Usos de la Inteligencia Artificial en las empresas

Usos de la Inteligencia Artificial en las empresas

La inteligencia artificial (AI) se está erigiendo como una tecnología transformacional en la era digital, y su aplicación práctica en toda la economía está creciendo rápidamente. La consultora McKinsey ha llevado a cabo un análisis del impacto que puede tener en la industria, a la hora de resolver algún tipo de problemas.

El estudio resume en algunos puntos los principales problemas que la IA puede resolver y cómo puede ayudar a mejorar el potencial de las empresas.

  1. Clasificación. En función de un conjunto de datos, se pueden clasificar las nuevas entradas como pertenecientes a uno de un conjunto de categorías. Un ejemplo de clasificación es identificar si una imagen contiene un tipo específico de objeto o un producto de calidad aceptable proveniente de una línea de fabricación.
  2. Estimación continua. En base a un conjunto de datos de entrenamiento, se puede calcular el siguiente valor numérico en una secuencia. Este tipo de problema a veces se describe como “predicción”, particularmente cuando se aplica a datos de series de tiempo. Un ejemplo de estimación continua es pronosticar la demanda de ventas de un producto, sobre la base de un conjunto de datos de entrada, como las cifras de ventas anteriores, la confianza del consumidor y el clima.
  3. Agrupación. Los problemas de clústers requieren un sistema para crear un conjunto de categorías, para las cuales las instancias de datos individuales tienen un conjunto de características comunes o similares. Un ejemplo de la aplicación de la IA en entornos de resolución de problemas de clúster es crear un conjunto de segmentos de consumidores basados en datos individuales, incluidos los datos demográficos, las preferencias y el comportamiento del comprador.
  4. Resto de optimizaciones. Estos problemas requieren que un sistema genere un conjunto de resultados óptimos para una función objetivo específica. Generar una ruta para un vehículo que cree la combinación óptima de tiempo y consumo de combustible es un ejemplo de optimización.
  5. Detección de anomalías. Dado un conjunto de datos de capacitación, se puede determinar si las entradas específicas son extraordinarias. Por ejemplo, un sistema podría ser entrenado en un conjunto de datos históricos de vibración asociados con el rendimiento de una pieza operativa de maquinaria, y luego determinar si una nueva lectura de vibración sugiere que la máquina no está funcionando normalmente.
  6. Los algoritmos de clasificación se utilizan con mayor frecuencia en problemas de recuperación de información en los que los resultados de una consulta o solicitud deben ordenarse por algún criterio. Los sistemas de recomendación que sugieren el siguiente producto para comprar utilizan este tipo de algoritmos como paso final, clasificando las sugerencias por relevancia, antes de presentar los resultados al usuario.
  7. Estos sistemas proporcionan recomendaciones, basadas en un conjunto de datos. Un ejemplo común de recomendaciones son sistemas que sugieren el “próximo producto para comprar” para un cliente, basado en los patrones de compra de individuos similares, y el comportamiento observado de la persona específica.
  8. Generación de datos. Estos problemas requieren un sistema para generar datos apropiadamente novedosos basados en datos de entrenamiento. Por ejemplo, un sistema de composición de música podría usarse para generar nuevas piezas de música en un estilo particular, después de haber sido entrenado en piezas musicales de ese estilo.

Puede leer el artículo completo en el Diario Perspectiva

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *