Cómo utilizan las empresas el aprendizaje automático para ser más rápidas y eficientes

Reingeniería de máquinas es una forma de automatizar los procesos empresariales mediante el aprendizaje automático. Aunque la reingeniería de máquinas es nueva, las empresas ya están obteniendo resultados sorprendentes con ella, sobre todo en cuanto al aumento de la velocidad y la eficiencia. Al estudiar a 168 pioneros, hemos visto mejoras de velocidad dos veces o más en la mayoría de los procesos empresariales, y algunas organizaciones informan de mejoras de velocidad de 10 veces o más.

¿Cómo lo hacen las empresas? Nuestro estudio descubrió que las organizaciones utilizan la reingeniería de máquinas para establecer nuevas formas de colaboración entre humanos y máquinas que superen los cuellos de botella de los complejos procesos digitales. En algunos casos, como la interpretación de imágenes o la redacción de informes, la reingeniería de máquinas ayuda directamente a los trabajadores a realizar tareas digitales. En otros casos, la reingeniería de máquinas ayuda a las personas a descubrir información que está enterrada en una montaña de datos. Estos son algunos ejemplos de cómo las empresas utilizan la velocidad y la inteligencia que permiten los procesos de reingeniería de las máquinas.

Escaneo de imágenes, voz y texto

A medida que las empresas implementan estrategias digitales, introducen nuevas tareas que requieren mucha mano de obra para clasificar todos los datos que recopilan. Estos datos están muy desestructurados y se producen en una variedad de formatos a una escala cada vez mayor, lo que exige que las personas los escaneen arduamente en busca de elementos específicos para completar un solo paso del proceso. La colaboración hombre-máquina centrada en el escaneo de datos digitales puede acelerar al menos tres tipos de tareas digitales rutinarias.

Vista previa del vídeo. Clarifai, con sede en la ciudad de Nueva York, utiliza el aprendizaje automático para encontrar personas, objetos o escenas en los vídeos en mucho menos tiempo del que puede una persona. En una demostración, se analizó un vídeo de 3,5 minutos en solo 10 segundos. La tecnología puede elegir a los tipos de personas (alpinistas, por ejemplo) para ayudar a los anunciantes a hacer coincidir los anuncios con los vídeos de forma más eficaz. También se puede utilizar para ayudar a los editores y comisarios a encontrar nuevas formas de organizar las colecciones de vídeos y editar las imágenes. Este tipo de asistente de edición automática puede cambiar drásticamente las tareas diarias de los trabajadores de los medios de comunicación, la publicidad y el cine.

Interpretación de imágenes. MetaMind, en Silicon Valley, ofrece un servicio llamado HealthMind, que utiliza la visión artificial para analizar las exploraciones médicas del cerebro, los ojos y los pulmones y encontrar tumores o lesiones. HealthMind se basa en técnicas de aprendizaje profundo para el procesamiento del lenguaje natural, la visión artificial y los algoritmos de predicción de bases de datos. El resultado de HealthMind es que los médicos dedican menos tiempo a interpretar las imágenes y más a consultar a sus pacientes.

Documentación e entrada de datos. Las máquinas pueden aprender a realizar tareas de documentación e introducción de datos que requieren mucho tiempo, lo que permite a los trabajadores del conocimiento dedicar más tiempo a tareas de resolución de problemas de mayor valor. La startup Arria, con sede en Londres, por ejemplo, ayuda a sus clientes a generar automáticamente informes en sectores que van desde la atención médica hasta las finanzas y el petróleo y el gas. La tecnología de procesamiento del lenguaje natural de la empresa aprende a escribir informes escaneando textos y determinando las relaciones entre los conceptos. Luego analiza los datos entrantes para crear nuevos informes. Arria ha descubierto que los cambios en los procesos pueden aumentar la productividad de los trabajadores del conocimiento en un 25%. Los ingenieros, por ejemplo, han ahorrado hasta 40 horas al mes en tareas de presentación de informes.

Descubriendo ideas enterradas

Aumentar la cantidad de datos en un flujo de trabajo puede aumentar el tiempo necesario para obtener información y actuar. Lo hemos visto en la negociación bursátil, el marketing y la fabricación, donde más flujos de datos dificultan encontrar información urgente o significativa. Sin embargo, con las máquinas como compañeras, las personas pueden encontrar más rápidamente información valiosa enterrada en el big data. Nuestra investigación descubrió que las empresas lo demuestran en al menos cuatro tipos de tareas analíticas.

Monitorización del mercado. Dataminr, con sede en la ciudad de Nueva York, utiliza varios indicadores para identificar los tuits que contienen información relevante para los operadores de bolsa. Al supervisar la propagación de la información por la red, Dataminr evalúa la relevancia y la urgencia. Enviar una alerta a un comerciante que dé incluso una ventaja de tres minutos puede traducirse en beneficios importantes. Los servicios de noticias utilizan Dataminr para encontrar noticias de última hora, lo que permite a los reporteros cubrir las noticias más rápido.

Modelado predictivo. SailThru, también en Nueva York, ayuda a los vendedores a enviar correos electrónicos promocionales más eficaces mediante el análisis de los datos del correo electrónico y de la web para crear perfiles de clientes. El sistema de SailThru aprende los intereses de los clientes (ir en bicicleta contra la escalada, por ejemplo) y sus comportamientos de compra, y luego predice qué personas realizarán qué compras y cuándo, transmitiendo el mensaje correcto cuando es más eficaz. The Clymb, un cliente de SailThru que vende artículos para actividades al aire libre, registró un aumento del 12% en los ingresos por correo electrónico y un aumento del 8% en el total de compras por correo electrónico a los 90 días de activar la personalización de SailThru. Tras combinar la personalización con las predicciones, The Clymb registró un aumento del 175% en sus ingresos por cada mil correos electrónicos enviados, así como una reducción del 72% en la pérdida de clientes.

Análisis de la causa principal. Sight Machine, una empresa de análisis de fabricación con sede en San Francisco y Livonia (Michigan), ayuda a sus clientes a resolver problemas complejos de control de calidad. Un problema al que se enfrentan los clientes de Sight Machine es la interpretación de las alertas: un problema o incidente de calidad puede activar cientos de códigos de alerta de miles de tipos diferentes de sensores a lo largo de una línea de montaje. El software de Sight Machine utiliza el aprendizaje automático para interpretar los patrones de estas alertas, lo que ayuda a los ingenieros a identificar rápidamente las pocas alertas que representan la causa principal del problema y las separa de las alertas de efecto dominó.

Mantenimiento predictivo. El aprendizaje automático también puede ayudar a la toma de decisiones humanas al descubrir patrones significativos en los datos de las fábricas que la gente no podría encontrar de otro modo. Piense de nuevo en Sight Machine: al analizar los datos para detectar los patrones que se producen antes de que se produzcan problemas, los sistemas de la empresa ayudan a los ingenieros de fabricación a anticipar y prevenir los problemas. Para un cliente que implementó una nueva línea de fabricación robótica, Sight Machine pudo reducir el tiempo de inactividad un 50% y aumentar el rendimiento un 25% en un mes, mucho mejor que los aumentos de rendimiento del 1 al 2% típicos del sector del cliente.

Aún es pronto para la reingeniería de máquinas, así que esperamos que nuestra investigación descubra muchos más tipos nuevos de compañeros de máquinas. Pero ya está claro que la reingeniería de máquinas tiene el poder de ayudar a gestionar la avalancha de datos (y los consiguientes cuellos de botella) a los que se enfrentan las organizaciones modernas. Los trabajadores pueden ser más eficientes y eficaces, lo que mejora los flujos de trabajo y los resultados. Si los datos son el camino a seguir, la reingeniería de máquinas está allanando el camino.