"Inteligencia Artificial y Machine Learning para Ejecutivos" fue la última charla realizada con Amazon Web Services (AWS), en la cual se contó con las exposiciones de Américo de Paula, quien es responsable del equipo Solutions Architecture en LATAM de AWS, y María Gaska, arquitecta en soluciones especializada en ML y IA. Durante la sesión, que fue moderada por el director del Centro de Innovación y Emprendimiento del ESE Iván Díaz-Molina, ambos expositores explicaron el uso de machine learning (ML) o inteligencia artificial (IA) en las empresas para darle un valor agregado a sus negocios.
Américo de Paula explicó que machine learning es una de las bases de la transformación digital y la aplicación de esos procesos en los negocios permite a las empresas, a través de los algoritmos que predicen lo que va a suceder, tomar ventaja competitiva sobre el resto.
"Hoy en día, no hay una limitación respecto al rubro de aplicación de machine learning y está siendo utilizado por empresas de todos los tamaños e industrias", agregó Américo de Paula.
A modo de ejemplo, comentó que en Amazon Web Services usan este método desde hace veinte años y lo aplican en sus centros de suministros. Como AWS, su misión es poner machine learning en las manos de todo desarrollador.
Las empresas que se han centrado en machine learning para la toma de decisiones han generado un cambio en los negocios. Es por eso, que Américo de Paula clasificó en cuatro categorías las tomas de decisiones, los cuales van desde negocio "off-line" en la cual una persona toma las decisiones; negocio digital donde las decisiones las toman múltiples personas; data-driven en la cual se toman decisiones basadas en datos en donde existe un análisis de ellos; y por último ML-centric en la que las decisiones son automatizadas mediante algoritmos.
Luego, María Gaska explicó cómo sería un ciclo en desarrollo en machine learning, en donde mediante un esquema, dijo que todo parte decidiendo qué problema se va a solucionar con ML, haciendo énfasis en que es importante evaluar qué proyectos tienen mayor impacto y qué tan factibles son.
"En machine learning importan mucho los modelos que sean capaces de encontrar las generalidades o estadísticas y poder aplicarlas a nuevos casos que nunca vieron y que efectivamente sean capaces de generalizar", concluyó María Gaska.