Hacer una predicción es, en pocas palabras, jugar con la incertidumbre. Para tener una idea de cómo manejamos la incertidumbre en nuestro conocimiento, responde estas dos preguntas:
- Si lanzas una moneda al aire. ¿Cuál lado se verá? ¿Cara o Cruz?
- Si durante millones de años el sol se ha ocultado y vuelto a aparecer. Si hoy se ha ocultado, ¿Volverá a aparecer el día de mañana?
Desde el comienzo de la Inteligencia Artificial, la idea de una actitud inteligente siempre fue la promesa de que las máquinas estarían hombro con hombro con los humanos haciendo labores inteligentes y mecánicas. Pero solamente fue hasta los años 90 (siglo XX) que fue presentado un algoritmo que trataba de la incertidumbre en el conocimiento: Las Redes Bayesianas.
Para profundizar en esto y para el propósito de este artículo, nos centraremos en el avance que hemos logrado con nuestro Motor de Inteligencia Artificial (MIA).
Premisa: No hay verdades absolutas.
El conocimiento, aunque sea científico, no poseé verdades absolutas en la gran mayoría de hechos. Siempre hay un pequeño margen para la duda, es decir, para la incertidumbre. El método científico se basa en la replicación del fenómeno para otorgar una tésis de conocimiento que sea constatable por otras personas. No obstante, si el experimento se hace mil veces, no quiere decir que siempre se va a obtener el mismo resultado (gracias a esa falla de 1 en 1000 es que Edison pudo construir la bombilla incandescente).
Nuestro conocimiento es moldeable, incluso permeable a nuevos acontecimientos o variables que van agregando o quitando validez a lo que consideramos como cierto y verídico. Entonces “Un hecho verídico”, no es más que una “creencia” que simplemente aceptamos, y lo hacemos porque es necesario para la optimización de nuestro proceso de decisiones. Mientras más rápido tomemos desiciones, menos energía consumimos y más rápido aprendemos nuevas experiencias.
Empirísmo: La experiencia construye la creencia.
Un concepto que hemos escuchado coloquialmente es que “Una Mentira contada mil veces es una Verdad“. Lamentablemente este ha sido un factor que ha determinado el lento crecimiento de nuestra conciencia colectiva humana. Mientras menos tengamos que analizar, y simplemente creemos gracias a la experiencia de otros, entonces construimos “paradigmas”.
Pero en el caso de la “experiencia personal”, toda información repetitiva (costumbre), va forjando una “creencia personal”. Estas creencias personales, son las que generan algunas veces polémicas y discusiones entre los seres humanos, puesto que la “creencia” de un hecho, es solo el compendio de la acumulación de datos adquiridos individualmente.
Un sistema predictivo también cae en este problema, y es simplemente por la tipología de datos ingresados en el sistema. Si no se conocen otros datos, entonces con los pocos o muchos que hayan, se obtendrá un resultado… Y que sea el esperado o no, está limitado completamente por la cantidad de experiencias (datos) que se hayan suministrado.
Fidelidad de la información: Identidad.
Es muy habitual tener conocimientos basados en silogismos que hemos ido adoptando como seres intelectuales. Pero la gran variedad de premisas que pueden llegar a una misma conclusión se vuelve compleja cuando aumentamos la cantidad de variables a evaluar. Es por ello, que un sistema predictivo se vuelve más importante cuando tenemos que considerar muchas más variables. Por ejemplo, un sistema deductivo simple (un sistema experto o lógica directa), puede concluir facilmente que:
- Premisa: Todos los hombres son mortales.
- Premisa: Las mujeres no son hombres.
- Conclusión: Las mujeres no son mortales.
Lo que implica una conclusión errónea, puesto que faltan más datos para poder tener una acertada identidiad a la realidad de la situación. Hasta el momento, solo se ha evaluado: hombre, mujer, mortal y ser. Por ejemplo, hace falta que se incluyan otras premisas tales como:
- Premisa: El término hombre se refiere a la especie homo sappiens.
- Premisa: Toda mujer es un homo sappiens.
- Premisa: Todo hombre es un homo sappiens.
- Premisa: Todos los homo sappiens son mortales.
- Premisa: El término hombre puede incluir al término mujer.
De esta manera, mientras más amplia sea la cantidad de elementos a evaluar (hombre, mujer, homo sapiens, mortal, referir, ser, incluir), mayor será la certeza de la conclusión.
Resultados: Eficacia vs. Eficiencia
Mientras más variables se deban ponderar, más lento será la eficiencia, pero también será más preciso. La cantidad de datos a analizar en un sistema predictivo, es uno de los grandes retos que enfrenta todas las herramientas para Big Data, es por ello que hay que ser muy pragmáticos al momento de seleccionar las fuentes de datos que van a ser correlacionadas en un sistema así.
Para ilustrar el tema, imaginemos un sistema en el que se tiene una gran cantidad de facturas con datos de los clientes, artículos que ha comprado, cantidades, precios y sus lugares de compra. El dueño de la información quiere pasar todo esto por un sistema que le ayude a “detectar futuros patrones de compra de una ciudad” en particular (no de un usuario). Puede que con esta información pueda lograr llegar a estimar futuros comportamientos de compra y ser relativamente ágil. Pero en la práctica haría falta involucrarle otros aspectos, por ejemplo: Estados de las vías, aspectos climáticos de las ciudades, información de las temporadas de cosechas y hasta el valor cambiante las actividades cotidianas de la ciudad, es decir: temporadas de vacaciones, laborales, ferias, etc.
Por lo tanto, si la información que se posee permite llegar a conclusiones, también es posible que no se tenga toda la información relevante para obtener la eficacia esperada, pero al menos permitirá un notable margen de eficiencia.
En el mundo real: Usos
Pero, y todo esto para qué sirve? Cualquier persona o entidad que tenga una gran cantidad de datos (Big Data), es muy posible que comience a tener preguntas sobre que tipo de conocimiento puede extraer de toda esa información. Eso lo convierte en un activo importante para la toma de decisiones a futuro. Si la experiencia ya esta en los datos, por qué no volverlos un recurso útil para el futuro de la organización? Ahí es donde se debe utilizar un sistema predictivo.
Y para ser más puntuales, un sistema predictivo puede implementarse en:
- Medicina: Para reconocer y ajustar procedimientos médicos sobre medicamentos y tratamientos que han sido efectivos o no. Para diagnosticar enfermedades con una visión mucho más amplia de la información del paciente y su entorno.
- Educación: Ajustando los modelos pedagógicos de cada individuo según su propia experiencia y previo aprendizaje, de manera que la siguiente lección esté realmente construída de manera que el aprendíz tenga la mayor garantía de un aprendizaje a largo plazo y acorde a su modelo de aprendizaje.
- Marketing: Para enfocar el esfuerzo de publicidad a un usuario joven, adulto, hombre o mujer, especialmente si conoce más datos del individuo, como sus hábitos de consumo o hábitos de comportamiento.
- Economía: Tratar de determinar si una marca, una criptomoneda o una acción en la bolsa subirá o bajará en el futuro puede depender de muchas variables, no solo de los números de la historia de su comportamiento, sino tambien de los factores externos a ésta, como por ejemplo: el clima, la política, el perfil de la sociedad, la percepcón emocional de la población, entre muchas otras variables.
- Ventas: Establecer si una oportunidad de venta puede ser exitosa o no, puede requerir de un excelente vendedor. Pero también es posible establecerlo conociendo aspectos de la venta como tal. Datos tales como: fecha de la oportunidad, cliente, producto o servicio a venderle, historia de compra del cliente, nivel de curiosidad del cliente por productos similares, perfil del producto y hasta por características externas a la venta (clima, entusiasmo en redes sociales, influencia de una figura famosa, etc).
- Producción: Muchas veces el proceso de producción depende de las ventas o la estrategia de la empresa. Incluso la producción puede tener valor agregado con un sistema predictivo si puede definir qué tanto y cuándo producir de un producto o no, optimizando así los recursos de producción y reduciendo las pérdidas de productos terminados que nunca serán vendidos.
- Mantenimiento: Cada máquina, vehículo, edificación, vía, inventario o activo requiere mantenimiento en el tiempo. Pero cada uno, por su propia naturaleza y las variables de su ubicación y uso generan unas condiciones diferentes que alteran los períodos de mantenimiento, así el fabricante haya sugerido un período estandarizado. Por lo tanto es más preciso, económico y eficáz hacer uso de un sistema predictivo para determinar cuándo hacer el mantenimiento de un activo, por encima de lo que haya dicho el fabricante.
Tal vez no haya considerado todos los escenarios para implementar un sistema predictivo de nuestro Motor de Inteligencia Artificial de Solutecia (MIA), pero con todos estos aspectos, es muy posible que te hayas hecho a una idea, si esta es una solución que puede ayudar en tu área de trabajo. Escríbenos y podríamos ayudarte a resolver tus inquietudes en tu empresa o necesidad.