El machine learning incrementa su peso en el tejido empresarial como ventaja competitiva

Conocido también como aprendizaje automático, el machine learning está en un proceso de plena expansión en diferentes sectores e industrias, alcanzando su madurez en forma de integración real en distintos proyectos con aplicación en la operatividad de muchas empresas. De hecho, tal y como se afirma en un informe de Deloitte titulado ‘Machine Learning: Industrialized AI’, dos de cada tres entidades en todo el mundo la utilizan ya o están en proceso de hacerlo de aquí a los próximos cinco años, lo que, en muchos casos, significará la obtención de una ventaja competitiva en su segmento.

Durante los últimos meses, por ejemplo, un número importante de entidades han utilizado herramientas de machine learning para extraer de toda la marabunta de datos que saturaban unos muy volátiles mercados financieros, información útil para, tras analizarlos y compararlos, obtener una predicción aproximada sobre cómo iban a evolucionar los precios de las materias primas, de modo que pudieran tomar decisiones de compra muy precisas para ajustar lo mejor posible sus flujos de caja y su tesorería en un entorno muy complejo, en el que el parón de actividad fue, en muchos casos, total.

Optimizar la línea de producción

No sólo a la hora de tomar decisiones financieras es donde el machine learning está comenzando a mostrar su utilidad. En el propio proceso productivo de cualquier entidad, es capaz de analizar simultáneamente una amplia gama de factores, como el deterioro de la maquinaria, los excedentes de materia prima y de producto semi elaborado, la productividad y la eficiencia de cada eslabón de la cadena o, incluso, el propio desempeño de los empleados para extraer patrones, predecir de qué manera mejorar el rendimiento de cualquiera de estos elementos o augurar en qué momento se habrá de renovar la maquinaria porque se estropee o debido a que se quede obsoleta desde el punto de vista tecnológico.

Es decir, que permite tener un conocimiento más completo sobre la trazabilidad del proceso de fabricación, pudiendo, por un lado, mejorar la eficiencia y la productividad y, por el otro, incrementar la propia rentabilidad económica del negocio. Aspectos ambos muy importantes en un mercado que se encuentra en permanente adaptación y en el que los consumidores son, cada vez, menos fieles a las marcas y sus productos.

Calidad final del producto

Otro de los campos de plena efervescencia en el uso del machine learning es el del desarrollo de nuevos productos. El manejo de cantidades ingentes de información en relación al mercado, a los competidores y a las propias experiencias de los clientes sirve para el diseño y planificación de nuevos bienes y servicios. Esto significa apostar internamente por una cultura del dato, es decir, porque cada empleado se preocupe de reunir información sobre sus respectivos desempeños y en relación a los stakeholders con los que establece contacto, de modo que, con un cauce fluido y regular, llegue hasta los analistas de machine learning, pudiendo, así, obtener conclusiones útiles.

En esta línea, esta tecnología es muy eficaz, también, para reducir los riesgos asociados a la fabricación de nuevos productos, debido a que la información que proporciona alimenta la etapa de planificación para decisiones más informadas. Además, favorece que se mejore la calidad final del bien de una manera relevante, por ejemplo, encontrando anomalías y defectos, y favoreciendo la seguridad de todas las aplicaciones, sistemas operativos, redes y dispositivos implicados en el proceso. El uso de robots que combinen inteligencia artificial con machine learning irá, en los próximos años, siendo más habitual en las líneas de producción empresarial, ya que asumirán tareas rutinarias que resulten complejas o peligrosas para los humanos

Retos de futuro

Una reciente encuesta de Deloitte con 750 tomadores de decisiones en empresas globales ha revelado que, a pesar de la implementación de proyectos y de estudios relacionados con el machine learning, el principal problema con esta tecnología es que, si bien sus conclusiones tras el análisis de los datos son, cada vez, más útiles y esclarecedoras, los procesos internos de implementación de los cambios dentro de las entidades son, todavía, lentos, necesitando una media de entre dos y tres meses de tiempo. Eso significa que, cuando se han modificado ya las estructuras, las conclusiones de los nuevos procesos es probable que ofrezcan resultados que obliguen a las compañías a iniciar, de nuevo, un proceso de renovación.

Es decir, que las organizaciones deben acometer, en los próximos años, programas de innovación cultural interna, de modo que sus propias estructuras organizativas, así como sus mecanismos de gobierno, se flexibilicen para que se puedan llevar a cabo cambios de un modo rápido y efectivo. En caso contrario, la utilidad, tanto del machine learning como de otras tecnologías, se pierde, anulando la oportunidad de obtener una ventaja competitiva real.

El otro gran riesgo del machine learning, complementario a la propia inteligencia artificial, es que la mejora progresiva de los algoritmos permite que estos puedan rastrear y analizar toda la información que hay sobre los consumidores y sobre los stakeholders, en general, en relación a gustos, acciones y comportamientos. El uso que se realice de esa información por parte de las empresas ha de ser ético y responsable, favoreciendo que los interesados, en un momento dado, puedan revocar los permisos de su utilización si así lo desean.