Inteligencia artificial: mejores resultados con tecnología mejorada

La inteligencia artificial (IA) actual ha transformado múltiples industrias, incluida la venta minorista. El repentino aumento de las aplicaciones impulsadas por la inteligencia artificial se debe a tres factores principales:

  • Acceso a big data
  • Reducir los costos de computación
  • Democratización avanzada del aprendizaje automático con plataformas y paquetes de código abierto

Además de estos avances, el papel de la IA en la generación de resultados comerciales concretos puede mejorarse mediante tres nuevos enfoques:

  • incorporado
  • Inferencia causal
  • Aprendizaje reforzado

incorporado

Las redes neuronales son el producto estrella de la IA moderna. Están formados por unidades de procesamiento interconectadas llamadas neuronas. Estas redes neuronales se entrenan inicialmente con datos existentes. En última instancia, la red neuronal entrenada se utiliza para realizar predicciones y clasificaciones. Cuando se entrena la red neuronal, el objeto que está aprendiendo se captura en una representación numérica compacta utilizando el término técnico "incrustación". El objeto capturado por la incrustación puede ser una palabra, una imagen, un producto o cualquier cosa que realmente tenga datos...

Imagine entrenar una red neuronal para comprender las preferencias de las personas para ver películas. Se puede entrenar otra red neuronal para comprender los intereses musicales de una persona. La incrustación puede capturar las interrelaciones entre cada una de estas diferentes piezas de información en una lista compacta de números llamados vectores.

La tecnología ingenua no tiene este tipo de inteligencia semántica. Simplemente convierten la información en loros y no comprenden los matices ni las relaciones sutiles. Entonces, si bien la tecnología integrada puede explicar sus intereses, gustos y personalidades de una manera muy interesante, la tecnología ingenua lo describe de una manera superficial y aburrida: es su nombre, dirección, computadora portátil. Enumere modelos, sus aplicaciones instaladas y cuándo su computadora portátil está encendida . En otras palabras, la tecnología ingenua tiene sabores relacionados con las máquinas, mientras que la tecnología incrustada tiene sabores relacionados con la inteligencia humana. Esto le da un poder inconmensurable a la incrustación.

Por ejemplo, la incorporación se puede utilizar para planificar el surtido de una tienda en particular en el Super Bowl. La planificación puede basarse en una variedad de factores, incluido el mercado de catering de la tienda, los productos populares y las reacciones de los huéspedes a los eventos.

Una vez integrado, se puede utilizar como una función para entrenar muchos otros modelos, obtener conocimientos y facilitar la toma de decisiones. Las incrustaciones ya se utilizan ampliamente en la comprensión del lenguaje natural, la visión por computadora y los sistemas de recomendación. Sin embargo, esto es solo la punta del iceberg. ¡Espere cosas poderosas con esta técnica en el futuro!

Inferencia causal

También lo es la famosa máxima porque "la correlación no es causal". Si es así, ¿cuál es la relación causal? ¿Y eso qué tiene que ver con la IA? Independientemente del área de aplicación, la tecnología ML se enfrenta actualmente a tres desafíos únicos.

  • Adaptabilidad / Robustez: La adaptabilidad es la capacidad de un sistema para responder a situaciones nuevas que no se observan en los datos históricos. Tenga en cuenta cómo los seres humanos habitualmente "improvisamos" incluso en situaciones nuevas. Por ejemplo, los científicos determinaron rápidamente que las máscaras eran una forma eficaz de combatir la epidemia de COVID-19 a principios de 2020.
  • Explicabilidad: los modelos de aprendizaje automático de hoy son cajas negras. A menudo es difícil entender por qué una máquina ha tomado una decisión en particular. Esta es una barrera importante para la adopción de IA en áreas no técnicas. La coordinación entre los seres humanos y los sistemas de IA también es una barrera importante. "Si no sabe cómo toma la decisión el sistema de inteligencia artificial, ¿cómo puede manipularlo?"
  • Conectividad causa-efecto: los sistemas de AA de hoy están centrados en los datos. Básicamente miden cómo se relaciona una variable o factor con otro. Sin embargo, no existe un concepto claro de qué variable cambió el resultado.

La inferencia causal proporciona herramientas y técnicas para expresar matemáticamente este tipo de preguntas y responderlas. Durante las últimas dos décadas, los científicos de datos han desarrollado un marco matemático para que los métodos de inferencia causal interactúen con los modelos ML. Esto nos permitió hacer inferencias causales a gran escala y obtener valor.

Los minoristas utilizan la inferencia causal a diario para responder muchas preguntas, que incluyen:

  • ¿Cuál es la causa de que la tienda se agote?
  • ¿Cuánto aumentará las ventas la remodelación en una tienda en particular?
  • ¿Qué tan efectiva fue la campaña de promoción?

Este es un campo de investigación activo, y creo que esta "revolución causal" conducirá a sistemas de IA más robustos, explicables y poderosos.

Aprendizaje reforzado

El tercer método listo para cambiar el mundo de la IA es el aprendizaje por refuerzo (RL). RL es un paradigma en el que los algoritmos (llamados agentes) aprenden del entorno mediante prueba y error. Cada vez que el algoritmo toma la decisión correcta, vale la pena. Y cada vez que toma una decisión equivocada, es castigado. El enfoque RL es especialmente útil cuando tiene que tomar decisiones secuenciales frente a la incertidumbre. Algunas cuestiones importantes y notables en las que RL está funcionando muy bien actualmente son los coches autónomos, los robots que realizan tareas domésticas y los juegos de estrategia. Incluso en el comercio minorista, RL puede resolver problemas importantes como:

  • Gestión de inventario: el problema de trasladar el inventario de los proveedores a los almacenes y tiendas en la cantidad adecuada en el momento adecuado, dada la incertidumbre de la demanda de los clientes.
  • Control de precios: el problema de determinar el precio apropiado a establecer para cada producto vendido en diferentes tiendas, teniendo en cuenta el conocimiento de cómo cambia la demanda con los cambios de precio.

Lo más emocionante hoy en día es el potencial de los futuros sistemas de inteligencia artificial para combinar la integración, la causalidad y el aprendizaje por refuerzo para construir modelos más compactos, explicables y poderosos que manejen la incertidumbre de manera efectiva. Esto libera un enorme valor comercial y puede complacer a nuestros clientes de muchas maneras.

Deja una respuesta

Subir