinelearningenelnegocidesdemzs hac de20 aGos.
gubernamental, cada filantropía;
Peemzs
ohacr de10 aGos,parlograunaoradpcinym delmachine
learningentodalaesa mpr ,elequipodeligodeAm raz onaz pidatodos básicamente, no hay institución en el mundo
los líderes de negocios de la organización, independientemente de si dirigían que no pueda mejorar con el machine
un equipo de investigación, un centro de cumplimiento o un departamento learning”.
de recursos humanos, que respondieran a la pregunta sobre cómo planeaban
aprovechar el machine learning en su ámbito de trabajo. JeBeos,
z fundecto
adoryi rejcutivoO)CE( deAmonaz

En la mayoría de los casos, la respuesta “no tenemos pensado hacer esto”

no era aceptable. Esto obligó a los líderes, a los expertos en la materia y a
los expertos técnicos a colaborar en iniciativas de machine learning y a no
“Prevemos millones de productos cada día en todos nuestros sitios de
permitir que nada detuviera su progreso, incluso en los casos en que los
Amonaz anivelmundial,eJedic nnyFreshwateecto ,dir cioneedrap sde
bene0ciostangiblesanestabanaGosdeistancia.
Amon.az Sinelmachinelearning,nopodr}amoselaboraesascioneedpr s.
Ademzsontr dec ataracient}0os c deatosexternos,Amonaz tambi|n
Amonaz tambi|ndesaoll
r tecnolog}aeralo
cpof sonsum
c esidor una
creó la Universidad de machine learning, que capacitó a muchos de sus
formatotalmentenuevadeinteractuaonrc latecnolog}aatrv|s
a deAlexa.
desarrolladores para que utilizaran el machine learning de manera más
La empresa desarrolló una tecnología innovadora con un sistema de vuelo
efctiva.LaompaG}a
c ehraminta
c somAm c onaz SageMa,que
erk
autnomoatrv|s
a oneder sdeAmonaz PrimeAiryutilizalaobti
r caen
simpli0caeleso ocpr eacindr demoloseduc
yr elaeradntr b ad,
sus centros de distribución para llevar los paquetes a los consumidores con
demoqueelmachinelearningpuedescalaonrc ore0cai.ym
orapidez.Ad
ym emzs, Amazon utiliza el machine learning para minimizar
Ho,mzs y de10 aGosdespu|s,noyun ha solodepartamentoenAmonaz la cantidad de embalaje que los clientes tienen para desechar, lo que reduce
quenoyasi h doin1uenciadoprelmachinelearning.Latecnolog}ade elpesodelembalajedsalidaenun33 %yelimina915 0toneladasde
personalizacindeAmonaz quecionapr omendcr acionesalosclientes material de embalaje en todo el mundo.
hamejordsigni0cativamentedesdesuprimeodloe20 aGohc syseha
Paralcanzarestosloos,
gr fueneesa
c eali
rio zargndesinversionesen
implementado en otras áreas del negocio.
tecnología, investigación y aptitudes. Sin embargo, esas inversiones se
La compañía utiliza el machine learning a lo largo de su proceso de habrían desperdiciado sin el cambio cultural que los ayudó a superar muchos
distribución y aprovecha un sistema de predicción que puede predecir la fracsosydesaf}osinesperados.ganiCdor zacindebfomntaresta
demanda de casi todos los productos de su enorme inventario. Con estos misma cultura de experimentación e innovación tolerante a errores antes de
modeloscin,edpr Amonaz puedecumplionrmejc lasexpctativasde que comience el verdadero recorrido por el machine learning.
los clientes en cuanto a comodidad, costos y velocidad de entrega.

8
2
Reinvención de la estrategia de datos
El éxito del machine learning depende en gran medida Una vez almacenados, los datos se pueden analizar
de los datos de calidad. Sin una estrategia de datos mediante muchos tipos de servicios de análisis y machine
adecuada, el progreso será más lento y obstaculizará la learning,deformazsrzpidaye0cnteenomparcin
e0caidlmodelo0nal.Peoran,sielmodeloecibr onc losenfoquestradiconalesensilos.Lasqui
ar tecturas
informacindeatosneer os,losesulta
r dosquegenera de lagos de datos también permiten que múltiples grupos
pueden ser engañosos, o incluso totalmente incorrectos. dentrodelaganior zacinsebene0ciendelanzlisisdeun
conjunto de datos coherente que abarca toda la empresa.
“(Los modelos de machine learning) son muy sensibles
la
a li
ac lo
ed a sto
ad s,li
pxe Frac sh
e te
aw As}
.r ue
q Para obtener ayuda en el desarrollo de una estrategia de
aprendimos, en muchos casos por las malas, que el tiempo datos más holística que incluya los lagos de datos, visite
invertido en obtener datos de alta calidad en el comienzo el sitio reinvente su empresa mediante el uso de datos.
uc
dorp }aviid nded s
o ne nuestrs
o lo
edom sl
a na0 li. raz

La estrategia de datos adecuada para el machine learning

debe tener como objetivo desglosar los silos, para que los
equiposdeTIpuedanedralo c sdatosopila
ecyr rlosde
formazcil,rzpidaysegura.

Si bien las estrategias de datos modernas adoptan

muchasformas,loslagosdeatosseestznonvi c rtiendo
en un componente central cada vez más popular de los
modelosmzse0cintes.Loslagosdeatosencofr mzs
agiliday1exiblidaquelossistemastradiconalesde
administración de datos, lo que permite a las empresas
administrar múltiples tipos de datos de una amplia
variedafuentesyalmenaac rlosdatos,yasean
estructurados o no estructurados, en un repositorio
centralizado.

9
Utilizamos las tecnologías de análisis de datos Cómo lo logró
de AWS para predecir (…) con precisión qué tan
rápido deben funcionar las líneas de conversión GePa-aigrco0i
para evitar roturas. Gracias a la reducción de las
roturas de papel, hemos aumentado las Todos los días, se producen cientos de rollos matrices
ganancias en millones de dólares para depalytisenlasinstalacionesdefabricnde
una línea de producción”. Gegia-Paor ci0enAm|ricadelNorte.Siygrieta
ha so
otur r asecue
fr ntes,segenerantiemposdeinactividae
SteveBala
a k PTI
V e, d r tr
y nsf
a ni c a m r o la máquina de papel y de la línea de conversión, lo que
digtaldeGegia-Paor ci0 pueosta dec raGegia-Paor ci0mllonesdelaes
r alaGo
por línea.

Gegia-Paor omenzci0 onc unamigracnde50 TBde

datos de producción estructurados y no estructurados
desdeunainfraestructuradebsedeatosedahr
hacia un lago de datos basado en la nube. La combinación
entrelasbasesdeatosdeAWSylasheramintas
anal}ticaspartodosesosdatospermitiaGegia-or
Paci0optimizarloseso
ocpr sdefabricnclavepar
edcirfalla
p senlosequiposonc unaanticipande
60a90 d}as.Conlaeduc
r cintantoenlasotur
r asde
papel como en los tiempos de inactividad imprevistos,
la empresa pudo aumentar las ganancias en millones de
dólares para una línea de producción.

Lea la historia completa >

10
3
Localización del problema empresarial adecuado a tratar
Un error que suelen cometer las organizaciones en su recorrido por el machine learning es
emplearcient}0os
c deatosindepndientesquetrabjnensilosearmodlo
pc sde
machine learning como prueba de conceptos, en lugar de resolver problemas empresariales
eale
r s.Comnotienenqueeso
r lverningnoble
pr esa
mapr rialespec}0o,alo
c s
ejcutivosdeTIlesesulta
r rzcadvezmzsdif}cildemostrarelvalordelosecto
yopr sde
machine learning a sus homólogos ejecutivos. Esto puede retrasar o incluso detener el
progreso de las iniciativas de machine learning.

A continuación, se presentan algunas preguntas importantes que

las organizaciones deben hacer antes de comenzar a utilizar el
machine learning:

1 E ecto
l yopr eslosu0cientementeimportanteomparlla
c marlaatenciny
logralaadopcin

Solucionaunoble
pr esa
mapr rialeal
r

3 Existenluges
ar enlosquelaganior zacinyatienemuchosdatossinutilizar

4 Electo
yopr neesi
c taelmachinelearning

5 Pueerlo
dhac unasolaesa
mpr

6 Sepuedeponerenchaenmr algnmoento

11
Un primer paso es identificar un
problema que contenga muchos datos,
pero que no se haya podido resolver
con los métodos tradicionales”, explica
Freshwater.
Para lograr que el machine learning sea un éxito, las
organizaciones crean equipos de machine learning
destinados a abordar problemas empresariales
espec}0os. c Paraello,esneesa c rioncluirenestos
equipos tanto a expertos técnicos como a expertos
en la materia. Si bien los expertos técnicos serán
losmzsafectadosporlaeacinr demolos,
necesitan los conocimientos de campo de los
exprtosenlamateriapde0nionrc ecisi
pr nlos
desaf}osesa
mpr rialeseidnti0carlosdatosmzs
importantes para encontrar una solución.
Esteenfoquetambi|nesfundamentalparla
administración del cambio: cuando los expertos
técnicos y los expertos en la materia colaboran en
la creación de modelos de machine learning, los
empleados se sienten más seguros a la hora de
tomar decisiones basadas en la lógica del algoritmo.
Juntos, estos equipos también deben trabajar en
lamanerademil|xitoAse
. ese
gr detener
medidas muy precisas y claras a medida que se
adentraenelmachinelearningeFr,dic eshwate. r
“Muchas veces, los modelos toman el control
de algo que ya existe y uno quiere asegurarse
de que son realmente mejores y de que eso se
puede medir”.
Paraobtenermzsinformacinmocader
medir el éxito de las iniciativas de machine
learning, consulte el Paso 6 en este libro
electrónico.
Algunasganior zacionescuentaninternamente
onc lasaptitudesneesa
c riasparidenti0carlos
problemas que el machine learning podría tratar
óptimamente y para implementar los programas
pilotoopiads.
r AWSel
cofr Laboratoriode
solucionesdeAmonaz MachineLearningpar
ayudar a los clientes a “trabajar en retrospectiva”
apr tirdelosdesaf}osdelne,lue
gociy go,
ir paso a paso a través del proceso de crear
proyectos de machine learning para resolverlos.
12
Cómo lo logró la NFL
Duranted|cads,laNFLhatrabjdopr Ademzs,NGSutilizamodelosdemachinelearning
cionapr rinformacinmzsdetallacader calc
pr ulamzs r esta
20 d d}sticasvaa nzadsque
susjuges ador yequiposa0ndesatisferta
ac ntola seaninteesa
r ntesparlosfanztios.
c Unejmplo
necesidad de mejorar la seguridad de los jugadores es la estadística de yardas esperadas por tierra,
omla
c sedinsaciabledelosfanztios
c porlos que está diseñada para mostrar cuántas yardas
datos y las estadísticas. por tierra se espera que consiga un portador del
balnenunaoridaete
c rminadaenfuncindela
Padaresta
bo neesi
c da,laNFLhatrabjdo ubicación, la velocidad y la dirección relativas de
juntoonc AWSpardlevidalaheraminta losbloquees
ador ydefnsoes.
r
NFLNextGenStats(NGS)basadaenelmachine
learning.Comlacienciayelftbolsondisciplinas Obser vacionesomla
c obaili
pr daepse
omple
c tamenteente difr s,laNFLonvo
c ,c omple
c tonoexistir}ansinofueseporlaasocian
acertadamente, a los expertos técnicos y a los entre expertos técnicos, quienes pueden construir
expertos en el área para la creación de NGS y se y entrenar los modelos que analizan los datos
aseguró de que ambos grupos pudieran trabajar necesarios, y expertos en el área, que saben qué
enonjc untoparidenti0carlosdatosecto
or s datos deben medir para crear las estadísticas más
y desarrollar las estadísticas6. interesantes.

onC layud a adelasetiquetasdeinti0cain Esta asociación también ayuda a lograr la

ecue draiof nceali
ipr zarunseguimiento aceptación de NGS, ya que es más probable
de los movimientos de los jugadores, NGS que los comentaristas mencionen estadísticas
proporciona en tiempo real los datos sobre la vaa nzadsquelosexprtosenftbol,en(y
ubicación, la velocidad y la aceleración de cada algunos casos, las mismas emisoras) crearon.
uno de los jugadores en cada jugada y en todo
el campo de juego. Gracias a la simulación de
Lea la historia completa ›
ente
difr ssituacionesdentrodeunentornode
juego,laNFLtieneombjeti c vofomentaruna
mejor comprensión de cómo se tratan y rehabilitan
laslesionesoractopla,0naoyz lmenteedcir,p
einter venieverpa nirlaslesionesenelfuturo.

6https:ws.
a / on.amz n1om/c 13
13
4
Mejora de las habilidades
profesionales de sus equipos
Mientras se crea una estrategia de datos, las Entrestosm|todos,seincluyenlossiguientes:
ganior zacionesdebnenfocarseenarmsusequipos
de ingenieros con las habilidades adecuadas. De0nireld|0citdehabilidaes: antes de eliminar el
d|0cit,unaganior zacindebinti0carlasencdifr ias
Las organizaciones son cada vez más conscientes del precisas entre lo que necesita o desea que hagan sus
d|0citdehabilidaesdelmachinelearning,laecinte
r empleados y las habilidades que tienen en ese momento.
brecha entre las tecnologías y la habilidad de los
especialistasdeTIveopar charlas.El informe de Entendmose erc identi0canlashabilidaes: como
O'ReillyAIAdoptionintheEnterpise,en201 elquese lasiniciativasdemachinelearningese pr ntanesfueos rz
encuestaonr mzsde3500 l}des r esa
mpr riales,mostr intedisc r iplinarios,unaganior zacindebinti0carlas
quelafaltadeprsonascali0cadsyladi0cultade habilidaesqueneesi c tanloscient}0os c deatos,los
ontr
c atacinencabeznlalistadesaf}osparlaIA; especialistas de machine learning, los desarrolladores de
el19 %delosencuestadosloscitaonr omuna
c erab aplicaciones, los estadistas y los expertos en otras áreas
signi0cativa.Eliminarestafaltadehabilidaenel del negocio.
machinelearningimplicarzlaombinac cindeformacin
Personalizar la formación en función de las
técnica y contrataciones. La realidad es que actualmente
neesi
c daesespec}0cas: si una organización ya cuenta
noysu0
ha cientescient}0os c deatosondparc ucirla
con planes de estudios que pueden ser útiles, debería
transformacindelmachinelearningquesexima.opr
adaptar ese material de acuerdo a las necesidades
Esto implica que las organizaciones que quieran
espec}0casdelmachinelearningdelnegoci.Losl}des r
aprovechar el machine learning primero deben invertir en
también deben investigar los servicios de inteligencia
el desarrollo de sus aptitudes.
ar ti0cialyaentrenadosquecionapr ninteligencia
Aunquenosehaencontradounasolucinuniversalpar epardlasaplicaionesdenegocisylos1ujos
lafaltadehabilidaenelmachinelearning,existen de trabajo.
métodos probados que pueden maximizar las habilidades
del personal existente y, de este modo, reducir la
necesidad de realizar grandes inversiones en la compra o
en el préstamo de talentos expertos ya capacitados.

14
Además de la formación, deberá alinear a los equipos para abordar
de forma adecuada los problemas relacionados con el machine
lenira ngsto
E . nci luylo
e siui
g nte
e :

Fomentar una cultura de equipos empoderados: los equipos de proyectos de machine learning
neb d seulti mr uncnaoi lesn0 a te ed nela r uto a neda ir sa
e c um
c ar p air li p no c r ti
e bo vos
ndi vii ua
d les,zs meda te ed nelar lirta eb ntei ar p d noo c rainto
bem c r sno c tr o s o uie s op ne
uncni la ed sndamed s
a la
a y srtuni op s
eda uesese e rp nten.Paue ar ste e titr ed op ne o ab
uie se op si
op a le
b la
, niimda strninta ceamo eb d nue
r vasstr e ucturs a laed ra ed y ue
a od llos
lo
edom sniag ro naica lesstr e ta ci nte em zrre uis o c rta
aped y nta em lesl ed sa ap .od

Comenzar con un equipo piloto: establezca un equipo piloto de ingenieros y asígnele un proyecto
uto
a nde rap i e d zti m ˝ende.mo}acr a ues o d so r e p nasuy m nte
i linte
e g ssenceue
g r a ne d
vea ua
g i r u|
r |tr
m s a c i se
e d soti
rp isa
o ce ardpe r p ,lo
o r ac`roipm a sh
e d e c i p m e te
a .r

Permitir la transformación orgánica: cuandoelecto yopr pilotoest|omple

c to,elnegoci
podrzdividireleuipoeincorpanuevosingenios er earui
pc posnuevos,asu y ve,
asignarlesnuevosecto yopr s.Esteeso ocpr onti
c na,louepermiteueelonoc cimentose
diundgzni
adeorm cadesdelosos
miebr mzsantiguosdeleuipohastalosuese
incorporaron de forma reciente y que puedan intercambiar conocimientos entre ellos.

Gracias a esta guía, muchas organizaciones han descubierto que las personas que componen sus equipos en
li
ae r so
da nlasso
rep nasue
q nesi
e c tanli
e ar p naim la
r lta
af li
ibah ed s
eda ne l
e neihcam lenira ngAunq
. ue
es posible que todavía se necesite otro reclutamiento, los cambios en relación con la administración, los
procesos y la organización hacen gran parte del trabajo de mejorar las habilidades para lograr tener éxito
con el machine learning.

Ta|nibm s
e rta
opmi ntese
a ur
g ue
q ra losl}ds
e r sa
e rpm le
air stengna lanicamrof nesa
e c ar p air
comprender el machine learning, incluso lo que constituye un buen caso de uso y cómo hablar el lenguaje
del machine learning. Existen muchos cursos para líderes empresariales, entre los que se incluye Machine
Learning Essentials de AWS.

15
Cómo Morningstar lo logró
Morningstar, la empresa de investigación en
materia de inversiones, utiliza el machine learning
para automatizar los procesos de recopilación
deatosyaumentarlacantidaefondosque Nuestro desafío de DeepRacer
cubre. Para lograr esto, la empresa aprovecha aprovecha el entusiasmo de nuestros
las predicciones del modelo de machine learning
empleados por el machine learning y
entrenado para imitar el proceso de evaluación de
fondosdelosanalistas. la inteligencia artificial. Proporciona
formación práctica en la empresa
A0ndeformasusempleadosele
yac rala
y acelera la aplicación práctica de
aplicación del machine learning, Morningstar
utilizaAWS DeepRa,una
erc heramintaque
Morningstar del machine learning
facilitalaformacinprzcticaenmachinelearning en nuestros productos, servicios y
a través de un coche de carreras autónomo a procesos de inversión. La respuesta por
escala 1/8basadoenelendapr efue
izajdr o,rz parte de nuestros equipos superó mis
unsimulaeras doc 3Dyunaligade
expectativas y considero que fue una
erasc anivelmundial.Mzsde445 empleados
de Morningstar que se encargan de distintas
manera entretenida de unir nuestros
funcionesvioypr enendeochpa}ses,incluidoel equipos, tanto en la tecnología como
35 %delpersonalquesedeicalatecnolog}a, en otras funciones”.
hanparticipadoenlaDeepRaerLec ague 7
.
JamesRhodes,ecto
dir rdetecnolog}adeMorningstar
Morningstar tiene en mente varios proyectos de
machinelearningparel201.Algunosdellos
incluyen implementar un programa de aprendizaje
efue
dr oque
rz seencgue
ar debuscarptrones
en documentos regulatorios y un algoritmo que
identi0queelo
pary senlaes
c daGadosalos
sitiosebdinsti
w tuciones0nancieras.

7https:ne/ wsrom.rningstaneom/.c r wsrneom/ ws-chivear ess-

pr / ele
r ase-details/2019/Morningstar-Launches- 16
Global-AWS-DeepRaer-Copate
c -Competition-toAc - ele
c rateAp
- plication--Maof chine-Learningdefault.
/ aspx
5
l
E sc
e la
a zs
m od llz
a lo
ed scto
e yorp slo
ip tos
Luego de los primeros proyectos piloto exitosos, las organizaciones deben avanzar al siguiente
paso de este recorrido: el escalado del machine learning en la empresa de manera sostenible.
Esteesundesaf}otantot|cniomcultural.

Paralograelescalado,lasganior zacionesdebnfacilitarelusodelmachinelearningalos
desarrolladores. La creación de modelos de machine learning a escala puede ser una tarea
intensa y compleja, lo cual puede ralentizar la innovación.

Muchasganior zacionesdanbor loseto

r squeimplicaelescaladomeianteAmonaz
SageMa,una
erk solucinintegralquecubela r totalidael1ujodetrabjodemchine
learning para crear, entrenar e implementar los modelos de machine learning. Gracias a
Amonaz SageMa,la
erk sganior zacionespuedenllevarsusmodelosalafaseoduc
epr cin
onc orapidezymnoosto
rc .Deestaforma,sepermitelaexpansinsostenibledelas
iniciativas de machine learning más allá de los proyectos piloto.

Existenmuchasformasenquelasesa mpr sdanbor elcambioulturalneesa c riopaescalar

el machine learning. Es posible que algunas tengan éxito al crear un centro de excelencia que
consolide a la comunidad y continúe la búsqueda de nuevas iniciativas. También, como es
elcasodeAmon,az lasganior zacionespuedenerque
hac elmachinelearningseaunaparte
integraldelosesoocpr sdeplani0cainanual,euni r endonti
c nuamentealosexprtos
técnicos y los expertos en la materia para intercambiar ideas y determinar los próximos pasos
de la compañía.

17
Cómo lo logró Intuit
GracisaAmon az SageMa,Intui
erk tedujr oeltiempodilementacin
delmachinelearningenun90 %dese ( ismesesaunasemana).Mediante
laentrc alizacindelasiniciativasdemachinelearning,Intuitfomenta
lainnovacineimplementat|cnicasdeIAydemachinelearningagrn
velocidad y escala, por lo que adquiere valor empresarial más allá de sus
productos y servicios.

AWSlebrindalaspersonasquetrabjnenIntuitunaplataforma
omnc omparctirinformacinola
yc boraenunentornosegur, o
a0rmAshokSrivastava,viesi prc dentes|niecto orydi rdeatosde
Intuit.Porejmplo,Amonaz SageMaernok sbrindalaplataformayla
infraestructuraneesa c riasparlicarnuestrastecnolog}asso0sticads
deinteligenciar ti0cialydemachinelearning.

Vea el video ›

 
AWS brinda a las personas que trabajan en
Intuit una plataforma común para compartir
información y colaborar en un entorno seguro”.
AshokSrivastava,viesi
prc dentes|niecto
orydi rdetecnolog}adeIntuit

18
6
Evaluación de los resultados
Cuando se busca evaluar los resultados del trabajo Sibienlasm|tricastradiconalesdeROIpuedennoser
onc machinelearning,elenfoquetradiconalde elmejornfoqueparmedilimpactoquetienenlas
“rentabilidad del proyecto” (en el que un proyecto debe iniciativas de machine learning sobre las empresas, sí es
tenerunomienzc oyun0nalde0nidos,unesup pr uesto posiblemedirlo.Solosetratadecambirnfoque.
y un retorno económico) es reduccionista y puede ser
Para medir los resultados del machine learning, podemos
perjudicial para el éxito de las iniciativas del negocio. Si el
usar algo similar a un “árbol de valores”, en el que
proyecto no genera un rendimiento positivo en el tiempo
el tronco principal represente el “rendimiento de los
determinado, el negocio puede perder interés en él y
ingresos” tradicional y las ramas que se desprenden de él
perderse oportunidades cruciales más adelante.
representen el valor de otros resultados del negocio.
Para que esto no suceda, los ejecutivos y el personal de
Las ram s espec}0cas de ste zrbol de valores
tecnolog}adelainformacindebnmedirlosesulta
r dos
dependerán de la organización, la industria y la
deltronabjc machinelearningenfuncindeloque
iniciativa, pero podrían ser cosas como “el ahorro de
signi0cael|xitoparsunegoci,enelar cinonc la
tiempo mediante procesos automatizados”, “nuevos
optimizacndeloseso
ocpr s.Ademzs,debnentender
mercados, datos tiles y op r tunida es identi0cad s,
losesfueos rz quesedeicanalmachinelearningomc
“mejoras en el servicio al cliente” e “incremento en
inversiones a largo plazo, y tener en mente que pueden
ventas a mayor precio”.
pasarmuchosaGosyllevarseacboin0nitasiteraciones
antes de obtener un verdadero “rendimiento”. Medir el éxito del machine learning a través de un
modelo más holístico y a largo plazo permitirá a
Cuandoseplani0caniniciativasdemachinelearning,es
sus equipos de trabajo concentrarse en los mejores
erlo
mjohac desdeunenfoquequeelaprioc agilida,
esulta
r dosparelfuturodelaompaG}a
c .
la ventaja competitiva y la tolerancia a riesgos, antes que
el rendimiento esperado. Las organizaciones tendrán
mucho más éxito si dejan de lado preguntas como: “¿qué
ganancia obtendré en X meses?” y empiezan a hacerse
preguntas del tipo de: “¿si no invertimos en esto ahora,
nosatrasaemos
r ente
fr anuestrosompeti c es
dor enX
años cuando avance la tecnología?”.

19
Dé el próximo Personalización: mejore la participación y
conversión de clientes mediante la creación de
Amazon SageMaker:Amon az SageMaerpmite
alosdesaolla r es
dor ycient}0os
c deatos, earc
k

paso con AWS nceir pxe s

so
rep nalila
ai so
rep b w nalis,
ad z s
ar p ad z snce r f p s
ad e rc amrof ed
ai ndi vii ua
d lesy
formaeiplementarmodelosdemachine
learningdeformazpidaysencilla,loqueehac
el comportamiento del cliente en todos canales. mzsfzcillaescalabilidaentodoelnegoci.
Sin importar en qué etapa del recorrido por el Amon az SageMaerli
k minalaomple
c jida
Procesamiento inteligente de documentos:
machinelearningest|unaganior zacin,AWS que obstaculiza la implementación exitosa del
extraiga texto y datos al instante de
puede proporcionarle productos, soluciones y machine learning en distintos sectores y casos
prácticamente cualquier tipo de documento,
servicios que la ayuden a dar el próximo paso. de uso, desde la ejecución de modelos para
omso
c licitudes|sta
depr mosyformularios
AWScuentaonc lamzsampliavarieda ladetecindefraudentieal
mpor hasta
m|dos,
ic sinesfueomanua
rz l.
ser viciosdeinteligenciarti0cialymachine el análisis virtual del impacto biológico de
learning en el mundo y ha ayudado a más de Búsqueda inteligente: mejore la productividad potencialesmedicantosolaidenti0caindel
diez ml clientesaimplementarelmachine mejorpilotode F1.
empr rialylasatisfcina delosclienteal
sa
learning con éxito en sus empresas. erinfcof ormacinecisa
pr ytildeformazs
rzpidaefuentesdeinformacinensilosyno
AWSseneop a cil de r neihcam lenira ngl a
estructuradas en toda la organización.
alcance de cualquier desarrollador y trabaja sin
sc
ed nso a sup ar p lo ra e ssa ed }of szs m uo d ra s Detección de fraude: mejore la rentabilidad
que se interponen en su camino hacia esa meta. mediante la automatización de la detección de
Lass eda ic pa AW
ed Ssesa ed llaor nne la posibleactividafrudulentaenl}neoma,c
lap tane amrof lanubzs m e le pmo c tastzn e, fraudesdepagoycuentasfalsas,medianteel
optimizadas para trabajar con machine learning machine learning y sus propios datos únicos.
no c nfi zti
mro lto a ed c nder nto eim noy nar oh
sf e ues ozr ne te
car }stir sac seed ur g nzli
a y d i sis. Inteligencia de medios: maximice el valor del
contenido multimedia mediante el agregado del
Exploremos las opciones de machine learning nei h c le
a m nir a nglo
a suj
1 s
o tr
e d ulti
m ojab ,aidem
queeAW
cofr Senlaactualidayveamosmoc como búsqueda y detección, adaptación local de
pueden ayudar a las organizaciones a avanzar en nte
o c neo m , ti
d anfoniicm r,o d n,zs.
mi c ya z
su recorrido.
Análisis de métricas empresariales: prediga con
Centro de contacto inteligente: mejore la exactitud la demanda y optimice las decisiones de
experiencia de atención al cliente y reduzca costos ofertaydemandombinaaprc rdatosdeseries
mediante la integración del machine learning a su temporales históricas con variables adicionales,
centro de contacto. como características de productos, precios y días
no laborables.
20
El machine learning CasosdeusoclavesdelaIA: explora los casos claves de uso de machine learning para
mejorar la experiencia de los clientes, optimizar las operaciones empresariales y acelerar la
innovación. No se necesita experiencia en el machine learning.
con AWS en cifras • Incorporación de inteligencia al centro de • Identificación de actividades
contacto fraudulentas en línea
• Personalización de las recomendaciones • Análisis del contenido multimedia
para los clientes y detección de nueva información
Soluciones de machine learning de
• Automatización de la extracción y el análisis • Perfeccionamiento de las operaciones
AWS: • Detecte más rápido información precisa y predicciones empresariales
mediante la búsqueda inteligente
Reuc
d ne l
e tinicamrof end opme un 50%
  ⁸ Marcos de machine learning: losli c ntee sAW ed Sue
p ned le
e ntr
e rig Tee nsoFlo
r Py, w To,hc r
Proporcionan un 90%  sce e dnce ai la
c a0 e e d ⁹o d ApMXehca t eN troy s o so c ram ula po s
e r sorep ar p nalilo raz slg a tm
iro s o l
ed neihcam
learning y llevar a cabo experimentos con ellos. Pueden utilizar el marco de su elección
Entregan una velocidad de rendimiento de red una
om c nceir nipxmeda i strne ad Amno za SaMaeg uti o re k liraz las AMI de AWS Deep
LearningIm( zgnee sAm ed no za Maneihc ue
q ,) stzne totalmnte e n0o c ur
g sad no c lasltis am
3 ves
ec zs
m zpr adi 01
vesi
r neo slo ed ss o c ram nta eimar eh y sndeund fropa edjazi zs m o ula po s.
e r Losli c ntee s
Mejoran el precio y el rendimiento en un 5 2 % 11 AWed Sta|nibm seneeb naic0 un ed li pma nganeroicp ed o snfi zti mro s ac te op ntes,sd ed e
las GPU para el aprendizaje profundo con uso intensivo de recursos informáticos hasta las
El 91%
  de PyTorch basado en la nube se FPGA para la aceleración especializada de hardware y las instancias de memoria elevada
para ejecutar inferencias.Amnaoicnrzpao una 2C E narg selenic ti
ed sop nsta
i ed ncai
uta
cej ne AWS optimizados para trabajar con casos de uso de machine learning, sin importar si el cliente está
El 92%
  Teed nsoFlo
r sa
ab w ne od lanubse
e ntr
e nae ndun o lo edom uta cej o ndnfi o nce r s ai ne lo edom sntr e nae s.od

uta
cej ne AWS Sopor tedeimplementacin: el Laboratorio de soluciones de Amazon Machine Learning
onec ctaasuequionpc expr tosenelmachinelearningonc el0nyud dea arloaidenti0car
soluciones de machine learning y generarlas para abordar las oportunidades de machine
learningonc enta
oryma bilidaelainversindesuganior zacin.Tambi|nemos
cfr
formacinparumentarelniveldexprinciaenmachinelearningdesuequipo,que
incluyelaformacindesaolla
r es,
dor laformacindel}des r esa mpr rialesyunevento
práctico mediante el Programa Machine Learning Embark.

Herramientas de aprendizaje: AWStambi|neuna

cofr seriedhamntasyser vicios
de aprendizaje para ayudar a las organizaciones a mejorar sus capacidades de machine
learning, como las siguientes:

• AWS DeepRacer
• AWS DeepLens
• Formación y certificación en el machine learning
• Laboratorio de soluciones de Amazon Machine Learning

%  Segnlasmediconesobtenidasenlapruebadepuntoencrd iade˝eset-50,ˇensor`looptimiadoprAWSegistr r eltiempod

ormacinmzsrzponid,c elcualsuperalesto r enmzsdeun50 % 21
9  Elusodeˇensor`looptimiadoprAWSpermiteunae0cinciadescaladocasilinealdehastaun90 %,enomparcinonc el#5 %uese
obtienesiseutiliaˇensor`loomnc
10  Enomparcinonc otrosveopr es
dor ueutilianinstanciasP3dn,
1  ¨edianteelusodeinstancias C5onc unesa ocpr dorInteleonde3.0 Gˆ,enomparcinonc instanciasdegneracionesantees
rio
Solución a los Desafío Solución

desafíos más Desalientoacusa Desaolla

r runaculturadetolerances
oria

grandes del de errores

machine learning Datosensilos,sin

procesar
Crear una estrategia moderna de datos que incluya
lagos de datos

La mayoría de las organizaciones realizaron inversiones

Localización de Formaequiposdetrabjomixtosqueincluyantanto
en machine learning y se encuentran en alguna etapa
los problemas a expertos técnicos como a expertos en la materia.
del recorrido. Pero muchas se encuentran con obstáculos
empresariales
en su camino y se vuelcan a soluciones provisorias,
adecuados
preocupadas por que los costos y el nivel de complejidad
seandemasiadoltosenelfuturo.
Faltadehabilidaes Adoptarnuevosmodelosganideor zacin,eso
ocpr s
En este libro electrónico, hemos hecho un recorrido por en machine learning y0losof}asdegstindequipos
los pasos necesarios para avanzar y descubrir todo el
potencialdelmachinelearning.Aoncmdec lusin,
Escalado sostenible Apveor charemintasintegrales,omAm
c onaz
echmosunvistaoalo z sdesaf}osmzsgrandesque
más allá de los SageMasi
par, ek mpliel
0car desaollo
r delmachine
identi0camosenelcamino,juntoonc unaevebr
proyectos piloto learning
descripción de la manera en que las organizaciones
pueden superarlos.
Evaluación de los Renunciarlasm|tricastradiconalesdeROIpar
Para obtener más información acerca resultados conseguir agilidad, ventaja competitiva y tolerancia
de la manera en que las organizaciones ariesgos;utilizarelmodelodezrboldevaloes
r

pueden superar obstáculos y acelerar

su recorrido por el machine learning,
visite el centro de recursos de machine
learning de AWS.
Introduccin ›

Am
©2, 2 0 nSeo bz ea W vir s,
e c Incsus
o. sa
e r p m e sli
0 a s.
a d Tos
o d loss
o h c e r d se
e r var s.
od