Machine learning & Business

Un aspecto importante de la investigación en machine learning y computación es poder trasladar el conocimiento más avanzado a la sociedad y poder mejorar el tejido productivo, las empresas y las instituciones.

En esta sección vamos a tratar ejemplos, noticias y aspectos clave para crear valor utilizando el machine learning y campos asociados. El objetivo último es convertir el I+D en una herramienta rentable para la sociedad.

Machine learning & Business

Como punto de partida, destacar que para que se produzca un flujo bidireccional entre sociedad/empresas e investigación:

  • En las universidades y centros de formación se debe enseñar conocimiento avanzado y aplicado. Ni enseñar sólo conocimiento teórico ni tampoco únicamente lo que demandan las empresas. La formación debe consistir en tener una base sólida y un dominio de los últimos avances de ingeniería y ciencia aplicada. Por ejemplo, en ciencias de la computación en la actualidad se debe incidir en algoritmia, teoría de la información, computación paralela, ciberseguridad, robótica, machine learning, etc.
  • Debe haber una apuesta clave por la investigación pública y privada, tanto en investigación básica como aplicada. Ciertos desarrollos de investigación básica como algoritmos, modelos de computación, … que apiori no parecen tener una aplicación clara han acabado siendo claves para la industria.
  • Las empresas tienen que integrar la innovación e investigación en todos sus procesos de negocio. No sirve de nada tener un área de I+D+i cuyos objetivos y resultados no estén alineados con el negocio.

A continuación veremos algunos ejemplo de innovación en diferentes sectores:

Finanzas

En varios posts hemos tratado el uso de machine learning en inversión. Vimos como la disponibilidad de nuevas fuentes de datos y las nuevas técnicas para analizarlos y aprender de ellos pueden aportar ventajas competitivas a los inversores. Siempre hay que tener en cuenta que el objetivo es encontrar una estructura que nos ayude a hacer predicciones, e.g. variables de entrada que determinan el precio de un activo.

Nuestra propuesta de valor la describimos con dos dimensiones:

  • Accesibilidad y conocimiento de la información por el resto de los participantes.
  • Relevancia de la información con la función objetivo, que usando teoría de la información denominaremos información mutua.

De esta forma, el mix de información no descontada y relevante junto con los algoritmos adecuados para predecir el precio de los activos son las claves del éxito.

Por ejemplo, en una empresa tecnológica se podría estimar la buena acogida que ha tenido un nuevo producto (y su impacto en bolsa) analizando los tweets, comentarios en las redes sociales y revisiones del producto en páginas especializadas.

Pharma

En el sector farmacéutico desde la idea de usar un nuevo compuesto hasta su desarrollo y aprobación pueden pasar más de 10 años en un proceso con muchas etapas y riesgos. Una forma de mejorar la eficiencia y disminuir el riesgo es usar técnicas de machine learning en cada etapa.

Existen diversos ejemplos de aportaciones clave:

  • Mejorar el proceso de búsqueda en la literatura científica de relaciones entre compuestos clave y enfermedades usando técnicas de procesamiento de lenguaje natural. E.g. usando word embeddings para mejorar el proceso de búsqueda.
  • Mejorar el contraste y validación de hipótesis con métodos bayesianos adicionales a los métodos clásicos. Esto ayudará a afinar más a la hora de validar si una hipótesis es cierta (efecto beneficioso de un medicamento).
  • Uso de simulaciones y técnicas avanzadas de muestreo para seleccionar a los pacientes con los que se va a probar el tratamiento.

Empresas como Linguamatics y Clarivate Analytics están liderando el uso del machine learning y la analítica en este sector.

Blog de WordPress.com.

Subir ↑

A %d blogueros les gusta esto: