El aprendizaje automático o aprendizaje de máquinas (del inglés, «Machine Learning») es el subcampo de las ciencias de la computación y una rama de la inteligencia artificial cuyo objetivo es desarrollar técnicas que permitan a las computadoras aprender. De forma más concreta, se trata de crear programas capaces de generalizar comportamientos a partir de una información suministrada en forma de ejemplos. Es, por lo tanto, un proceso de inducción del conocimiento. En muchas ocasiones el campo de actuación del aprendizaje automático se solapa con el de la estadística computacional, ya que las dos disciplinas se basan en el análisis de datos. Sin embargo, el aprendizaje automático también se centra en el estudio de la complejidad computacional de los problemas. Muchos problemas son de clase NP-hard, por lo que gran parte de la investigación realizada en aprendizaje automático está enfocada al diseño de soluciones factibles a esos problemas. El aprendizaje automático puede ser visto como un intento de automatizar algunas partes del método científico mediante métodos matemáticos.
El aprendizaje automático tiene una amplia gama de aplicaciones, incluyendo motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robótica.
El machine learning (aprendizaje automático) hace referencia al conjunto de técnicas que gira en torno al estudio y la práctica de algoritmos que tienen la capacidad de aprender de los datos. Se trata de crear programas capaces de generalizar comportamientos a partir del reconocimiento de patrones. Dicho de otro modo, consiste en que las máquinas aprendan sin tener que programarlas específicamente.
El proceso de aprendizaje de la máquina es similar al de la minería de datos (data mining). Ambos sistemas utilizan los datos para buscar patrones. Sin embargo, en lugar de extraer datos para la comprensión humana – como es el caso de las aplicaciones de minería de datos – el aprendizaje automático utiliza estos datos para detectar patrones en ellas y modifica, de forma automática, los parámetros del software en consecuencia. Los algoritmos de aprendizaje automático se clasifican entre supervisados y no supervisados. Los algoritmos supervisados pueden aplicar lo aprendido en el pasado con los nuevos datos y utilizan lo que llamamos datos de entrenamiento. Los algoritmos no supervisados pueden sacar conclusiones a partir de conjuntos de datos, sin conocimientos a priori.
No se trata de ninguna novedad, el aprendizaje automático tiene mucho que ver con la idea original de inteligencia artificial, de hecho, es un tipo de AI (artificial intelligence).
Las nuevas tecnologías de la información y las telecomunicaciones han marcado un antes y un después en las empresas, aunque en algunos sectores más que en otros. La logística es uno de estos sectores en que ha impactado con gran fuerza. La posibilidad de utilizar y analizar cantidades masivas de datos generados de forma continua ha dado lugar a muchas mejoras, por ejemplo, en procesos continuos y en la optimización de rutas.
Aunque, como decía al principio, no hablamos de nada nuevo, la novedad es la gran cantidad de datos que hoy las empresas son capaces de recopilar, los datos son la materia prima básica que utiliza el aprendizaje automático. En ocasiones, llevan a las empresas al conflicto de qué hacer con ellas, y es que los datos por sí solas no son útiles. Cuando hablamos de cantidades masivas es imprescindible una correcta administración y análisis de las mismas para convertirlas en una herramienta útil. Ante esta realidad tenemos dos posibilidades: podemos simplemente almacenarlas, lo que supone una gran pérdida de oportunidades e información muy valiosa para la empresa. O bien podemos utilizarlas para aprender y crecer.
Gracias al avance y desarrollo de las nuevas tecnologías informáticas, el machine learning de hoy en día, poco o casi nada tiene que ver con las soluciones de aprendizaje automático que conocemos del pasado. Hoy, podemos aplicar y utilizar algoritmos en cantidades o volúmenes de datos que varían de manera constante y crecen a gran velocidad. Se trata de algoritmos flexibles y con la capacidad de adaptarse de manera independiente, dando lugar a una infinidad de soluciones que van desde programas de recomendaciones online hasta, por ejemplo, como hablábamos hace algunos meses, el desarrollo de vehículos que conducen de forma autónoma, sin conductor.
Aplicaciones del aprendizaje automático a la empresa logística
Las aplicaciones son casi infinitas; de hecho, podemos adaptar el aprendizaje automático a tantas situaciones como datos tengamos. Muchas son las actividades habituales en nuestra vida y rutina diaria que se ven impulsadas por el aprendizaje automático. Estos son sólo algunos ejemplos: motores de búsqueda, filtrado de correos electrónicos, reconocimiento facial, diagnósticos médicos, etc.
Pero, qué aplicaciones puede tener el aprendizaje automático a la empresa logística? Estos son algunas de las aplicaciones en la gestión de la cadena de suministro:
Reconocimiento facial, de voz o de objetos de aplicación, especialmente, en almacenes.
Predicciones y pronósticos. Muy útil en la fase de transporte, por ejemplo, para obtener datos sobre condiciones meteorológicas o de tránsito; o incluso para evitar errores tecnológicos en equipos.
Para crear métodos de optimización más rápidos y efectivos, evaluando, por ejemplo, cuál es el momento más adecuado para ejecutar una tarea concreta.
Análisis de comportamiento de consumo y productividad. Es posible, a través del aprendizaje automático detectar clientes potenciales, prever qué empleados pueden ser más productivos y rentables, adaptar servicios a las necesidades de los clientes, etc.
Los famosos vehículos y camiones sin conductor …
Aplicar el aprendizaje automático a la empresa logística no es fácil, requiere, además de un programador profesional, también un perfil especializado en probabilidad y estadística. Sin embargo, es una opción a tener en cuenta, sobre todo, para la resolución de problemas de naturaleza compleja en la que los algoritmos son de gran ayuda para encontrar soluciones precisas en el menor tiempo posible.
La clave del aprendizaje automático es su capacidad de construir y adaptar un árbol de decisiones en función de datos conocidos. Así , sus aplicaciones son tan amplias como la capacidad creativa de cada uno; eso sí, todas estas aplicaciones tienen como objetivo detectar patrones en los datos, o bien responder a determinadas preguntas de forma predictiva, ahorrándonos tiempo en el estudio de datos y la definición de casuísticas que podría llevarnos semanas, meses y incluso anys.Finalment, un aspecto importante que hay que poner sobre la mesa es que las aplicaciones de las que estamos hablando nos darán respuesta a qué pasará ?, pero no a por qué pasa ?, este hecho es trascendental y choca frontalmente con la nuestra formación empirista. Seremos capaces de detectar que algo va a pasar, pero si queremos saber el por qué, será necesario un análisis posterior. La realidad es que muchas veces nos es suficiente saber que pasará, ya que así podremos actuar en consecuencia y poner remedio. Por ejemplo, si gracias a estas herramientas somos capaces de predecir que habrá un terremoto, podremos prepararnos, desplazando personas, etc., con ello tendremos suficiente, no es necesario saber que esto es debido a que tal placa tectónica se ha desplazado o que se ha producido un tsunami en tal lugar que lo ha provocat.Del que no queda ninguna duda es que estamos sólo al inicio de la revolución que representará el uso de las fechas masivas (big data) y de las herramientas de aprendizaje automático en todos los campos de nuestra vida y especialmente en la logística. En este sentido, la recomendación que os hago es que hay que volver a ser como los abuelos y guardarlo todo, sobre todo los datos, ya que los datos no estructurados de hoy, excelso, powerpoints, correos electrónicos, documentos de todo tipo, etc., son la materia prima que necesita el Machine learning para trabajar y ayudar a gestionar mejor nuestras empresas.