En los proyectos de Machine Learning, los resultados no siempre son los esperados. Por ejemplo, es posible que no se puedan determinar las causas de los problemas investigados y, por lo tanto, no ayuden a tomar decisiones. En otras palabras, el aprendizaje automático no cumplirá sus objetivos. Ahora bien, ¿por qué sucede esto?

En este artículo, abordaremos dos de los principales errores en la implementación del aprendizaje automático.

Errores en los entregables del proyecto

El primer error técnico en los proyectos de Machine Learning del que vamos a hablar se refiere a la forma como se entrega la información.

Las técnicas actuales de aprendizaje automático construyen modelos matemáticos. Estos modelos se basan en redes neuronales, regresiones lineales, entre otros. Mediante estas técnicas, es posible descubrir patrones o tendencias ocultas en los datos. Sin embargo, cuando los resultados no están estandarizados solo se obtienen representaciones numéricas.

Los números y las estadísticas pueden ser bastante difíciles de leer e interpretar comercialmente. Se presenta diversa información sin el tratamiento adecuado. Por tanto, esta información no se convierte en recomendaciones prácticas para la empresa. Es decir, tenemos mucho conocimiento, ¡pero no es aplicable en el negocio!

Usemos como ejemplo el desarrollo de un modelo analítico en una compañía de seguros. Este tipo de modelo se puede utilizar para identificar de manera predictiva a los clientes que presentarán una queja en el futuro. Los resultados del proyecto nos mostrarán la aplicación de los algoritmos involucrados y la construcción del mejor modelo analítico. Y posteriormente, analizarán los datos del cliente, realizarán la previsión y obtendrán una lista de clientes con alta probabilidad de reclamación.

Sin embargo, si esta información no está claramente organizada, asociada con la causa de las quejas, no ayudará a los tomadores de decisiones a abordar adecuadamente el problema. En resumen: el proyecto es consistente, pero sus entregas no corresponden con formatos de conocimiento procesables, que puedan fundamentar la definición de acciones a tomar.

Errores en la medición de resultados

El segundo contexto en el que nos cuesta implementar un aprendizaje automatizado en las empresas es la medición de los resultados del proyecto de machine learning.

Es un hecho: medir los resultados con precisión es un requisito natural para cualquier proyecto en una organización, y el aprendizaje automático no es diferente. Aquí, la cuestión es asegurar la conexión entre, las estrategias soportadas por Machine Learning aplicadas en las áreas operativas de las empresas y su efectividad real en la resolución de problemas.

Técnicamente, el Machine Learning no es cíclico si no se asocia a una metodología para medir la eficiencia de la estrategia con relación a las previsiones que ofrece. En términos concretos, estamos hablando de hacer posible monitorear constantemente el impacto del aprendizaje automático en el rendimiento de la empresa. ¿En qué medida realmente marcó la diferencia el conocimiento generado por él para lograr los objetivos comerciales?

La objetividad es un punto clave para analizar con precisión el resultado de cada medida implementada en función de las decisiones tomadas. Por ejemplo, determine qué porcentaje de clientes se han quejado y cuáles han sido atendidos adecuadamente; o si se ha reducido la probabilidad de que el cliente vuelva a quejarse y en qué medida. En resumen, comprenda si los esfuerzos de la empresa relacionados con el aprendizaje automático han logrado mejoras comerciales.

Como hemos visto, definir formatos de entrega que sean parte efectiva de las decisiones comerciales y asociar tasas de éxito medibles a la aplicación de la información obtenida son dos medidas fundamentales para evitar errores técnicos comunes, que podrían comprometer el uso del Machine Learning en el negocio.