Una sesión que impartí sobre machine learning me inspiró para escribir mi columna de hoy en Invertia, titulada «¿En qué somos buenos?» (pdf), en la que hablo de lo que implica que, en pocos años, hayamos visto cómo las máquinas se convertían en mejores que los humanos en un sinnúmero de tareas: desde juegos como el ajedrez, el Jeopardy, el Go, el poker o muchos videojuegos, hasta muchísimas operaciones de todo tipo que ahora pueden ser automatizadas. Implica, fundamentalmente, que somos especialmente buenos enseñando.
Enseñar a una máquina es una tarea más sencilla de lo que parece: se trata de suministrarle muchos datos correctamente etiquetados, para que sea capaz de derivar de ellos un modelo, modelo que después evaluaremos para comprobar hasta qué punto nos sirve para llevar a cabo predicciones. Si somos capaces de entender eso, es relativamente sencillo que seamos capaces también de imaginar situaciones y contextos en los que utilizar machine learning pueda generarnos posibles ventajas competitivas, algo que, además, es cada vez más fácil de hacer con herramientas sencillas.
La post-pandemia es un momento perfecto para examinar nuestros procesos corporativos y tratar de reimaginarlos en torno a la posibilidad de su automatización mediante machine learning. Qué datos generan los procesos – o los que podrían generar si los sensorizásemos adecuadamente – y cómo podemos utilizarlos para que una máquina sea capaz de prever variables derivadas de esos datos: cuándo va a fallar una máquina, cuando un patrón es anómalo y revela un error o un fraude, cómo nos pueden afectar cambios en el contexto, qué demanda podemos esperar para un producto o servicio determinado… posibilidades de todo tipo en torno a predicciones, optimizaciones o modelizaciones de todo tipo.
Somos buenos enseñando, y las máquinas son cada vez mejores aprendiendo. Aprovechémoslo. Va a ser cada vez más importante.
