2. ABOUT RAONA
Eduard Bermejo es Data Scientist en
Raona. Su trabajo consiste en diseñar
soluciones basadas en Machine Lear-
ning definiendo qué algoritmos utilizar
y los pasos a seguir en la extracción y
análisis de los datos. Asegura la obten-
ción de modelos con buena precisión y
capacidad de generalización para sa-
tisfacer las necesidades que la solución
final del cliente requiere.
Ha participado en varios proyectos de
I+D en Machine Learning, como el bot
corporativo Raonenc o el prototipo de
Document Inspirator para Word entre
otras iniciativas.
Consultora en nuevas tecnologías especializada en el desarrollo de soluciones tec-
nológicas a medida que aportan valor al negocio y que ofrece soluciones de intranets
sociales, desarrollo de software, SharePoint, Touch&Mobility, portales web, Cloud
integration y user experience.
Nace en 2003 en Barcelona y cuenta con oficinas en Madrid, Londres, Andorra y Ar-
gentina. Con más de 100 ingenieros, es Gold Partner de Microsoft y una de las empre-
sas líderes en el desarrollo de soluciones en el mercado español con fuerte presencia
internacional.
Sobre nosotros
MACHINE LEARNINGWHITEPAPER
Àlex Martínez es arquitecto de sof-
tware en Raona, MCSD de Microsoft
y experto en nuevas tecnologías de
desarrollo. Participa en numerosos
proyectos en clientes definiendo las
plataformas a utilizar para garantizar la
calidad, el rendimiento y la evolución
futura de las soluciones implementa-
das.
Lidera áreas de innovación centradas
en las tecnologías emergentes como
los asistentes virtuales, machine lear-
ning o entornos híbridos con servicios
cloud integrados.
3. Photo comment: Ude-
mus omplinv eniquesa
conduciordi, cantur.
El Machine Learning (ML) no es un concepto nuevo, aunque ahora sea uno de los temas más de
actualidad gracias al impulso que le han otorgado gigantes tecnológicos como Microsot, Google
o Facebook. Sin embargo el creciente volumen de datos, tanto en la esfera personal como en la
profesional, que producimos y consumimos a diario, así como el abaratamiento de costes en el
almacenamiento de estos datos y su procesamiento computacional, han propiciado la eclosión
del Machine Learning como tecnología en auge.
La inversión en esta rama de la inteligencia artificial por parte de las empresas supone tanto
importantes beneficios como la reducción de costes y el ahorro de tiempo. En definitiva, una
ventaja competitiva a corto y largo plazo. No obstante, en el escenario local l aún son pocas las
compañías que deciden apostar por el aprendizaje automático.
El sector de la banca o el de los seguros han sido los más atrevidos en utilizarlo para la mejora de
sus procesos, y se están llevando a cabo proyectos muy ambiciosos. Las pymes españolas siguen
en su mayoría sin apostar por el Machine Learning, a pesar de la cantidad de datos valiosos que
poseen a día de hoy, porqué existe mucho desconocimiento respecto a cómo puede potenciar
nuestros negocios. Este whitepaper quiere poner algo de luz en este asunto, explicando en qué
consiste y repasando casos de uso en el ámbito del Digital Workplace.
La potencialidad del
aprendizaje automático
MACHINE LEARNINGWHITEPAPER
Elcochedeconducciónautomáticaeslaprincipalrevoluciónenelsectorautomovilísticodelaaplicacióndelaprendizajeautomáticoanuestrodíaadía.
4. 4
¿Por qué debo usar
Machine Learning?
El hecho que grandes compañías como Microsoft, Google, Fa-
cebook o IBM hayan puesto su foco en el Machine Learning y,
como consecuencia, esto haya provocado un mayor interés so-
cial, se debe a los siguientes factores:
1.- El volumen de datos que manejamos a diario en el ámbito
privado y público cada vez es mayor.
2.- Estos datos, además, son de diferentes clases, y hemos asis-
tido a un abaratamiento y potenciación del procesamiento
computacional.
3.- Almacenar datos ya no se puede considerar un lujo sino
que es una necesidad asequible.
Todo ello ha generado que ahora sea mucho más factible utilizar
los algoritmos para producir modelos en un periodo más corto
de tiempo, de forma más precisa y a gran escala. Y es median-
te la construcción de estos modelos que hoy una organización
cuenta con más y mejores posibilidades para identificar oportu-
nidades rentables y evitar riesgos desconocidos en su mercado.
A través de la automatización de tareas en un flujo de negocio,
por ejemplo, el ML es capaz de detectar patrones de compor
tamiento imperceptibles al ojo humano. Este avance puede
suponer para la empresa una reducción del tiempo, del perso-
nal necesario y tener una visión más amplia de sus procesos.
MACHINE LEARNINGWHITEPAPER
5. 5
Es importante recordar que el Machine Learning no es una solu-
ción para todos los problemas. Hay ciertos casos en los que se
pueden desarrollar soluciones robustas sin utilizar técnicas de
ML. Por ejemplo, no se necesita ML si sabemos como determi-
nar un valor objetivo utilizando reglas simples, cálculos o pasos
predeterminados que se pueden programar sin necesidad de
ningún aprendizaje basado en datos.
Pero en cambio, hay dos escenarios donde el Machine Learning
brillará con luz propia y que debemos considerar prioritarios
para tenerlo en cuenta en nuestro entorno:
1.- No podemos programar las reglas: muchas tareas huma-
nas -como reconocer si un correo electrónico es spam o no- no
pueden resolverse adecuadamente mediante una solución
simple -determinista- basada en reglas si un gran número de
factores influyen en la respuesta a elaborar. Cuando las reglas
dependen de demasiados factores y muchas de estas reglas se
superponen o necesitan ser ajustadas muy finamente, pronto
se hace difícil para un ser humano programar con precisión el
escenario por su complejidad.
MACHINE LEARNINGWHITEPAPER
2.- La cantidad de información es muy elevada: es posible
que podamos reconocer manualmente unos cientos de correos
electrónicos y decidir si son spam o no. Sin embargo, esta ta-
rea se vuelve tediosa para millones de correos electrónicos. Las
soluciones ML son eficaces en el manejo de problemas a gran
escala.
Es por eso que si queremos extraer el máximo rendimiento de
la complejidad existente en nuestros datos, deberemos ir de
la mano del Machine Learning. En esencia, aquellas empresas
que en su transformación digital apuesten por esta ciencia, ob-
tendrán una ventaja competitiva respecto a aquellas que no lo
están llevando a cabo.
Es recomendable que toda compañía que posea un volumen
de datos elevado donde detectar patrones realice inversiones,
aunque sean pequeñas inicialmente, en Machine Learning para
ver cómo afecta a su flujo de trabajo y a la optimización de sus
tareas, dado que obtener beneficios tangibles para el negocio
está reservado a aquellos que empiecen a recorrer el camino lo
antes posible.
ElusodelMachineLearningeshabitualdesdehacetiempoenlasgrandesempresas.Amazonutilizaestastécnicaspararealizarrecomendaciones
personalizadassegúnlaspreferenciasdelclienteyelanálisismasivodedatoshistóricosparafidelizaryincrementarsusatisfacción.
6. 6
MACHINE LEARNINGWHITEPAPER
Pero... ¿Qué es el
Machine Learning?
Desde que llegamos a este mundo aprendemos de forma au-
tomática. Adquirimos conocimiento comunicándonos, interac-
tuando con el medio que nos rodea y con nuestros semejantes,
así como de las experiencias a las que tenemos que hacer frente.
No nos damos cuenta que a medida que aprendemos vamos
interiorizando procesos, dando lugar a una forma determinada
de comportarnos. Según nuestro conocimiento previo actua-
remos de una manera u otra y conseguiremos unos resultados
específicos.
Sin embargo, algo que para nosotros es tan natural como el
Aprendizaje Automático no lo es para la máquinas.
Debemos enseñarles cómo aprender mediante un algoritmo de
aprendizaje para que puedan encontrar patrones de comporta-
miento. El Aprendizaje Automático es la ciencia por la cual las
máquinas pueden aprender a realizar tareas sin que se les indi-
que explícitamente cómo hacerlo.
Aunque aún no se ha llegado a que una máquina pueda tener
una inteligencia como la humana sí que se han realizado peque-
ños pasos. En el terreno del Aprendizaje Automático o Machine
Learning, que es una rama de la inteligencia artificial, ya son
una realidad la detección de la voz y rostros, los vehículos
autónomos, obtener mejores resultados y sugerencias en
motores de búsquedas o el análisis de imágenes.
7. 7
MACHINE LEARNINGWHITEPAPER
Durante años la investigación en apren-
dizaje automático se ha realizado con
distinto grado de intensidad, utilizando
diferentes técnicas y haciendo énfasis
en distintos aspectos y objetivos: técni
cas de modelado neuronal, métodos
simbólicos y sistemas de aprendizaje
de conocimiento con exploración de
varias tareas de aprendizaje.
Desde sus inicios han ido surgiendo pro-
yectos en los que el Machine Learning
fue perfeccionándose hasta llegar a ser
tal y como lo conocemos hoy.
El Aprendizaje Automático es también
un paso clave dentro del proceso del
Data Science o ciencia de los datos, un
campo relacionado con la extracción
de conocimiento a partir de los datos.
Sus expertos, los “científicos de datos”
o data scientists, son quienes se encar-
gan de resolver complejos y sofisticados
problemas relacionados con los datos,
empleando una combinación de herra-
mientas científicas y su profunda expe
riencia empresarial y de dominio.
El objetivo central del
Data Science
El propósito esencial de cualquier pro-
yecto analítico, eneste caso de la cien-
cia de datos, es producir ideas prácticas
y útiles que supongan un mejora desta-
cable para el negocio.
¿Cómo se logra? Los data scientists
desentrañan las complejidades in
herentes a los grandes volúmenes
de datos para ofrecer resultados que
permitan a las empresas tomar de
cisiones operativas más acertadas,
optimizar sus procesos y mejorar sus
productos y servicios.
En especial, el valor de la ciencia de da-
tos se destaca en casos de resolución de
problemas de negocio complejos y ricos
en datos, en los que enfoques tradicio-
nales, como el juicio humano y la inge-
niería de software, cada vez fallan más.
Para que el Machine Learning se lleve a
cabo con éxito es necesario contar con
data scientists que puedan ejecutar la
tecnología a la vez que entienden sus
errores y limitaciones.
Tipos de
Machine Learning
El Machine Learning parte de unos
datos de entrada y una serie de ca
racterísticas facilitadas por el data
scientist a aplicar al modelo.
Por ejemplo, se puede entrenar a la má-
quina para que establezca una conexión
a partir de los datos de una persona
(sexo, edad, nivel económico, etc.) para
determinar si esa persona tiene un ries-
go alto para concederlo o no el crédito
bancario solicitado.
Con esta información y a través del Ma-
chine Learning es posible generar un
patrón para identificar estos perfiles y
predecir futuros comportamientos.
El campo que abarca el Aprendizaje Au-
tomático es muy extenso y conviene di-
ferenciar sus tipologias, divididas en tres
subcampos bien diferenciados según
sus características.
a. El Supervised Learning es una téc-
nica para deducir una función a partir
de datos de entrenamiento. Los datos
de entrenamiento consisten en pares
de objetos (normalmente vectores): un
componente del par son los datos de en-
trada y el otro, los resultados deseados.
En otras palabras, podemos enseñar a la
máquina que con una serie de caracte-
rísticas un cliente es del tipo A y que el
que tiene otras características no es del
tipo A. En el aprendizaje supervisado,
por tanto, el data scientist introduce los
datos de entrada y salida y el Machine
Learning se encarga de encontrar el pa-
trón, la estructura interna de la informa-
ción.
En2011,Watson-sistemaartificialdeIBMdepreguntasyrespuestasqueentiendeellenguajenatural-ganóel
concursodelaTVamericana"Jeopardy".
8. 8
b. Unsupervised Learning. Es una
técnica en que los datos no han sido eti-
quetados previamente y solo se dispone
de datos de entrada. Por tanto, la má-
quina debe de ser capaz de encontrar la
estructura existente en los datos.
Es muy útil para reducir la dimensiona
lidad de los datos reduciendo la pérdida
de información o para el ‘clustering’. Un
ejemplo es la segmentación de clien-
tes, en la que a partir de toda una serie
de características el Machine Learning
es capaz de encontrar un número de
grupos con características similares de-
finido por el Data Scientist. Mediante
la reducción de la dimensionalidad a
dos o tres componentes, podemos re
presentar gráficamente estos grupos
para poder visualizarlos y tener así una
mejor comprensión.
c. El Reinforcement Learning. Fun-
ciona en base a premios, a través del
ensayo y error. Los datos de entrada se
obtienen a través del feedback o retro-
alimentación del entorno. Si la máqui-
na no lo hace bien se le da un “premio”
igual a 0 o negativo. En cambio, si toma
una acción acertada se le dan premios
con valor positivo para al final acabar
encontrando una “buena” solución.
De esta forma conseguimos que el siste-
ma aprenda de forma inteligente cuan-
do toma decisiones acertadas, mejoran-
do los procesos de decisión. El sistema
será más capaz de tomar buenas deci-
siones si se realiza un entrenamiento
adecuado para trasladar la perspectiva
subjetiva humana a un proceso que me-
jorará contínuamente su aprendizaje y
su efectividad predictiva.
REAL UXWHITEPAPER
DEEP LEARNING
Google, Microsoft, Facebook o
Baidu ha puesto de moda el con-
cepto Deep Learning, lo que puede
generar un poco de confusión a los
profanos en la materia.
El Deep Learning se puede aplicar
al aprendizaje supervisado, al no
supervisado y al aprendizaje por
refuerzo que hemos descrito.
En realidad se trata de un subcam-
po dentro del Machine Learning
que utiliza redes neuronales
profundas con arquitecturas tales
como Convolutional Deep neural
networks (para el reconocimiento
de imágenes) o Recurrent neural
networks (datos secuenciales),
entre otras. Es decir, tenemos un
algoritmo de aprendizaje que usa
una red neuronal pero con más
capas (hidden layers), creando un
aprendizaje por niveles que crea
el concepto de profundidad que
le da nombre y que permite más
complejidad en el análisis.
9. 9
El proceso del
Machine Learning
Un punto crucial en el aprendizaje automático es ‘fitar’ -asociar-
un modelo a una serie de datos. Esta acción se lleva a cabo a
través de un proceso conocido como "entrenamiento del mo-
delo". Es decir, entrenando un modelo con datos existentes para
aprender los parámetros de éste.
Un modelo de Machine Learning es la definición de una función
de distribución de probabilidad con un número de parámetros
que se aprenden a partir de los datos. Sin embargo, hay otro
tipo de parámetros que no se aprenden directamente de
los datos y son los llamados hiperparámetros, que se deben
ir ajustando durante el proceso iterativo de entrenamiento y tes-
teo del modelo.
Los hiperparámetros:
- Son parámetros del algoritmo que definen su complejidad y
capacidad de generalización (aprendizaje).
- No se aprenden de forma directa a través de los datos.
- Se pueden encontrar a través de establecer diferentes valores,
entrenar diferentes modelos y escoger los valores que funcio-
nan mejor.
MACHINE LEARNINGWHITEPAPER
10. 10
Dentro del proceso del Data Science, aunque el
modelado es la parte más crítica del proceso, las
otras etapas son también importantes. Para que
un algoritmo pueda aprender bien también es
necesaria la recolección de datos, así como
su limpieza y preprocesado.
Es muy importante la comprensión del dominio
del negocio ya que los datos y el problema a re-
solver son totalmente distintos, por ejemplo, en
el sector de la banca y en el de los transportes. Así
pues, una vez solventadas estas partes del proce-
so ya se puede iniciar el modelado.
Cuando el data scientist ya ha encontrado el posi-
ble modelo óptimo debe evaluar cómo está fun-
cionando y si los resultados son los esperados.
En el Data Science se sigue un proceso iterativo,
en que el modelo se testea, se añaden nuevos da-
tos, se limpian, y se va perfeccionando el modelo.
De hecho, a lo largo del proceso el Data Scien
tist prueba muchos modelos diferentes y
cada uno de ellos con diferentes parámetros.
Photo comment: Ro inulpa
doloritio magnatur aut
excepro dolendamusae
iminctium ea con ea.
SERVICIOS COGNITIVOS
Muchas situaciones requerirán de profesionales en Machine Learning o data scientists para entrenar los modelos, pero hay
casos en los que no será necesario, ya que podemos utilizar modelos ya entrenados. Google, Microsoft e IBM ofrecen modelos
de reconocimiento de imágenes que podemos utilizar como servicio. Empresas que no cuentan con un equipo en el ámbito
del Data Science, así como las que sí que lo tienen, podrán sacar provecho de modelos ya entrenados y testeados con grandes
cantidades de datos.
Se conocen com Servicios Cognitivos y ofrecen una amplia colección de modelos de inteligencia artificial para el procesa-
miento de imágenes, voz, lenguaje y conocimiento. Por ejemplo, el Text Analytics API, que permite evaluar de forma sencilla
opiniones y temas para comprender lo que los usuarios quieren. O el Translator Speech API para traducir voces en tiempo real.
De todos modos, se tiene que tener en cuenta que habrá aplicaciones que seguirán requiriendo del desarrollo de modelos por
parte de la compañía debido a la especificidad de la tarea y al dominio concreto del problema. Pero mediante estos servicios
publicados en la nube -como es el caso de Azure- se ha hecho un importante paso adelante para democratizar y generalizar el
uso de Machine Learning en aplicaciones y portales de toda índole.
MACHINE LEARNINGWHITEPAPER
11. 11
Inteligencia Artificial
en el Digital Workplace
En el whitepaper de “GenC Company, la transformación
digital que definirá a las empresas en 2020”, hablamos
del cambio radical que se va a producir en los espacios de
trabajo y cómo interactuaremos en ellos en los próximos
años. El Smart Digital Workplace propone una serie de ca-
racterísticas para su correcto desarrollo:
1.- Acceso ubicuo y flexible a las distintas aplicaciones de
negocio para generar un entorno más productivo.
2.- Una buena salud de las infraestructuras de las teleco-
municaciones y la seguridad digital de la compañía.
3.- Conexión en tiempo real y a través de formatos mul-
timedia.
ElMachineLearningjuegaunpapelfundamentalparaque
el Smart Digital Workplace pueda ser ya una realidad, ya
que permite automatizar tareas, aumentar la eficien
cia en los procesos existentes o mejorar los flujos de
comunicación, entre otros. A continuación, se muestran
algunos casos de uso del aprendizaje automático aplica-
do al espacio de trabajo inteligente, que deberán adoptar
las empresas de futuro que deseen ser competitivas.
MACHINE LEARNINGWHITEPAPER
12. 12
1. Chat Bots
Quizá hace algunos años nos hubiese sido difícil de imaginar la
posibilidad de tener en la palma de nuestra mano un asistente
virtual capaz de realizar tareas por nosotros mismos y hacernos
la vida más fácil como Cortana, Siri o Google Now. En el ámbito
de la empresa un brillante ejemplo de asistente virtual es x.ai,
que puede responder correos electrónicos y programar reunio-
nes en nombre del usuario.
El perfeccionamiento de los chat bots hará que algún día ya
no tengamos que preocuparnos por las tareas más básicas
y podamos poner nuestra atención plena en aquellas que
requieran nuestro conocimiento y experiencia. Por ahora,
los asistentes virtuales nos pueden ahorrar tiempo en procesos
tan poco productivos como la gestión de reserva de salas o va-
caciones.
De hecho, los smart chat bot son programas que simulan man-
tener una conversación con una persona, ya que disponen de
un conjunto de respuestas automáticas a posibles entradas
(preguntas) del usuario. En este sentido, existen los retrieval-
based models, que usan un repositorio de respuestas predefini-
das y algún tipo de heurística para seleccionar la más apropiada
basada en la entrada y el contexto. La heurística en este caso po-
dría ser tan simple como una coincidencia de expresión basada
en reglas o tan compleja como un conjunto de clasificadores de
aprendizaje automático. Cabe destacar que estos sistemas no
generan texto desde cero, sencillamente solo seleccionan una
respuesta de un conjunto fijo y predefinido.
Por otro lado, están los generative models, que no se basan
en respuestas predefinidas sino que crean nuevas respuestas
desde cero. Los modelos generativos se basan en técnicas de
traducción automática, pero en lugar de traducir de un idioma a
otro, se “traduce” de una entrada a una salida (respuesta).
MACHINE LEARNINGWHITEPAPER
Elchatbotderaona,Raonenc,contestapreguntassobrelaempresa,sustraba-
jadoresyloseventosquecelebramosmedianteSkype.
13. 13
2. Document Classification
El Machine Learning también es realmente útil en la cla
sificación automática de documentos. En estos casos se uti-
lizaría el supervised learning, en el que se provee al algoritmo
con un conjunto de documentos con sus correspondientes eti-
quetas (categorías).
Sin embargo, hay empresas que tienen clasificados sus docu-
mentos y otras no. En el caso de una compañía muy grande que
no tiene los documentos clasificados hay que destinar mucho
tiempo a buscar la información. Aquí se podría aplicar la técnica
del unsupervised learning para extraer temas de una colección
enorme de documentos e identificar pautas, contenidos y pa-
rámetros comunes. De esta manera, cuando se introduzca un
nuevo documento el sistema pudiera determinar que en un 50%
habla del tema A y en un 30% del tema B, para poderlo etiquetar
en, por ejemplo, deportes, cultura, política, etc. Es decir, poder
llegar así a tener una clasificación para organizar los documen-
tos y facilitar su búsqueda.
Nos referimos al ejemplo anterior por topic modelling, donde
se intenta modelizar los temas latentes en nuestros documen-
tos. Es decir, alimentamos nuestro modelo con un conjunto de
documentos y tras iterar, conseguimos una distribución de te-
mas sobre los documentos.
MACHINE LEARNINGWHITEPAPER
3. Sentiment Analysis
El análisis del sentimiento es un proceso en el que se usan al-
goritmos para determinar las emociones positivas o negati
vas que tienen las personas de una red respecto a un tema,
producto, noticia, etc. También puede ser útil para detectar
el grado de compromiso de los empleados y qué les ha hecho
experimentar estas emociones.
Así, los equipos de marketing ya pueden analizar las reacciones
que perciben de los destinatarios al ver textos o imágenes y ver
si son los más adecuados para el lanzamiento de un producto.
Este análisis de sentimiento se basa en tratamientos de datos
masivos en base al reconocimiento facial de las personas, el
seguimiento de las interacciones que realizan cuando interac-
túan con una aplicación o web, o tratando de forma masiva los
comentarios y posts en redes sociales que hacen referencia a
nuestro producto.
Los principales fabricantes, como es el caso de Microsoft, ya
ofrecen servicios en la nube que permiten hacer este tipo de
análisis en tiempo real e incluso podemos integrarlo en nues-
tras aplicaciones para que actúen de forma distinta en función
de la respuesta obtenida del usuario final. Un nuevo escenario
de adaptación emocional se incorpora a nuestro entorno de
desarrollo para mejorar la experiencia de los usuarios.
DOCUMENT INSPIRATOR by raona
Un ejemplo claro de Document Classification es el prototipo
desarrollado por raona para incorporar a los documentos el
conocimiento del repositorio corporativo.
Integramos los algoritmos de topic modelling y keyword
extraction a Word para detectar la temática y la estructura
del redactado, proponiendo contenidos inspiradores que
permitan reutilizar y mejorar el resultado final del docu-
mento elaborado. Una gran ayuda para obtener grandes
resultados en mucho menos tiempo.
14. 14
¿BUSINESS INTELIGENCE O MACHINE LEARNING?
El business inteligence tradicional se dedica a crear dashboards interactivos o informes visuales en base a información de la
empresa de un momento concreto del pasado hasta hoy, es decir, de lo que ya ha sucedido. Sin embargo, aunque estos datos
son muy valiosos para comprender qué ha ocurrido y encontrar soluciones, ¿qué ocurre con la información en tiempo real o a
futuro? ¿No es necesaria también para la buena marcha de los negocios?
Para dar respuesta a ello aquí entra el machine learning, que se complementa a la perfección con el business inteligence.
Mientras éste aporta la mirada de pasado a presente, el aprendizaje automático lo acompaña con predicciones, con una visión
a futuro, permitiendo detectar tendencias y oportunidades. Debemos, por tanto, apostar por la combinación de ambos para
potenciar nuestra visión y comprensión de la empresa.
6. Report Generation
Con toda la información que dispone, el sistema junto con el
Machine Learning puede llegar a generar informes automatiza-
dos. De hecho, la empresa británica Arria utiliza el aprendizaje
automático para crear informes financieros basados en los da-
tos de propiedad de las empresas. De esta manera, se elimina
el paso de requerir personal para traducir toda esta infor
mación en informes y los trabajadores pueden centrarse
en tomar decisiones estratégicas.
7. Employee Perfomance
Por último, el aprendizaje automático también podría pre
decir el desempeño de los empleados. Es decir, el sistema
sería capaz de señalar las áreas en que se necesita incidir, hacer
recomendaciones a los trabajadores para su mejora, encontrar
perfiles a potenciar o saber qué departamentos de la empresa
pueden ver reducido su rendimiento.
Sin duda, todas estas propuestas son sólo el principio de un lar-
go camino a recorrer para que el Machine Learning se convierta
en una de las piezas fundamentales de la transformación digital
que está llegando a nuestro espacio de trabajo.
MACHINE LEARNINGWHITEPAPER
5. HR Automation
Otra aplicación del machine learning en el Smart Digital Wor-
kplace es la automatización de los recursos humanos. En este
caso, el sistema sería capaz de analizar las épocas del año en
que es mejor o peor hacer vacaciones, predecir bajas en los em-
pleados o anticiparse a ausencias imprevistas. Incluso detectar
mediante análisis de los datos en redes sociales si tienen en
mente cambiar de trabajo en pocos meses. El beneficio está en
anticiparse a las decisiones de nuestros empleados para tomar
las mejores decisiones para la empresa.
4. Search Engine Improvement
Crear un motor de búsqueda inteligente en la intranet de la
empresa que permita gestionar el conocimiento de la mis
ma a un nivel superior es posible con Machine Learning.
Aquí el sistema aprende de las búsquedas internas que realizan
los trabajadores, recopilando datos sobre lo que se busca, quién
y qué genera más interés entre los usuarios para priorizar aque-
llos contenidos más útiles. Es una aprendizaje supervisado en
el que el algoritmo se va entrenando viendo el comportamiento
de lo que busca la gente y determinando así las entradas que
deberían salir más arriba y que serían más útiles para el usuario.
15. 15
"Aunque en el terreno del Machine Learning quede aún mu-
cho camino por recorrer, lo cierto es que ha evolucionado
hasta tal punto que ya no hay marcha atrás. Como se ha po-
dido ver a lo largo de este whitepaper la inversión en esta
tecnología se ha constituido como un factor determinante
para las pequeñas, medias y grandes compañías que buscan
diferenciarse y ser competitivas en un mercado que avanza
a pasos agigantados.
Reducción de costes, ahorro de tiempo y personal y mejo-
ra de la productividad son los grandes beneficios que pue-
de suponer aplicar el machine learning en el ámbito de la
empresa. Además, su aplicación en los espacios de trabajo
puede además potenciar el concepto de Smart Digital Wor-
kplace, un entorno colaborativo, productivo y conectado
que configurará las empresas en los próximos cinco años.
Por otro lado, las posibilidades del Machine Learning au-
mentan en aquellas compañías que poseen grandes volúme-
nes de datos. ¿Pero, qué empresa no tiene que lidiar hoy con
grandes cantidades de información? Vale la pena entonces
utilizar todo lo que nos puede ofrecer el Aprendizaje Auto-
mático para que el conocimiento que se genere día a día no
se quede escondido o estancado, sino que trabaje para y por
la empresa y revierta en la mejora constante del negocio."
Eduard Bermejo - Data Scientist en Raona
MACHINE LEARNINGWHITEPAPER