Días atrás escuchaba y veía a Santiago Bilinkis hablar en el marco de una conferencia empresarial acerca del poco tiempo que dedicamos a aprender una vez superada la etapa estudiantil y el problema que esto representa a los adultos adaptarnos al futuro.
Esto, me llevó a pensar en un concepto bastante popular en este momento: “Machine Learning” o el aprendizaje de las máquinas, según su traducción del inglés. La definición de manual define este aprendizaje como una serie de programas que contienen algoritmos que permiten identificar patrones específicos y, sobre la base de éstos, predecir comportamientos futuros, entre otras cosas. En los hechos, estos programas pueden “aprender” de sí mismos.
Pasa en las películas, pasa en la vida, pasa en Machine Learning
Machine Learning es una disciplina de la ciencia & filosofía conocida como Inteligencia Artificial y está presente en nuestras vidas en diversas formas. Los usos más comunes son: Seguridad de datos, Seguridad Personal, Mercado de Valores, Salud, Marketing, Detección de fraudes, Motores de Búsqueda y, más recientemente, Autos inteligentes.
Para mi sorpresa, este concepto de machine learning no es algo nuevo, se viene trabajando desde los años ’50. Por ejemplo, en 1959 Arthur Samuel desarrolló un programa para jugar a las damas identificando posiciones ganadoras y perdedoras en el tablero. Ingresando tantas posiciones variables como cantidad de piezas en el tablero y los resultados asociados, el programa “aprendió” a jugar superando a su creador mediante la generación de nuevas jugadas que surgen de la combinación de las ya incorporadas.
Leyendo diversas publicaciones entendí que hay dos grupos bien diferenciados: supervisados y no supervisados. Los que se denominan “supervisados” y agrupan todos aquellos algoritmos que utilizan un dato conocido previo (“right answer”); por ejemplo, si seleccionamos determinados correos y los catalogamos como spam, el programa “aprende” y luego lo hace por sí solo. Y un segundo grupo “no supervisado” (por oposición al primero), que contiene aquellos programas o algoritmos que no cuentan con “conocimiento previo” de lo que se espera encontrar, sino que surgen mediante el análisis de sets de datos son capaces de identificar patrones específicos y exponerlos para su uso. Un ejemplo de este segundo grupo es la segmentación de mercado, mediante el análisis de la información de Clientes podemos segmentar el mercado según su comportamiento por: preferencias, cantidad y/o monto acumulado de ventas, etc. No conocemos anticipadamente la segmentación y dejamos que el algoritmo lo haga por nosotros.
¿Y por casa cómo andamos?
En lo que hace a sus usos en Recursos Humanos, si bien el potencial de crecimiento es amplio, el uso actual del Learning Machine es limitado y presenta un dilema que deberá resolverse en el futuro, relacionado con la capacidad de las máquinas de descubrir el talento en los seres humanos, más allá de sus competencias duras y verificables como, por ejemplo, nivel de estudios, etc.
Por el momento tiene su foco principal en los procesos de reclutamiento, dos de los programas más utilizados son:
ATS (“Applicant Tracking Systems”) para la búsqueda y calificación de candidatos a una determinada vacante. Son valiosos en búsquedas masivas y para una primera selección; sin embargo, en la medida que se avanza en el proceso, se vuelve necesaria la participación humana para evaluar otros rasgos propios de las personas (presencia, desenvolvimiento personal, empatía, etc.).
Lo mismo ocurre con los “chatbots” que pueden resolver inquietudes -por ahora básicas- de los empleados como, por ejemplo, fechas de pago, vacaciones pendientes, etc. Pero están claramente limitados dado que no tienen la posibilidad de interpretar el contexto y situación del empleado, seguir determinados lineamientos corporativos, interactuar con lenguaje coloquial, entre otros ejemplos.
Como dijimos, imaginando el futuro
Ahora bien, ¿cuáles son las ventajas competitivas de Machine Learning versus los métodos tradicionales o el mismísimo cerebro humano? Resulta casi obvio, estos programas/algoritmos son capaces de leer enormes cantidades de datos a una velocidad imposible para el ser humano, así como “aprender” combinando estos patrones para llegar a nuevas conclusiones derivadas de los mismos. Esto me lleva a pensar la posibilidad de que en un futuro cercano estas máquinas lleguen a conclusiones innovadoras en lapsos muchísimo menores a la capacidad humana de procesarlos, permitiéndonos dar un verdadero salto en calidad de vida.
Lo que me lleva a la charla de Santiago Bilinkis, si sumamos nuestra pereza intelectual a las conclusiones y descubrimientos que probablemente las máquinas harán en el futuro, casi imposibles de entender por nuestra formación previa y posterior, ¿el conocimiento será entonces una cuestión de fe?…
Autor: Marcelo Di Gennaro – Customer Experience Director – Raet Latinamerica
Acerca del autor
