Guía de negocios

INTELIGENCIA
ARTIFICIAL PARA
LÍDERES DE NEGOCIO
PARTE I

kendocorp.com

Te presentamos los conceptos básicos sobre Inteligencia

Artificial, el Aprendizaje Máquina (Machine Learning) y
comentamos sus tres algoritmos de aprendizaje más
utilizados: Aprendizaje Supervisado, Aprendizaje No
Supervisado y Aprendizaje Reforzado

© 2020 Copyright Kendo Corporation S.A. Todos los derechos reservados

INTELIGENCIA ARTIFICIAL PARA LÍDERES DE NEGOCIO - PARTE I

ÍNDICE
Qué es la Inteligencia Artificial (IA) 3

Qué es el Aprendizaje Máquina (Machine Learning - ML) 4

Aprendizaje Supervisado 5

Aprendizaje No Supervisado 7

Aprendizaje Reforzado 8

kendocorp.com 2
INTELIGENCIA ARTIFICIAL PARA LÍDERES DE NEGOCIO - PARTE I

QUÉ ES LA INTELIGENCIA ARTIFICIAL (IA)

La inteligencia artificial es la habilidad de un sistema o máquina de ejecutar funciones
cognitivas como lo hace un ser humano. Dentro de estas funciones se encuentran, la
percepción visual, comprensión del habla, razonamiento y aprendizaje.

Es un algoritmo (software) que debe ser entrenado repetidas veces para empezar a
obtener los resultados correctos. Es decir, que la entrada A dé como resultado B.

IA
La Inteligencia Artificial es la habilidad de un

IA sistema o máquina de ejecutar funciones

cognitivas como lo hace un ser humano.

ML
ML Machine Learning es un algoritmo que puede
mapear o relacionar entradas y salidas, es decir, la
entrada A da como resultado B.

DL DL
Es un tipo de Machine Learning compuesta de
algoritmos de redes neuronales que permiten al
software a entrenarse a sí mismo y procesar un
rango más amplio de data. Requiere menos
preparación humana de la data y suele proveer de
resultados más precisos que los esquemas
tradicionales de Machine Learning. Sin embargo,
hay que tener en consideración que se requiere de
mucha más data para alcanzar este nivel de
precisión.

kendocorp.com 3
INTELIGENCIA ARTIFICIAL PARA LÍDERES DE NEGOCIO - PARTE I

QUÉ ES EL APRENDIZAJE MÁQUINA

(MACHINE LEARNING - ML)
Arthur Samuel, pionero del aprendizaje máquina, lo definió en 1959 como:

“El campo de estudio que otorga a las computadoras la habilidad de aprender sin ser
explícitamente programadas”.

Los algoritmos de aprendizaje máquina tienen como objetivo identificar patrones y

relaciones en la data y en base a ellos aprender a realizar predicciones y/o
recomendaciones. Estos algoritmos mejorarán su precisión al ser expuestos a mayores
volúmenes de datos, motivo por el cual se entiende porque los avances se han dado en
su mayoría en los últimos años. Agradezcamos en parte al boom de la data.

En simple: el aprendizaje máquina es un algoritmo que puede mapear o relacionar

entradas y salidas, es decir, la entrada A da como resultado B.

En esta primera parte, cubriremos las técnicas de aprendizaje de Machine Learning:

Aprendizaje Supervisado, Aprendizaje No Supervisado y Aprendizaje Reforzado. En las
segunda parte desarrollaremos la técnica de Aprendizaje Profundo (Deep Learning).

kendocorp.com 4
INTELIGENCIA ARTIFICIAL PARA LÍDERES DE NEGOCIO - PARTE I

APRENDIZAJE SUPERVISADO
Qué es
Recordemos nuestra relación estudiante - profesor cuando estábamos en Kinder.
¿Cómo aprendimos que una manzana es una manzana y no una naranja?
Posiblemente, el profesor primero mostró distintas fotos de frutas, indicando a sus
alumnos cuáles de todas son manzanas y cuáles no.

Luego de iterar en este proceso unas cuantas veces, pidió a sus alumnos que indiquen
si las fotos que mostraría tenía dibujada o no una manzana. Y así, nosotros ya
podíamos reconocer una manzana incluso fuera del salón de clase sin supervisión del
profesor.

El aprendizaje supervisado es análogo a esto. Este es un tipo de algoritmo que

determina un modelo predictivo y es entrenado con un set de datos que ya contiene
retroalimentación humana.

Dicho de manera más simple, el modelo aprende al recibir data de entrada (imágenes
de frutas) pero también la data de salida (la respuesta correcta, la indicación de cuáles
son manzanas y cuáles no, aquella que se quiere predecir o enseñar al sistema). El
proceso de indicar al sistema qué es cada variable, es lo que se conoce como
“etiquetado” de la data.

Cómo funciona y cómo usarlo

Este tipo de aprendizaje se utiliza cuando se sabe cómo etiquetar la data de entrada y
se sabe con exactitud el comportamiento o variable que se quiere predecir. Asumiendo
que se cuenta con suficientes datos para entrenar el modelo, se inicia con el etiquetado
de los datos de entrada y se define la variable de salida.

Por ejemplo, para un sistema de predicción de precios de inmuebles, una persona

podría etiquetar lo siguiente:

Variables de entrada:
- Área en metros cuadrados
- Número de habitaciones
- Número de baños
- Época del año

Variable de salida:
- Precio en dólares (variable que se quiere predecir)

A continuación, el algoritmo es entrenado con esta data para que pueda encontrar la
relación entre las variables de entrada con la salida. Una vez que el algoritmo cuenta
con precisión suficiente, se da como terminado este entrenamiento y se inicia otro con
un nuevo set de datos para continuar mejorando la precisión del mismo.

Terminado el entrenamiento, al entregarle sólo los valores de entrada, el algoritmo

podrá predecir el precio en dólares de distintas propiedades.

kendocorp.com 5
INTELIGENCIA ARTIFICIAL PARA LÍDERES DE NEGOCIO - PARTE I

Aplicaciones y casos de uso

Algunas aplicaciones donde se utiliza este tipo de aprendizaje son:

- Clasificación de clientes en base a su probabilidad de pagar un préstamo.

- Predecir si una anormalidad en la piel es benigna o maligna basándose en sus
características (tamaño, color, forma etc).
- Predecir la probabilidad de cerrar una venta con un potencial cliente.
- Predecir la demanda de un producto.
- Predecir el precio de un auto basado en sus características.
- Análisis de sentimiento para evaluar la percepción del producto en el mercado.
- Predecir qué tan probable es que alguien de click en un anuncio online.

kendocorp.com 6
INTELIGENCIA ARTIFICIAL PARA LÍDERES DE NEGOCIO - PARTE I

APRENDIZAJE NO SUPERVISADO
Qué es
De manera sencilla, imaginemos que somos niños de 2 años y recibimos un set de 30
imágenes de manzanas, naranjas y piñas. No nos dicen que una manzana es una
manzana o que una piña es una piña. Solo nos piden encontrar relaciones entre las
imágenes. Así, probablemente empezaremos a agrupar, por similitud de colores y
formas, a las piñas con las piñas y las manzanas con manzanas.

El aprendizaje no supervisado es un algoritmo que analiza data de entrada “cruda”, es

decir, sin etiquetar (imágenes de manzanas siendo etiquetadas como “manzana”) sin
tener una variable de salida objetivo con la finalidad de encontrar patrones ocultos en
la data.

Al no pasar por la fase de etiquetado de la data, este algoritmo puede encontrar

relaciones menos evidentes y más complejas en la data, que podrían fácilmente haber
sido ignoradas por el ojo humano o por un modelo de aprendizaje supervisado.

Cómo funciona y cómo usarlo

El aprendizaje no supervisado se suele usar en casos en los que la clasificación humana
de la data no es posible y se requiere encontrar patrones, agrupaciones o anomalías en
la data.

Un ejemplo de aplicación, es Google Noticias. Según Andrew Ng, experto y pionero en

el ámbito de Inteligencia Artificial, Google Noticias utiliza aprendizaje no Supervisado
para agrupar varios artículos juntos dependiendo de la temática.

Aplicaciones y casos de uso

Algunas aplicaciones donde se utiliza este tipo de aprendizaje son:

- Segmentación de clientes por características (preferencia de productos) para asignar

mejor esfuerzos de marketing.
- Mejorar un producto en base a palabras clave dentro de opiniones de sus clientes en
redes sociales.
- Recomendación de que películas ver en base a clientes con características similares.
- Recomendación de artículos que podrían interesarle a un lector en base a lo que leyó
previamente.
- Prevención del fraude.

kendocorp.com 7
INTELIGENCIA ARTIFICIAL PARA LÍDERES DE NEGOCIO - PARTE I

APRENDIZAJE REFORZADO
Qué es
Para entender bien qué es el aprendizaje reforzado, veamos por un instante la teoría
de psicología del comportamiento o psicología conductista. Esta teoría se basa en
estudiar la relación entre el individuo y el ambiente en el que se encuentra. Siendo uno
de los puntos más importantes de esta teoría, que el sujeto siempre buscará en el
ambiente aquellos factores que le otorguen placer y evitará siempre aquellos que le
causan dolor o que considera castigo.

Uno de los casos más reconocidos en este ámbito es el del ratón en la caja. Dentro de
la caja hay una palanca. Mientras el ratón pasa tiempo en la caja, ocasionalmente
presiona la palanca, descubriendo que cada vez que la presiona cae comida.

Así, después de un tiempo, el ratón al ser colocado en la caja irá directamente a presio-
nar la palanca, pues sabe que recibirá comida (premio).

En otro experimento similar, el ratón es colocado en una caja con una palanca y con un
piso levemente electrificado, causando malestar al ratón. Cada vez que el ratón de
manera casual presiona la palanca, la corriente eléctrica se detiene. Rápidamente el
ratón aprende que al ser expuesto a la corriente (castigo) debe presionar la palanca
para que se detenga.

El aprendizaje reforzado trabaja de la misma manera con un agente artificial. El objetivo

es que el agente aprenda a tomar decisiones correctas en base a prueba y error con el
fin de obtener un premio a largo plazo evitando los castigos.

Cómo funciona y cómo usarlo

Dado que las decisiones suelen traer alguna consecuencia, el aprendizaje reforzado
suele usarse para hacer estrategias. Un buen ejemplo de esto es cuando se entrena a
computadoras para jugar juegos. Por ejemplo, Deepmind de Google jugando Atari
Breakout.

Adicionalmente, se suele usar este algoritmo de aprendizaje cuando: no se tiene mucha

data de entrenamiento o la única manera de aprender del ambiente es interactuar con
el.

Primero, el algoritmo ejecuta una acción en el ambiente (ejemplo, pone dinámicamente

el precio a un producto), en base a esto recibe un premio si el resultado es favorable (se
concreta una venta en X horas) o lo considera un castigo (si en X horas no ha sido
comprado). En base a estos resultados, corrige el precio e itera en este ciclo una y otra
vez, optimizando el algoritmo constantemente.

Aplicaciones y casos de uso

- Optimización de precios en tiempo real para subastas virtuales

- Optimización del comportamiento de autos sin conductores
- Reducción de inventario en exceso con precios dinámicos. Se autorregula en base a la
respuesta de compra de los clientes.

kendocorp.com 8
INTELIGENCIA ARTIFICIAL PARA LÍDERES DE NEGOCIO - PARTE I

En la siguiente guía, Inteligencia Artificial para líderes de negocio - Parte II, cubriremos
un tipo de Aprendizaje Máquina, conocido como Aprendizaje Profundo (Deep Learning).

Kendo es una compañía cuya misión es apoyar y guiar a los Emprendedores, Pequeñas y Medianas
empresas (PYMEs) de Latinoamérica en sus estrategias de desarrollo y crecimiento.
Aprende más con nosotros en:

kendocorp.com/blog
kendocorp.com/guias

© 2020 Copyright Kendo Corporation S.A. Todos los derechos reservados

kendocorp.com