Cómo las empresas están sacando valor de los datos utilizando el servicio de aprendizaje de máquinas Azure de Microsoft recientemente lanzado.
Hay información útil al acecho dentro de cada negocio – ya sea un granjero que sabe cuándo una vaca está lista para reproducirse o un minorista que sabe cuándo es probable que usted compre un refresco.
Pero obtener esa información puede requerir tamizar grandes cantidades de datos, todos los cuales deben ser filtrados y traducidos en información útil. Ahí es donde entra en juego el aprendizaje automático.
El aprendizaje automático es el proceso de enseñar a una computadora a imponer estructura y significado a los datos.
A la hora de crear sistemas para llevar a cabo el aprendizaje automático, existen métodos comunes de limpieza, enlace y análisis de datos, y Microsoft ha lanzado recientemente una plataforma que ofrece servicios para ayudar en estas tareas.
Basado en la nube Azure, el servicio de Microsoft permite a las empresas crear aplicaciones de aprendizaje automático utilizando herramientas que ordenan los datos y los introducen en los algoritmos de inteligencia artificial empleados por productos como la búsqueda Bing y el motor de recomendación de Xbox.
Estas aplicaciones pueden escribirse en los lenguajes de programación R y Python, o utilizando herramientas de arrastrar y soltar y menús desplegables en una interfaz gráfica de usuario basada en navegador.
Los usuarios pueden compartir sus aplicaciones de aprendizaje de máquina en un mercado, con más de 30 actualmente disponibles, que van desde la predicción de la pérdida de clientes hasta el análisis de texto.
«Puede ir a ese mercado, suscribirse a esa API e integrarla en su sitio web con sólo un pequeño número de líneas de código», dijo Joseph Sirosh, vicepresidente corporativo de aprendizaje de máquinas de Microsoft.
«Lo que hemos creado es una experiencia de tienda de aplicaciones en la nube para el aprendizaje automático de APIs.»
Las aplicaciones pueden desplegarse en la plataforma en cuestión de minutos, según Microsoft, además de actualizarse y volver a desplegarse.
Sirosh espera que el servicio reduzca las habilidades necesarias para que las empresas comiencen a utilizar el aprendizaje automático.
«Se creó un pequeño número de aplicaciones debido a todo ese trabajo pesado. Sólo unas pocas empresas fueron capaces de aprovechar la mayor parte del valor. Esto democratiza el aprendizaje automático, lo hace alcanzable».
El sistema ha estado disponible en vista previa desde julio del año pasado y Microsoft ha refinado el servicio basándose en los comentarios de decenas de miles de clientes.
Microsoft ha sido criticado por no integrar el servicio con las plataformas de nube de la competencia para poder extraer fácilmente datos de fuentes ajenas a Microsoft, como Google BigQuery y Amazon Relational Database Service. Sirosh dijo que la gente todavía puede crear sus propios módulos para extraer datos de fuentes de su elección y que Microsoft está trabajando en la integración de nuevas fuentes.
¿Qué hacen los clientes en la plataforma? Aquí hay tres ejemplos de cómo las empresas de todo el mundo están utilizando el aprendizaje automático.
La vaca conectada
Las vacas reproductoras pueden ser difíciles. El margen para una inseminación exitosa es estrecho, de 12 a 18 horas cada 21 días, y su observación puede requerir que los agricultores controlen decenas o incluso cientos de vacas.
En Japón, los productores de leche emplearon una solución de alta tecnología para darse cuenta cuando una vaca se estaba poniendo juguetona.
Once granjeros equiparon a las vacas con podómetros conectados a Internet para reportar el número de pasos que dieron cada día a un sistema de aprendizaje de la máquina Azure. El sistema fue entrenado para observar cómo se movían las vacas y detectar la espiga en pasos cuando la vaca entraba en celo. Los agricultores serían alertados por texto, lo que les permitiría inseminar artificialmente a los animales en el momento óptimo.
El sistema demostró tener una precisión del 95 por ciento en la detección del inicio de la ovulación y el número de terneros nacidos en las granjas aumentó en un promedio del 12 por ciento. Los agricultores también informaron que disponían de más tiempo, ya que no tenían que estar atentos a las señales.
Los investigadores de Fujitsu, socio de Microsoft en el proyecto, también descubrieron una relación entre el momento en que el óvulo de una vaca fue fecundado y el sexo del ternero. Un animal concebido durante la primera mitad de la ventana para la inseminación probablemente sería una hembra y durante la segunda mitad un macho. Este hallazgo ayudó a los agricultores a controlar el número de vacas y toros en sus rebaños.
El sistema de aprendizaje automático también se utilizó para detectar problemas de salud, y Fujitsu afirmó que fue capaz de detectar alrededor de ocho enfermedades diferentes de las vacas a partir del patrón de pasos.
Mantener los ascensores en funcionamiento
ThyssenKrupp, con sede en Alemania, se ocupa de más de 1,1 millones de ascensores en todo el mundo y gestiona ascensores en edificios emblemáticos como el One World Trade Center de Nueva York y la torre CMA de 1.663 pies de altura en Riad, Arabia Saudí, el rascacielos más alto del país.
Mantener esos ascensores en funcionamiento es un negocio de tiempo completo, y desde el año pasado la compañía ha estado trabajando con Microsoft para construir un sistema de monitoreo que alimenta los datos de sus ascensores y escaleras mecánicas a la plataforma en nube Azure, utilizando el Servicio de Sistemas Inteligentes de Microsoft para ayudar a capturar esa información y su servicio de Aprendizaje de Máquinas para darle sentido a la misma.
El objetivo es desarrollar un sistema que sepa qué reparaciones hay que hacer antes de que algo se rompa y que pueda asesorar a los ingenieros sobre el trabajo que hay que hacer durante las llamadas.
Mediante el seguimiento de la información de sus ascensores, ThyssenKrupp tiene previsto determinar cuándo y dónde lleva a cabo el mantenimiento. En lugar de programar un servicio de rutina cada pocos meses, la frecuencia y la naturaleza de estos servicios se basaría en el funcionamiento de cada ascensor. El servicio de aprendizaje de la máquina Azure, que supervisará detalles como la frecuencia con la que se abre la puerta de un ascensor o la energía que se gasta en el ascensor, estará al tanto de su funcionamiento.
ThyssenKrupp y Microsoft han construido un sistema experto basado en Azure Machine Learning que puede decirle a un ingeniero lo que es probable que esté mal en un ascensor durante una visita de servicio – enumerando las cuatro causas más probables de un código de error y las formas de probar para cada problema.
La retroalimentación de los ingenieros sobre cuál fue el problema real y cómo lo solucionaron ayudará al sistema a aprender y refinar cómo interpreta dichos códigos de error y asesorará a otros ingenieros en el futuro.
ThyssenKrupp ha probado una versión de prueba de concepto del sistema en menos de 50 ascensores y tiene previsto comenzar a desplegarlo en serio este año, con la expectativa de extenderlo a unos 600.000 ascensores y escaleras mecánicas en un plazo de 12 meses. Con el tiempo, la empresa tiene la intención de utilizar el sistema para controlar alrededor del 60 por ciento de sus ascensores en todo el mundo.
Predecir las compras
JJ Foods es uno de los principales minoristas mayoristas del Reino Unido, que suministra miles de alimentos y artículos para el hogar a más de 60.000 clientes en todo el país.
La empresa quería anticiparse a las necesidades de los clientes y trabajó con Microsoft para desarrollar un sistema que pudiera predecir qué comprarían los consumidores que regresaban, a fin de llenar su carrito de compras por adelantado.
La aplicación de JJ Foods captura el comportamiento de los clientes en línea, lo envía al servicio Azure ML y genera una lista de lo que los clientes probablemente comprarían en el futuro.
El sistema fue entrenado usando tres años de datos transaccionales e integrado con el sistema Microsoft Dynamics AX de la empresa, un sistema ERP que maneja información de todo el negocio.
El sistema, que tardó unos tres meses en implementarse, predice las compras para los clientes que compran en línea o por teléfono. Estos pronósticos han demostrado ser bastante precisos, en general pronosticando alrededor del 80 por ciento de los bienes que un cliente comprará.
El software también analiza las compras y trata de predecir otros productos que podrían ser necesarios, por ejemplo, aceite de cocina para un restaurante que pide carne y verduras.
La empresa espera que el sistema impulse las ventas, mejore la satisfacción de los clientes y ayude a almacenar sus almacenes de forma más eficaz.