Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Inteligencia de Clientes
Nuevo paradigma en los
Daniel Olivares M
•
•
•
AMP Ese Business School
Magister en Finanzas, Universidad de Chile.
Ingeniero Comercial, Universidad de Valparaíso
Negocios
YEAR 2012
Approximately doubles
every 2 years
Source: http://www.cacharti.com/?p=51
8
Moore’s Law
9
GPUs vs CPUs
10
UN POCO DE CONTEXTO…
Ubiquity of Sensors – IoT. Sensors de I Orden ; Sensors de Segundo Orden Generación de data continua
https://youtu.be/aqbKrrru2co
12
http://gierad.com/projects/supersensor/
Generación de data continua incluso en arquitectura
https://taett.cl/2022/03/02/inteligencia-artificial-nlp-arquitectura/ 13
UN POCO DE CONTEXTO…
“Sensorizing” (Sensoreando)
14
UN POCO DE CONTEXTO…
“Data is the new Petrol” (Rotella, 2012)
1. Volumen
2. Variedad
3. Velocidad
4. Veracidad
5. Valor
Hadoop
1. Volume
2. Variety
3. Velocity
4. Veracity
5. VALUE
BIG DATA: BIG QUESTIONS
• ¿Cómo podemos extraer valor de negocios (hacer sentido) de estas
toneladas de datos (no estructurados)?
Gato
https://deepmind.com/blog/alphago-zero-learning-scratch/
Machine (Deep) Learning – Time Line
• Predicción de Impagos
• Análisis de imágenes
• Minería de sonido – Call Centers
• Analisis de contactabilidad
TIPOS DE ML
Machine Learning
Data
Representation & Association Clustering Classification Regression
Transformation
Reduction
logistica
/ Augmentation
logistica
multinomial
This is a cat
• Estos ejemplos están etiquetados
• La máquina debe aprender la
relación existente entre las variables
This is a dog de entrada y las etiquetas provistas
por el humano
What is this?
UNSUPERVISED LEARNING
• Un conjunto de datos es proporcionado por el humano
• La máquina necesita descubrir "patrones interesantes" en el
conjunto de datos. No se proporcionan etiquetas u otra información
• Etc…
Deep Learning –
Aprendizaje
Jerarquizado
• La falta de estructura en la data puede ser entendida
como una falta de “atributos” para hacer análisis.
• En esencia, el Deep Learning es un sub-conjunto
especializado del Machine Learning que permite:
• Extraer (encontrar-crear) estos atributos desde datos
no estructurados
• Encontrar representaciones jerárquicas y relaciones
entre estos atributos
• Encontrar patrones locales y globales entre estos
atributos
• Ocupar estos atributos, patrones y sus relaciones
para analizar, predecir, y clasificar nueva data
(modelar)
Encontrando Atributos de una Cara
• Contornos • Ojos
• Pelo ondulado • Mujer
• Pelo
• Sombras • Boca
• Sin barba
• Brillos • Pómulos altos
• Nariz
• Sonrisa
• Cejas
Traducción automática de textos, generación automática de subtítulos
https://deepjazz.io/
http://www.subsubroutine.com/sub-subroutine/2016/11/12/painting-like-van-gogh-with-convolutional-neural-
networks
ML IN BUSINESS APPLICATIONS
MINERÍA DE TEXTO
MINERÍA DE IMÁGENES
37
Request and Complaints
“Estimados, favor indicar cuál es el conducto regular para solicitar el
cierre de mi cuenta vista con ustedes, dado que por darle uso el día de
hoy me descontaron $7.011 por concepto de mantención, cobro que me
parece demasiado alto y hace que deje de ser atractivo para mí usar su
producto. Quedo atenta a su respuesta. Saludos, Rosa Álvarez.”
High
Price Churn Intentions
Multiple Incident
Deceptive Pricing
Deceptive Pricing
Churn Intentions
High
Churn Intentions Deceptive Pricing Multiple Incident Wait for Service
Price
Detect API:
- Landmarks
- Attributes (Gender, Age, Emotions, Health, Glasses, etc.)
How can Manchester United predict fan engagement in
social media platforms using AI?
• Our AI model processed images and extracted many features such as object tags (e.g., people, outdoor, abstract,
dark), face features (e.g., skin status, eye position, beauty), celebrity names, players dominance, and face
emotions.
• Images that have abstract, dark, text, text signs, sky cloud and outdoor road, indoor courts) features have a
negative correlation with the engagement rate.
• In contrast, images that have features such as a group of people and crowd have a positive correlation with the
engagement rate.
Algunas comparaciones y
proyecciones
• A este paso, aproximadamente hacia el año 2060 las redes deep learning tendrán la misma
cantidad de neuronas que un ser humano
• Hoy tienen aproximadamente la misma cantidad de neuronas que una Abeja - Rana
51
Aprendizaje de Máquinas e
Inteligencia de Clientes
Nuevo paradigma en los
Daniel Olivares M
•
•
•
AMP Ese Business School
Magister en Finanzas, Universidad de Chile.
Ingeniero Comercial, Universidad de Valparaíso
Negocios