MACHINE LEARNING Inteligencia artificial que está transformando al mundo

Transcripción

1 MACHINE LEARNING Inteligencia artificial que está transformando al mundo UIN UNIDAD DE INTELIGENCIA DE NEGOCIOS

2 MACHINE LEARNING Ocupa el número 1 EN EL ranking 2017 de las tendencias estratégicas EN LA TECNOLOGÍA Definiciones Usos y aplicaciones Oportunidades en la industria Tendencias a nivel gobal El mercado en la actualidad Los recursos humanos y el empleo Talento en México Retos para la industria Conclusiones CONTENIDO Los avances recientes y las perspectivas de desarrollo en temas como Inteligencia Artificial, la robótica, los sensores interconectados que dan origen al internet de las cosas y otros más, obligan a conocer las implicaciones, los riesgos y las oportunidades que se derivan a partir de estos desarrollos. Estos avances conllevan algunas posibilidades, desde un posible crecimiento del desempleo hasta nuevas posibilidades para mejorar el entorno, siempre y cuando estos avances científicos y tecnológicos logren orientarse adecuadamente. En el ámbito de los negocios globales, estas tecnologías ofrecen a México nuevas posibilidades de establecer alianzas con los líderes mundiales. 1.

3 1. DEFINICIONES Cuando hablamos del reconocimiento visual de algunas páginas en internet, de la publicidad contextual en función de los hábitos de navegación o las recomendaciones de sitios de acuerdo a la segmentación o pertenencia a determinados grupos, hablamos de información que se recoge gracias al historial de navegación y es así como podemos definir el aprendizaje de las máquinas o Machine Learning. Cada ser humano, segundo a segundo, es una fuente de generación de datos sobre los intereses, valores y preferencias de consumo que se registran a través de las redes sociales como Instagram, Facebook, WhatsApp, , LinkedIn, Twitter, Pinterest, entre otros. La mercadotecnia electrónica, la web, todo tipo de transacciones bancarias y comerciales o entre máquina y máquina como Wi-Fi, Bluetooth, GPS o la navegación por internet, arrojan los datos masivos que gracias al procesamiento a través de aplicaciones informáticas, permite la manipulación y gestión predictiva. Diariamente se generan 2.5 exabytes de datos o lo que es lo mismo, 2.5 billones de gigabytes en todo el mundo (equivalente a 530 millones de canciones o 90 años de video en HD) y se estima que para el año 2020, este volumen de información se habrá multiplicado 40 veces 2, este fenómeno se conoce como Big Data. El MIT la define como procesamiento y análisis de grandes volúmenes de información (estructurados, semiestructurados y no estructurados), con variedad de ubicaciones de datos, los cuales requieren de aplicar una alta velocidad de respuesta para su obtención de resultados 3. Para transformar esta enorme cantidad de datos en información y conocimiento, se aplica Machine Learning, cuya definición más simple es enseñarle a una computadora a detectar patrones y hacer conexiones mostrándole un set de datos y aplicándole algoritmos para que la máquina parametrice cómo realizar una tarea por sí misma; aprenda, y se vuelva más inteligente para resolver problemas. Va más allá de lo que pueden hacer las analíticas de Big Data, y en general más allá de lo que pueden hacer los humanos. En la actualidad, la potencia de procesamiento es cada vez mayor, el costo de almacenamiento se ha hecho más accesible y los algoritmos son más sofisticados, los dos métodos más utilizados son los supervisados que requieren la intervención humana y tiene como tarea principal hacer predicciones, y los no supervisados que se ocupan para identificar relaciones entre datos. No obstante, aún los mejores modelos de Machine Learning tienen riesgos, los más comunes son dar falsos positivos por malos algoritmos, y otro son las intervenciones de los hackers. Para minimizar estos riesgos, se deben implementar políticas de seguridad adecuadas. Con Machine Learning es posible optimizar la operación en tiempo real, contar con predicciones, personalizar los productos y servicios, estimar la demanda futura, conocer las tendencias, detectar anomalías, realizar mantenimientos preventivos, procesar datos no estructurados, hacer predicciones de diferentes tipos, prevenir fraudes y en general, hacer más eficiente la operación de una empresa. Machine Learning es una disciplina de la Inteligencia ArtifIcial que nace desde los años 60 s y debido a las nuevas tecnologías computacionales, sus avances se han acelerado

4 2. USOS Y APLICACIONES Transporte Identificar rutas más eficientes Predecir problemas Minoristas Reducir la pérdida de clientes durante el proceso de compra Mejorar campañas de mercadotecnia Personalizar la oferta Eliminar intrusos Conocer preferencias del cliente Utilizar chatbots Segmentar clientes con atributos similares Mejorar la experiencia de compra Hospitales Incrementar el éxito de una operación Eliminar re-ingresos innecesarios Predecir tiempos de espera en urgencias Prevenir infartos y convulsiones Identificar tendencias y mejorar diagnósticos Financiero Prevenir créditos incobrables Predecir reclamaciones Prevenir fraudes y lavado de dinero USO POR SECTOR Legal Validar cláusulas contractuales por medio de robots Gobierno Elevar eficiencia y ahorros Minimizar el robo de identidad Prevenir la corrupción Servicios Fijar precios acorde a la demanda Alcanzar un ritmo de ventas óptimo Energía Predecir fallas en refinerías Localizar nuevas fuentes de energía Analizar minerales Optimizar la distribución de los recursos energéticos RIESGOS Falsos positivos debido a malos algoritmos Hacking computacional Falsa biometria: Huellas Reconocimiento facial Reconocimiento ocular Clasificación maliciosa MACHINE LEARNING CON EL FIN DE ADENTRARNOS EN EL TEMA, PROMÉXICO ELABORÓ UN MAPA MENTAL DE MACHINE LEARNING Y A LO LARGO DEL PRESENTE DOCUMENTO, SERÁN ABORDADOS LOS ASPECTOS MÁS RELEVANTES QUE PERMITAN TENER UNA VALOR DEL MERCADO PARA EL 2020 USD 47,000 millones MEJOR COMPRENSIÓN DEL TEMA. ACTORES Gigantes tecnológicos SAP - Cash application/resume Matching/ROI Mkt IBM - Watson Developer Cloud Microsoft - Azure Maching Learning Google - Tensorflow Prediction API Facebook Amazon - Amazon ML API CISCO Netflix Salesforce - Wave Analytics Ciudades Europa: Londres y Berlín EUA: Palo Alto, San José, Pittsburgh, Seattle, Redmond y Bay Area India: Bangalore Pool de talento 50% en Canadá, India, Israel, Reino Unido y Australia 50% en EUA EXPECTATIVAS DE CAMBIOS MUNDIALES Móviles más inteligentes Lectura cerebral Diagnósticos médicos infalibles Revolución bioinformática en salud mental (prevención del suicidio) Tecnología del procesamiento del lenguaje Detección de noticias falsas Búsqueda de planetas habitables Reconocimiento instantáneo de objetos Del coche autónomo a la silla de ruedas autónoma Máquinas que componen música clásica APLICACIONES RAMAS RAZONES DE EXPLOSIVO CRECIMIENTO DE MACHINE LEARNING Big Data de diferentes fuentes (texto,imágenes, dispositivos) Potencia de procesamiento Almacenamiento accesible Reconocimiento facial, de voz o de objetos Anti-spam y anti-virus Predicción y pronósticos Comprensión y clasificación de textos Vehículos autónomos y robots Métodos de optimización y mejora logística Análisis de imágenes de alta calidad Análisis de datos económicos Predecir fallos en equipos tecnológicos Selección de clientes potenciales Realizar prediagnósticos médicos Recomendación de productos Bots de soporte y asistentes digitales Tipos de aprendizaje Instance-Based, Neural Network, Ensemble, Multitask, Reinforcement Learning, Semi-Supervise Algoritmos supervisados: Support Vector Machine Decisión del árbol Naïve Bayes Algoritmos no supervisados: K-Means Clustering PCA

5 3. OPORTUNIDADES EN LA INDUSTRIA Con esta aproximación y con la gran cantidad de documentos especializados existentes, se puede afirmar que existen muchas aplicaciones posibles. Una de las grandes ventajas del aprendizaje automático es la capacidad de correlacionar variables, es decir, encontrar datos que de cierto modo alteran el resultado y por este motivo son tan eficientes para determinar motivos de algún resultado o predecir uno nuevo. De acuerdo al estudio elaborado por McKinsey, Machine Learning tiene un gran potencial para resolver diferentes tipos de problemas de los sectores industriales más importantes, provocando un real impacto en su operación y en la forma de hacer negocios; en este sentido propone algunas oportunidades 4 por sector, de las cuales se muestra a continuación un ejemplo para cada caso 5 : Automotriz Identificar carreteras y obstrucciones en tiempo real para autos autónomos Manufactura Predecir fallas y recomendar mantenimiento preventivo en líneas de producción Finanzas Prevenir fraudes, lavado de dinero y personalizar la oferta de productos con base en datos multimodales Agricultura Personalizar técnicas de mejoramiento a parcelas específicas Energía Predecir fallas y recomendar mantenimiento preventivo para explotación y perforación Salud Diagnosticar enfermedades con escaneos, biopsias, audio y otro tipo de datos Farmacéutico Optimizar los estudios clínicos incluyendo la selección de pacientes EN LA ACTUALIDAD, entidades y organismos públicos y privados están utilizando Machine Learning para eliminar el error humano, mejorar la calidad de los resultados, reforzar la ciberseguridad, contar con una rápida adaptabilidad a entornos de negocios cambiantes y lograr una ágil toma de decisiones. Algunos ejemplos son: AIRBUS del sector aeroespacial disminuyó su rango de error de un 11% a un 3% en imágenes de satélite, lo que le permite ahora distinguir la diferencia entre niebla y nubes. En el Marketplace más popular en América Latina (Mercado Libre) se suben diariamente seis millones de fotos y se busca identificar sus preferencias con una sonrisa virtual y enviar en tiempo real una promoción personalizada. El gobierno de Estados Unidos busca, a través del reconocimiento de imágenes en videos, minimizar el robo de identidad y la prevención de fraudes. EN EL ÁMBITO ACADÉMICO, hay una importante simbiosis ya que las áreas dedicadas a la investigación se favorecen del uso de la información para buscar la innovación que pueda ser puesta en práctica por la industria. Algunos ejemplos son: La Universidad de Toronto se ha inspirado en los algoritmos para acelerar la búsqueda de sistemas planetarios hasta mil veces más rápido. La Universidad de Harvard convocó a los mejores radiólogos del mundo, quienes analizaron miles de mastografías y buscan mejorar los diagnósticos y eliminar el error humano de interpretación. Medios de comunicación Personalizar publicidad y recomendaciones con base en datos multimodales Telecomunicaciones Predecir el tiempo de vida y el riesgo de cancelación de los clientes Logística Optimizar precios y horarios con base en la demanda en tiempo real Centros de distribución minorista Optimizar el surtido de productos para maximizar ventas Sector público y social Optimizar la asignación de recursos para el desarrollo urbano que mejora la calidad de vida como es reducir el tráfico y bajar la contaminación Viajes y hotelería Identificar rutas más eficientes y optimizar itinerario de vuelos Fuente: elaboración propia con datos de McKinsey En el ámbito legal algunos paises buscan realizar una selección óptima de casos, con elementos suficientes para que los robots validen las cláusulas contractuales y sean ganados en la corte. Google trabaja en el reconocimiento instantáneo de objetos. Facebook gestiona la detección de noticias falsas. Harvard trabaja en diagnósticos médicos infalibles y en la prevención del suicidio a través de la bioinformática en salud mental. El MIT creó una gran base de datos de frases en inglés no nativo con el objeto de mejorar el procesamiento que tienen las máquinas en ese idioma. Otras exploraciones buscan la silla de ruedas autónoma y la máquina que componga música clásica. Otros posibles usos se encuentran en diversos ámbitos y sectores. Hay muchas atracciones para la industria, pero aparentemente las oportunidades de hacer una diferencia en la academia son mucho mayores, o dicho de otro modo, son el primer paso antes de la aplicación industrial.

6 4. TENDENCIAS A NIVEL GLOBAL EN TÉRMINOS GENERALES, las tendencias 11 apuntan a que en un futuro se podrán manejar temas complejos como: A nivel mundial, Europa del Este y Norteamérica son las regiones que más invierten en Machine Learning. El principal enfoque de los inversionistas consiste en mejorar la experiencia del consumidor para incrementar las ventas y la exploración de los posibles usos de esta tecnológia para innovar productos y servicios, así como para hacer más eficiente la operación. De acuerdo con la encuesta global 2017 de PwC, las empresas e industrias tienen grandes expectativas sobre la transformación que tendrán sus negocios y por esta razón, están haciendo fuertes inversiones para capitalizar la oportunidad y no quedarse atrás; el sector salud es la industria en la que se están haciendo las mayores inversiones y continuará encabezando la lista durante los próximos tres años. Respeto del valor del mercado global de Inteligencia Artificial hay diferentes PROYECCIONES: Las proyecciones de crecimiento de mercado en Machine Learning como servicio, justo donde los gigantes tecnológicos como Amazon, IBM y Microsoft rivalizan, señalan que crecerá de millones de dólares en 2016 a 3,755 millones de dólares en 2021, con una tasa compuesta de crecimiento de 43.7% 6, estimación hecha por MarketsandMarkets. PwC estima que Inteligencia Artificial incrementará la economía mundial en 15.7 trillones de dólares para el año 2030, lo que significará un incremento del Producto Interno Bruto (PIB) mundial del 14% comparado con los 74 trillones de dólares registrados en Statista señala que el mercado global de Inteligencia Artificial alcanzará un valor de 36.8 billones de dólares para el año 2025; este crecimiento hace sentido si consideramos que está previsto que el año 2017 cierre con un 94% de crecimiento comparado con el año 2016, alcanzando un valor de 1.25 billones de dólares 7. Tractica proyecta un valor de mercado de billones para el año Desde la década de los años 80 s, la tasa de crecimiento del producto interno bruto de las economías más grandes del mundo ha sido lenta; sin embargo, de acuerdo con Accenture and Frontier Economics, Inteligencia Artificial tiene el potencial, para el año 2035, de duplicar las tasas de crecimiento anual en términos de valor añadido bruto a través de una automatización inteligente, es decir, con la creación de una fuerza de trabajo virtual; mejorando y acrecentando las habilidades de la fuerza de trabajo actual y la maquinaria, provocando un incremento del 40% en productividad y por último, con la innovación en bienes y servicios. Gartner señala que lo que comenzó con algoritmos para automatizar tareas manuales ha evolucionado hasta contar con una arquitectura que aprende como una mente humana, y que puede usar datos históricos para predecir el futuro. Estos sistemas se harán más adaptables y podrán ser operados en forma autónoma, lo que dará pie al desarrollo de apps, desarrollo de dispositivos y desarrollo de soluciones de servicios. Gartner afirma que para el año 2020, las máquinas inteligentes tipo robots que utilicen Machine Learning tendrán un impacto generalizado en los negocios 9. De acuerdo con IDC, el mercado de plataformas de software de Inteligencia Artificial generará ganancias superiores a 8 billones de dólares para el año 2021 con una tasa de crecimiento anual compuesto superior al 39% 10. Procesar billones de mensajes y textos de los celulares para detectar epidemias u otros riesgos globales. Hacer modelajes predictivos sin necesidad de un modelo. Utilizar computadoras con un altísimo grado de desempeño que revolucionen la forma en que hoy se diseñan los algoritmos. Hacer predicciones de clima espacial para determinar el mejor momento para aterrizar en Marte. Elaborar predicciones en el planeta tierra sobre terremotos, explosión de volcanes o patrones de comportamiento debajo del mar que puedan afectar a los humanos. Recibir un diagnóstico y tratamiento médico hecho por un robot. Identificar plagios. Incrementar la colaboración entre instituciones de gobierno y empresas para generar inteligencia. Hacer ofertas en tiempo real a consumidores dentro de una plaza comercial. Los asistentes digitales con algoritmos de auto capacitación podrían llegar a sus propias conclusiones y programar reuniones, traducir documentos y hacerse cargo de otras tareas de rutina. Se contará con máquinas que emitan recomendaciones para identificar en una etapa temprana: falsas identidades, propaganda, ataques terroristas; y, habrá un sustancial incremento de alertas para proteger la seguridad de los datos de los hackers. Todo lo anterior, significa que en un futuro, la Inteligencia Artificial estará inmersa en todos los aspectos de la economía. EL IMPACTO DE INTELIGENCIA ARTIFICIAL en los 13 países que generan más del 50% de la economía mundial para el año 2035 podrían verse de la siguiente forma: Finlandia Reino Unido Suecia Países Bajos Alemania Austria Francia Japón Bélgica España Italia China Fuente: Elaboración propia con datos de Accenture and Frontier Economics Base de referencia Con Inteligencia Artificial Estados Unidos es el país que mayores avances tiene en Machine Learning y se estima que sólo está trabajando el 25% de lo que puede desarrollar. Hoy en día solamente 1,500 compañías están haciendo algo con Inteligencia Artificial, lo que significa que menos del 1% de las compañías medianas y grandes están adoptando esta tecnología disruptiva. Tanto PwC como Accenture coinciden en que China será el país con mayor tasa de crecimiento con la adopción de Inteligencia Artificial, básicamente por su potencial en manufactura Mitigating-the-risks?utm_medium=EM&asrc=EM_SS-WELCOME_ &utm_campaign= _userreg%20-%20ss-welcome&utm_source=ss-welcome&src=

7 5. EL MERCADO EN LA ACTUALIDAD Amazon, IBM y Microsoft tienen el 73% 13 del mercado, son empresas que han diseñado y colocado en el mercado diferentes aplicaciones de Machine Learning como servicio, algunas inclusive con pruebas gratis. Este nicho es el nuevo campo de batalla de estos gigantes tecnológicos y los siguen muy de cerca Google y SAP, quienes buscan vender soluciones a las empresas para que tengan un mejor entendimiento del comportamiento de sus consumidores, logrando identificar tendencias, predecir preferencias, disminuir riesgos, prevenir fraudes, dotar de asistentes digitales y bots de soporte, entre otros. Todas estas grandes empresas cuentan con los mejores científicos de datos dedicados al desarrollo de aplicaciones de Machine Learning y los tienen por todo el mundo. Hay ciudades como Palo Alto, Redmond y Bay Area, San José, Pittsburgh, Londres, Berlín y Bangalore, que ya son reconocidas como hub de talento machine-learning-as-a-service-market.htm En esta batalla de titanes tecnológicos, cada uno está decidido a ganar la mayor participación de mercado y compiten por crear soluciones amigables y de fácil adopción, por ello, han desarrollado aplicaciones de Machine Learning que funcionan a través de sus propias API s, (Interface de programación de aplicaciones), que no es otra cosa que el conjunto de reglas que las apps siguen para comunicarse entre ellas. El objetivo es entonces que otros desarrolladores puedan utilizarlas. Las API s predictivas que ofrecen Amazon Machine Learning, BigML, Google G-Suite, Google Prediction API Tensorflow y PredicSis, son el camino más fácil para comenzar a utilizar Machine Learning, sólo se necesitan los datos para alimentar a la API. IBM tiene a Watson; Microsoft tiene Azure Cortana Intelligence Suite y Salesforce tiene a Wave Analytics. Continuamente, las grandes empresas tecnológicas hacen anuncios de mejoras o nuevos productos y servicios. En el mercado tambien han nacido otras compañías que están centrando su negocio en desarrollar aplicaciones de Machine Learning, tales como Intelygenz, SAS e Inbest y aunque es muy pronto para saber si los gigantes dejarán espacio para que crezcan o serán absorbidas por ellos, el diferenciador que hoy tienen estas compañías es que ofrecen una solución hecha a la medida. 73% DEL MERCADO

8 6. LOS RECURSOS HUMANOS Y EL EMPLEO Los reportes coinciden en que las empresas están utilizando la Inteligencia Artificial en actividades máquina-máquina y es muy poco utilizada para automatizar actividades humanas. En una encuesta de Harvard aplicada a directores de diferentes áreas funcionales de industrias dedicadas a la manufactura y a los servicios en las regiones de Norteamérica, Europa, Asia y Latinoamérica, el 44% de los directivos señalaron que lo utilizan para detectar y defender la seguridad de sus sistemas contra intrusos, tarea asignada al área de tecnologías de la información, lo que podría traducirse en que Inteligencia Artificial está provocando que los especialistas en seguridad se vuelvan más valiosos para las empresas. En realidad, pocas empresas están utilizando Inteligencia Artificial para eliminar puestos de trabajo, sólo el 2% la utiliza para monitorear temas legales y 3% para detectar contratos fraudulentos. RESPECTO DE LA AUTOMATIZACIÓN EN LAS LÍNEAS DE PRODUCCIÓN 7% 8% 6% del sector de manufactura, sí está utilizando Inteligencia Artificial para automatizar sus actividades del sector servicios, usan Inteligencia Artificial para asignar presupuestos a las áreas de la compañía de ambos sectores, lo utilizan para fijar precios al consumidor Diferentes organismos y consultoras han hecho predicciones sobre el impacto que tendrá la automatización con los empleos existentes; aquí enunciamos algunos: Oxford University predijo que para el año 2033, el 47% de los trabajos podrían ser automatizados. La OECD 14 estima que el 9% de los trabajos en los 21 países miembros podrían ser automatizados. McKinsey estima que podrían perder su empleo el 5% de la fuerza laboral mundial. Harvard predice que habrá una pérdida de empleos entre un 4% y 7% para el año 2020, que generará ingresos adicionales de 20 billones de dólares Organization for Economic Cooperation and Development Dentro de las mejores prácticas mundiales de empresas que ya están generando importantes retornos sobre su inversión en Inteligencia Artificial como Amazon y Microsoft, se concluye que la han utilizado para optimizar actividades entre maquina-maquina antes de utilizarla para eliminar empleos. Las tres mejores prácticas son: Utilizan Inteligencia Artificial en actividades que tienen un impacto inmediato en ingresos y costos. Buscan oportunidades para que Inteligencia Artificial les ayude a producir más productos con el mismo número de empleados. Han comenzado por el back office y no por el front office. Aunque esta nueva revolución industrial parece ofrecer grandes oportunidades para la innovación y el crecimiento económico, es cierto que los países al frente de esta revolución creadora cuentan con un capital humano altamente especializado. Estados Unidos, por ejemplo, tiene el 50% del talento mundial de científicos de datos; mientras que en 2016, en México, se graduaron 350 matemáticos, actuarios, físicos y estadísticos, más 113,944 ingenieros de universidades mexicanas, ligeramente más que Francia, pero muy por detrás de países como Japón (168,214), Estados Unidos (237,826), Irán (233,695), o Rusia (454,436). El otro 50% de talento lo comparten Canadá, India, Israel, Reino Unido y Australia. Gartner nos muestra las competencias, roles y responsabilidades necesarios para dirigir con éxito la ciencia de datos, justo porque son los científicos de datos, quienes cuentan con las habilidades necesarias para aplicar los diferentes tipos de aprendizaje a una computadora; tienen un perfil altamente especializado en ciencias exactas (Ciencia, Tecnología, Ingeniería, y Matemáticas - STEM por sus siglas en inglés). Fuente: McCarthy

9 7. TALENTO EN MEXICO 8. RETOS PARA LA INDUSTRIA Pareciera ser que en México estamos a tiempo de aprovechar estas tendencias y si bien nos encontramos lejos de ser un hub en Machine Learning, hoy tenemos una gran fortaleza: los ingenieros mexicanos son reconocidos a nivel mundial como desarrolladores de software; lo que parece ser la puerta de entrada que podría ser exponencial si se comenzara a transformar a los ingenieros de datos en científicos de datos. México no cuenta con suficientes científicos de datos, por lo que esta es posiblemente una de las más grandes oportunidades que debe ser atendida por nuestro país. La maestría en Ciencia de Datos ya se imparte por algunas Universidades como el Instituto Tecnológico Autónomo de México (ITAM) y la Universidad Anáhuac. También existen organizaciones profesionales interesadas en promover las actividades relacionadas con la ciencia de datos, como el Instituto Internacional de Ciencia de Datos, la SOCIE- DAT y Social TIC. Si se capitaliza esta oportunidad, un posible escenario es que México se coloque como hub de talento para insertarse a nivel global; y aprovechar de esta forma el déficit que hoy se registra en diversos países en el mundo. Sin lugar a dudas, Machine Learning es una tendencia que no debe pasar desapercibida para México. Las oportunidades y retos que enfrenta Machine Learning son muchos y muy diversos, ya que desarrollar el talento humano con las capacidades tecnológicas necesarias para maximizar las inversiones que están realizando los empresarios es una apuesta mayúscula. El mayor desafío que las organizaciones enfrentan hoy en día es manejar la explosión de crecimiento de los datos y de ahí la importancia en identificar claramente las medidas a tomar y los pasos que deben seguirse. Por lo anterior, Machine Learning está impulsando la implementación de Data Lakes como primer paso para las empresas que no cuentan con una Data limpia y ordenada. Los Data Lakes son repositorios en donde se guarda la información de manera plana, sin ser tabulada o clasificada y se están volviendo populares como catálogos de confianza altamente escalables para almacenar información de una amplia variedad de orígenes. Los avances en Inteligencia Artificial nos deben llevar a replantear la forma en qué creamos valor en los sectores y empresas. Incrementar el capital y la fuerza de trabajo ya no es suficiente para generar un crecimiento económico. La mano de obra barata no será relevante en la era de la automatización; Machine Learning debe integrarse en toda la cadena y para ello, es necesario que las empresas comiencen a adoptarlo y el primer paso es contar con datos de calidad. DATA LAKES

10 9. CONCLUSIONES La idea central de Machine Learning es demostrar que las máquinas tienen la capacidad de aprender de los datos y además pueden adaptar el nuevo conocimiento para generar más conocimiento. En su concepto más amplio, las maquinas actúan de manera inteligente, y es una de las razones por las que Machine Learning está considerada como una de las tecnologías disruptivas que en los siguientes cinco años transformarán la forma de hacer negocios en el mundo, aplicable en prácticamente todos los ámbitos y sectores. Existen muchas tecnologías actualmente y es la Inteligencia Artificial de la cual deriva Machine Learning, la que está clasificada como la segunda más disruptiva, después del Internet de las Cosas (IoT) 16, lo que nos obliga a entenderla y considerarla. Los principales beneficios de Machine Learning es que potencia un producto o servicio, así como la operación de una empresa; lo que se traduce en mayores ingresos y menores costos, razones por las que hemos visto como se ha extendido su uso en aplicaciones que abarcan desde servicios al consumidor hasta herramientas sofisticadas. Lo expuesto en este documento es apenas la punta del iceberg de cómo la Inteligencia Artificial ayudará a hacer realidad y revolucionar nuestro entorno futuro. Del mismo modo que el impacto de internet y de la World Wide Web eran imposibles de predecir, es difícil imaginar hasta donde nos llevará Machine Learning. 16. PwC 2017 Global Digital IQ Survey Base UIN UNIDAD DE INTELIGENCIA DE NEGOCIOS