Lynx View Machine Learning Expo

1. ><
Machine learning:
from zero to hero
1

2. ><
01Introducción
A p r e n d i z a j e a u t o m á t i c o , a p r e n d i z a j e
automatizado o aprendizaje de máquinas son una inducción
del conocimiento con forma de programas capaces de
generalizar comportamientos a partir de información.
El aprendizaje automático tiene una amplia gama de
aplicaciones, incluyendo motores de búsqueda, diagnósticos
médicos, detección de fraude en el uso de tarjetas de crédito,
préstamos bancarios o de fraude en reclamaciones a seguros,
análisis , clasificación de ADN y secuencias genómicas,
reconocimiento del habla y del lenguaje escrito, juegos, robótica y
un muy extenso etcétera.
Es transversal con miles de aplicaciones, desde pequeños
entornos hasta grandes corporaciones bancarias.
¿QUÉ ES ML?
2

3. ><
02Introducción
¿Por qué ML
ahora?
El concepto no es nuevo: matemáticamente, siglo XIX. Algoritmia y
cómputo, desde mediados s. XX
El primer gran avance de “nuestros tiempos”: PageRank de Sergey
Brin y Larry Page. 1998
En 2006~ convergen avances algorítmicos, de capacidad de
cómputo y de volumen de datos: Avances de Hunting (acuña
“aprendizaje profundo, Deep learning”), Cutting y Cafarella
(Hadoop) y el amado u odiado iPhone.
Todos estos factores juntos convierten en realidad IA (y por
extensión, ML y DL)
A nivel analítico, encontramos tres grupos:
DESCRIPTIVA
PREDICTIVA (anticipación probabilística)
PRESCRIPTIVA (recomendaciones de “qué hacer”)
Nos centramos en los 2 últimos
3

4. ><
Aprendizaje
Supervisado
Entrenamiento con
manipulación humana.
Empleamos algoritmo que
entrenamos para hallar
relaciones entre input
(datos) y output (resultados)
Aprendizaje NO
Supervisado
Un algoritmo que explora
inputs para localizar
patrones y clasificar los
datos: por ejemplo, dados
datos demográficos de
clientes clasificarlos y
buscar patrones (consumo,
conducta, correlaciones).
Aprendizaje
Reforzado
Algoritmo que aprende a
realizar una tarea
maximizando el beneficio
de cada acción (e.g.
Alphabet “AlphaStar” con el
juego Starcraft 2 ML)
Tipos de ML: Resumen
4

5. ><
03Introducción.
ML: el gran
tapado
5

6. ><
01
02
03
Ventas
Distribución, marketing,
o p t i m i z a c i ó n y
adaptación de precios.
Scoring
Clasificación de clientes
en función de su riesgo
financiero
Salud
Diagnóstico temprano,
catalogación clínica.
Análisis y predicción
sentimientos
04
05
06
Productos
Clasificación, análisis de
uso, UX/UI predictiva.
Comportamiento.
Interfaces
Atención a usuarios por
asistentes voz/texto.
Predicción basada en
PNL
Predicciones
Llamadas a call center,
consumo de recursos,
mto. predictie
ML: el gran tapado
6
07
Frameworks
C o n t r a t a c i ó n ,
clasificación candidatos
En muchas empresas ML ya es una realidad: las aplicaciones de negocio son vastísimas, y
vamos a tener que preparar presupuesto en nuestras empresas para adoptarlo y ser
competitivos

7. ¿TENGO
PROYECTOS DE ML
EN CASA?
¿?

8. La pregunta no es esa, sino:
¿me lo puedo permitir?
¡Todo esto suena como poner un cohete en
órbita!
La respuesta no requiere un algoritmo
complejo: es un ROTUNDO SÍ
SI

9. ><
09
9
¿De qué color es?

10. ><
Desarrollo
Un desarrollo software
para tras definición de
nuestra necesidad,
generar el algoritmo
óptimo y con una
precisión (desde un par
de semanas a un par
de meses)
Infraestructura
Un entorno de cómputo
(aconsejamos cloud)
donde realizar ingesta
d e d a t o s ,
e n t r e n a m i e n t o y
p r e s e n t a c i ó n d e
endpoint con resultados
(200 a 300 $ al mes, de
ejemplos reales)
Datos
Un conjunto de datos
con el que podamos
alimentar (y reentrenar y
e n r i q u e c e r n u e s t r o
modelo, a discreción)
01 02 03
¿De qué color es?
Coste y rentabilidad de los proyectos AI
10
Un proyecto prototípico basado en ML necesita de tres inversiones básicas:

11. Perdamos el miedo: son proyectos
alcanzables para PYMEs. Parten desde
unos pocos miles de euros (una
PoC, o un proyecto pequeño) hasta un
entorno típico de 20-30.000€ que sólo
crecen en función de su rentabilidad y
que tienen un coste de mantenimiento
muy reducido.
$

12. ><
12 PROYECTOS
Proyectos realizados
por Lynx View en
empresas reales, con
precios reales
EXPERIENCIAS REALES
12

13. ><
• Previsión costes de ejecución de aplicaciones SAP, con arreglo a crecimiento.
Calculamos costes en función de diversos parámetros y planificamos tiempos de
respuesta por paso de diálogos.
• Creación planificación intervenciones y mantenimiento predictivo sobre red de
servicio y distribución de aguas para mantenimiento, previsión averías y reposición
necesaria de suministro.
• Scoring de clientes para entidad financiera para concesión de préstamos. Mejora y
automatización de modelo actual, aprendizaje y nuevas variables.
• Cálculo y previsión de clima laboral e índice de bienestar sobre plataforma propia de
Clima Laboral y de feedback corporativo.
• PoC Proyecto de inferencia de factores en enfermedades sobre análisis genéticos.
Automatización y mejora de diagnóstico, ahorro tiempos en diag.
Proyectos:
Experiencias Reales
13

14. ><
• Previsión costes de ejecución de aplicaciones SAP
Inversión inicial: 25k€
Reducción costes instancias SAP HANA en 20%
ROI: 2 meses
• Creación planificación intervenciones y mantenimiento predictivo sobre red de
servicio y distribución de aguas
Inversión inicial: 15k€
Automatización de cuadrante de planificación. Accuracy 95%
ROI: 3 meses
• Scoring de clientes para entidad financiera para concesión de préstamos. Mejora y
automatización de modelo actual, aprendizaje y nuevas variables.
Inversión inicial: 30k€
Reducción porcentaje de mora, modelo predictivo para concesión de créditos
ROI: 2 meses
Proyectos:
Experiencias Reales
14

15. ><
15Industria 4.0
Podemos decir claramente que la estrategia de digitalización debe
incluir ya Machine Learning para aprovechar un enorme potencial
inmediato de diferenciación con la competencia y de herramientas
para mejora continua hace años inimaginables. A un coste que retorna
en meses.
Sin necesidad de tener el volumen de datos de una compañía Fortune
500, podemos optimizar precios, stocks, mantenimiento, recursos y
ofrecer a nuestros clientes mayor nivel de servicio.
MACHINE LEARNING HA
LLEGADO PARA QUEDARSE
15

16. • Coste asumible por la PYME, requisitos
actuales alcanzables en recursos y datos
necesarios. Al alcance de cualquier
presupuesto.
• ROI prácticamente inmediato en muchos
casos.
• Costes en tiempos de puesta en marcha
de semanas. Resultados inmediatos
(proyectos full agile)
RESUMEN
SI

17. >< 17
METODOLOGÍA
Metodología Agil (Scrum, XP, DevOps, Lean, Design Thinking)

18. >< 18
CASOS DE ÉXITO

19. >< 19
Edificio Capital,CtraOcaña 39, Esc 1 , Piso 3. CP 03007 Alicante
965 045 034
www.lynxview.es
info@lynxview.es
CONTACTO