![\"machine-learning\"](\"https:\/\/ignasisayol.com\/wp-content\/uploads\/2017\/01\/machine-learning.jpg\")
<\/p>\n<\/p>\n
El machine learning (aprendizaje autom\u00e1tico) hace referencia al conjunto de t\u00e9cnicas que gira en torno al estudio y la pr\u00e1ctica de algoritmos que tienen la capacidad de aprender de los datos.
\nSe trata de crear programas capaces de generalizar comportamientos a partir del reconocimiento de patrones. Dicho de otro modo, consiste en que las m\u00e1quinas aprendan sin tener que programarlas espec\u00edficamente.
\nEl proceso de aprendizaje de la m\u00e1quina es similar al de la miner\u00eda de datos (data mining). Ambos sistemas utilizan los datos para buscar patrones. Sin embargo, en lugar de extraer datos para la comprensi\u00f3n humana, como es el caso de las aplicaciones de miner\u00eda de datos, el aprendizaje autom\u00e1tico utiliza estos datos para detectar patrones en ellas y modifica, de forma autom\u00e1tica, los par\u00e1metros del software en consecuencia.
\nLos algoritmos de aprendizaje autom\u00e1tico 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.
\nNo se trata de ninguna novedad, el aprendizaje autom\u00e1tico tiene mucho que ver con la idea original de inteligencia artificial, de hecho, es un tipo de AI (artificial intelligence).<\/p>\n
Las nuevas tecnolog\u00edas de la informaci\u00f3n y la comunicaci\u00f3n han marcado un antes y un despu\u00e9s en las empresas, aunque en algunos sectores m\u00e1s que en otros. La log\u00edstica es uno de esos sectores en los que ha impactado con gran fuerza.
\nLa posibilidad de utilizar y analizar cantidades masivas de datos generados de forma continua ha dado lugar a muchas mejoras, por ejemplo, en procesos continuados y en la optimizaci\u00f3n de rutas.<\/p>\n
A pesar de que, como dec\u00eda al principio, no hablamos de nada nuevo, las cantidades de datos que hoy las empresas son capaces de recopilar, en ocasiones, las llevan al conflicto de qu\u00e9 hacer con ellos. Y es que los datos por s\u00ed solos no son \u00fatiles y cuando hablamos de cantidades masivas se torna imprescindible una correcta administraci\u00f3n y an\u00e1lisis de los mismos para convertirlos en una herramienta \u00fatil.
\nAnte esta realidad tenemos dos posibilidades: podemos simplemente almacenarlos, lo que supone una gran p\u00e9rdida de oportunidades e informaci\u00f3n muy valiosa para la empresa. O bien podemos utilizarlos para aprender y crecer.<\/p>\n
Gracias al avance y desarrollo de las nuevas tecnolog\u00edas inform\u00e1ticas, el machine learning de hoy en d\u00eda poco o casi nada tiene que ver con las soluciones de aprendizaje autom\u00e1tico que conocemos del pasado. Hoy, podemos aplicar y utilizar algoritmos en cantidades o vol\u00famenes de datos que var\u00edan de manera constante y crecen a grandes velocidades.
\nSe trata de algoritmos flexibles y con la capacidad de adaptarse de manera independiente, dando lugar a un sinf\u00edn de soluciones que van desde programas o softwares de recomendaciones online hasta, por ejemplo, como habl\u00e1bamos hace algunos meses, al desarrollo de veh\u00edculos que conducen de forma aut\u00f3noma, sin conductor.<\/p>\n
Las aplicaciones son casi infinitas; de hecho, podemos adaptar el machine learning a tantas situaciones como datos tengamos.<\/p>\n
Muchas son las actividades habituales en nuestra vida y rutina diaria que se ven impulsadas por el machine learning… Estos son solo algunos ejemplos: motores de b\u00fasqueda, reconocimiento facial, dignosticos m\u00e9dicos, etc.<\/p>\n
Pero, \u00bfqu\u00e9 aplicaciones puede tener el machine learning en la empresa log\u00edstica?:<\/p>\n
– Reconocimiento facial, de voz o de objetos de aplicaci\u00f3n, especialmente, en almacenes.
\n– Predicciones y pron\u00f3sticos. Muy \u00fatil en la fase de transporte, por ejemplo, para obtener datos sobre condiciones meteorol\u00f3gicas o de tr\u00e1nsito; o incluso para evitar errores tecnol\u00f3gicos en equipos.
\n– Para crear m\u00e9todos de optimizaci\u00f3n m\u00e1s r\u00e1pidos y efectivos, evaluando, por ejemplo, cu\u00e1l es el momento m\u00e1s adecuado para ejecutar una tarea concreta.
\n– An\u00e1lisis de comportamiento de consumo y productividad. Es posible, a trav\u00e9s del aprendizaje autom\u00e1tico detectar clientes potenciales, prever qu\u00e9 empleados pueden ser m\u00e1s productivos y rentables, adaptar servicios a las necesidades de los clientes, etc.
\n– Los famosos veh\u00edculos y camiones sin conductor…<\/p>\n
Aplicar el aprendizaje autom\u00e1tico a la empresa log\u00edstica no es f\u00e1cil, requiere, adem\u00e1s de un programador profesional, tambi\u00e9n un perfil especializado en probabilidad y estad\u00edstica. Sin embargo, es una opci\u00f3n a tener en cuenta, sobre todo, para la resoluci\u00f3n de problemas de naturaleza compleja en la que los algoritmos son de gran ayuda para encontrar soluciones precisas en el menor tiempo posible.<\/p>\n
La clave del aprendizaje autom\u00e1tico es su capacidad de construir y adaptar un \u00e1rbol de decisiones en funci\u00f3n de datos conocidos. As\u00ed, sus aplicaciones son tan amplias como la capacidad creativa de cada uno; eso s\u00ed, todas estas aplicaciones tienen como objetivo detectar patrones en los datos, o bien responder a determinadas preguntas de forma predictiva, ahorr\u00e1ndonos tiempo en el estudio de datos y la definici\u00f3n de casu\u00edsticas que podr\u00eda llevarnos semanas, meses, incluso a\u00f1os.<\/p>\n
Finalmente, un aspecto importante que hay que poner sobre la mesa es que las aplicaciones de las que estamos hablando nos dar\u00e1n respuesta a qu\u00e9 pasar\u00e1, pero no a porqu\u00e9 pasa, este hecho es trascendental y choca frontalmente con nuestra formaci\u00f3n empirista. Seremos capaces de detectar que algo va a pasar, pero si queremos saber el porqu\u00e9, ser\u00e1 necesario un an\u00e1lisis posterior. La realidad es que muchas veces nos es suficiente saber que pasar\u00e1, ya que as\u00ed podremos actuar en consecuencia y poner remedio. Por ejemplo, si gracias a estas herramientas somos capaces de predecir que habr\u00e1 un terremoto, podremos prepararnos, desplazando personas, etc., con ello tendremos suficiente, no es necesario saber que esto es debido a que tal placa tect\u00f3nica se ha desplazado o que se ha producido un tsunami en tal lugar que lo ha provocado.<\/p>\n
De lo que no queda ninguna duda es que estamos solo en el inicio de la revoluci\u00f3n que representar\u00e1 el uso de las datos masivos (big data) y de las herramientas de aprendizaje autom\u00e1tico en todos los campos de nuestra vida y especialmente en la log\u00edstica. En este sentido, la recomendaci\u00f3n 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, excels, powerpoints, correos electr\u00f3nicos, documentos de todo tipo, etc., son la materia prima que necesita el Machine learning para trabajar y ayudar a gestionar mejor nuestras empresas.<\/p>\n","protected":false},"excerpt":{"rendered":"
El machine learning (aprendizaje autom\u00e1tico) hace referencia al conjunto de t\u00e9cnicas que gira en…<\/p>\n","protected":false},"author":1,"featured_media":2041,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[63],"tags":[],"yoast_head":"\n