creando valor con inteligencia artificial y análisis de datos

© AIS Aplicaciones de Inteligencia Artificial www. a i s - i n t . c o m© AIS Aplicaciones de Inteligencia Artificial www. a i s - i n t . c o m

Creando valor con inteligencia artificial y análisis de datos

Ramón TriasPresidente de AIS Group

© AIS Aplicaciones de Inteligencia Artificial www. a i s - i n t . c o m

Agenda¿Quiénes Somos?

¿Qué es la IA?

Introducción

Algoritmos

¿Por qué ahora?

¿Es tan inteligente la IA?

Limitaciones

Aplicaciones

Clasificación

IA por sectores

Proyectos reales


Empresa líder y pionera en sistemas de ayuda a la decisión en procesos de cambio

Fundada en 1987

Más de 200 clientes en 20 países

Sucursales en Argentina, Chile, Colombia, México y Portugal

Socio colaborador del Big Data Center of Excellence de Barcelona

Nuestra empresa

AIS


¿Qué es?Inteligencia Artificial


Estamos acostumbrados a asociar Inteligencia Artificial con robots, androides, o cualquier cosa con apariencia humana.

Introducción¿Qué es la IA?

En realidad la Inteligencia Artificial es mucho más y mucho menos.

La IA se define como la simulación de procesos de inteligencia humana por parte de máquinas, especialmente sistemas informáticos. Estos procesos incluyen el aprendizaje, el razonamiento y la autocorrección.

Sistemas que piensan y actúan como los humanos

Sistemas que piensan y actúanracionalmente


En 1956 se creó el término Inteligencia Artificial por John McCarthy, Marvin Minsky y Claude Shannon en la conferencia de Darthmouth, congreso en el que se hicieron previsiones triunfalistas a 10 años que nunca se cumplieron, provocando el abandono casi total de las investigaciones durante 15 años.

Algoritmos¿Qué es la IA?

Redes neuronales artificiales: 1943

Algoritmos Genéticos: 1960-1970

Classification and Regression Trees (CaRT): 1984

Redes bayesianas: 1985


¿Por qué ahora?¿Qué es la IA?

Los avances de hardware y software ofrecen una capacidad de cálculoanteriormente impensable

El desarrollo de equipos informáticos de gran potencia se ha abaratadoconsiderablemente

Los grandes volúmenes de datos o bigdata, que han derivado a smartdata, ideales para alimentar a los motores de IA


Nuevos usuarios – Nuevo paradigma

Los millenials (y las plataformas) están cambiando el mundo en que vivimos

Clientes mas jóvenes y diferentes

Desarrollo de nuevas herramientas en salud, finanzas, transporte, e commerce, etc.

En el entretenimiento


¿Es tan inteligente?Inteligencia Artificial


Limitaciones

No es posible recrear artificialmente la conciencia humana y por lo tanto, tampoco lo es desarrollar soluciones artificiales capaces de imitar y llevar a cabo todo lo que un humano consciente puede hacer, como por ejemplo tomar decisiones críticas o traspasar el marco conceptual previamente programado.

A día de hoy, la IA todavía carece de razonamiento generalizado, lo que llamamos sentido común.


Google confunde a los afroamericanos con gorilas, y Flickr con chimpancés.

La cámara de Nikon rechaza fotografiar a un asiático porque confunde sus ojos rasgados con un parpadeo.

El primer certamen de belleza juzgado per un ordenador colocó a una única persona de piel oscura entre los 44 vencedores.

Casos realesLimitaciones de la IA


Importancia de la experiencia

La riqueza de la experiencia del cerebro humano (todavía) no es automatizable.

La Inteligencia Artificial debe estar controlada. Es importante saber lo que se hace.

El papel del experto es clave para que la IA genere valor a la empresa.


AplicacionesGenerando valor


IA por sectoresPrincipales aplicaciones de IA

Banca y Seguros

• Modelos de Riesgo (crédito, siniestralidad,...)

• Chatbots para atender clientes

• Detección de fraude

• Recomendación de productos

• Primas según sensorización de casa, persona y autos

• Peritaje automático de accidentes

Industria y Logística

• Robótica• Automatización

de procesos• Planificación

óptima de la producción

• Predicción de la demanda

• Rutas óptimas de flotas

• Carga óptima de camiones

Otros servicios

• Oferta óptima para turistas

• Predicción consumo eléctrico, gas, agua

• Diagnóstico precoz de enfermedades

• Genoma• Predicción

ocupación parking• Recomendaciones

de productos de retail

RRHH

• Modelos automáticos de selección de personal

• Formación personalizada

• Predicción de bajas de personal

• Asignación óptima de tareas a personal

Otros

• Videojuegos• Predicción venta

diarios en quioscos

• Smart Cities• Conducción

autónoma• Ciberseguridad• Tratamiento de

voz y sonido• Tratamiento de

imagen


Generando valor con la IA

Incrementando la productividadreduciendo el coste

Cuatro pilares

Fomentar la captación y la fidelización

Automatizar servicios y procesos

Mejorar la calidad de servicio


Técnicas de IA

Machine Learning


Técnicas de Machine Learning

Aprendiendo de los datosImitan al cerebro, neurona a neuronaBuscan fronteras

Encontrando regularidadesBuscan grupos compactos

Relaciones y comportamientoSecuencias de causa-efectoInfluencias del entorno

Optimización y SimulaciónInteligencia adaptativa de la naturaleza. Combinatoria

Redes Neuronales

XGBExtreme Gradient Boosting

AB AdaBoost

Regresión Logística

PLS Partial Least Squares

SPV SupportVector Machines

Hidden Markov Models

Naif Bayes

Algoritmos de Grafos

Genetic Algorithm

Tabu Search

Metropolis,Colony Ants, Simulated Annealing

Nubes móviles

1

2

3

4


Modelización Machine Learning

Beneficios de ML: • Algoritmos de alto nivel de clasificación (+25% ; +50%)

• Software libre u open source (R, Python, …)

• Permiten una rápida calibración y re-estimación

• Las principales plataformas BigData están preparadas para poder utilizar estas técnicas

• Sensación de black box

• Necesidad de evitar el sobre-ajuste

• Dificultad para incorporar reglas / forzar variables

Retos en el ML:


PROYECTOS REALES CON MACHINE LEARNING


Modelo: Valoración automática de inmueblesObjetivo: Definir el precio de venta (cierre) de un inmueble (Piso o Casa)Valor Añadido: Construcción de un total de 5 modelos, los cuales se reestiman

mensualmente y de forma automática. La reestimación va acompañada de un Report automático que permite analizar el modelo antes de lanzarlo a producción.Time to market del modelo: 2 díasSolución dinámica a un problema dinámico.

Nuestras experiencias en MLSector inmobiliario


Modelo: Modelo de alertas tempranas Banca EmpresasObjetivo: El modelo es la base para la identificación del Stage 2 de la cartera bajo seguimiento colectivo de la normativa IFRS9

Modelo: Scoring de recuperación Personas FísicasObjetivo: Mejorar la eficiencia y eficacia de la gestión de recuperación al incorporarel modelo como driver en la definición de la estrategia de recobro a seguir.

Modelo: Proactivo Personas FísicasObjetivo: Realizar campañas de pre-concesión de productos de activo a clientesde la Cooperativa.

Nuestras experiencias en MLSector financiero


Objetivo: mejorar la experiencia del usuario ayudándole a planificar susdesplazamientos y minimizando el tiempo de aparcamiento en la zonaazul de la ciudad de Barcelona. Para ello se quiere predecir la demanda deocupación real de plazas de aparcamiento en toda la ciudad y traducirlaen un esquema semafórico que mida la factibilidad de encontraraparcamiento.

Logros: La predicción se realizó en base a datos históricos de ocupaciónpagada y se calibró con observaciones reales en sitio. Se obtuvieronbuenos resultados con un 10-12% medio de error en la predicción deocupación. Evitó al ayuntamiento hacer un gran inversión en sensores.

Técnicas aplicadas: Se aplicaron técnicas de series temporales conMachine Learning, teniendo en cuenta factores geográficos.

Nuestras experiencias en MLSector público


Objetivo: conocer el potencial del producto por distritos para enfocar la actividad Trade.

Situación: producto nuevo sin histórico de ventas; mercado muy amplio pero el target era muyconcreto; recursos limitados y se requería rapidez.

Solución: “AIS Habits”. Herramienta de Big Data (datos demográficos, socioeconómicos,geolocalización, ingresos, gastos, distribución, etc.). Determinación de mercado objetivo(target), estimación de potencial de ventas por zona y por punto de venta (PdV), competencia,entre otros, (machine learning y estadística).

Acciones: campañas de promoción dirigida y de distribución en cada categoría de PdV.

Retorno: 500%, impulso de ventas de Grupo Danone.

Mercado: distribución de producto con base a demanda socioeconómica (densidad permanentey temporal), ubicación estratégica de tienda.s

Beneficios: optimización de gastos de publicidad y de gastos de distribución, cumplimiento demetas y posicionamiento de productos.

Sector alimentaciónNuestras experiencias en ML


Cómo trabajar para generar valor con ML

Análisis de variables y creación de un smartdata.

Equipo de trabajo mixto que incluya expertos en IA / ML y profesionales especialistas del negocio (riesgos, seguros, marketing, etc.).

Elección de la metodología más adecuada en función de los objetivos a alcanzar.

Decisión del formato óptimo de implementación (SaaS o infraestructura de la entidad).


Objetivo: Ganar en eficiencia

© AIS Aplicaciones de Inteligencia Artificial www. a i s - i n t . c o m© AIS Aplicaciones de Inteligencia Artificial www. a i s - i n t . c o m

¿Quieres ser uno de nuestros expertos y

contribuir a generar valor?


VALORES AIS

INNOVACIÓN

FELICIDAD

DIVERSIDADÉXITO

PROFESIONAL

INTEGRIDAD

CUIDAMOS EL TALENTO

Si compartes nuestros valores, súmate a nuestro equipo! Escríbenos a: [email protected]

mailto:[email protected]


www.ais-int.com

https://twitter.com/

https://twitter.com/

https://www.linkedin.com/company/ais/

https://www.linkedin.com/company/ais/

creando valor con inteligencia artificial y análisis de datos

Documents