BUSINESS INTELLIGENCE.

Asignatura IICG-514.

Gino Astorga Solari

[email protected]
Inteligencia Artificial
 Inteligencia Artificial

¿Qué es?
Se refiere a sistemas o máquinas que imitan la inteligencia humana para realizar tareas y pueden mejorar
iterativamente a partir de la información que recopilan.

La inteligencia artificial consiste en impartir una capacidad cognitiva a una máquina.

La IA trata mucho más sobre el proceso y la capacidad de pensamiento y el análisis de datos que sobre
cualquier formato o función en particular. Aunque la IA muestra imágenes de robots de aspecto humano de alto
funcionamiento que se apoderan del mundo, la IA no pretende reemplazar a los humanos. Su objetivo es
mejorar significativamente las capacidades y contribuciones humanas. Eso la convierte en un activo empresarial
muy valioso.
 Inteligencia Artificial

La IA se ha convertido en un término general para las aplicaciones que realizan tareas complejas que antes
requerían aportes humanos, como la comunicación online con los clientes o jugar al ajedrez.

Por ejemplo, el Machine Learning se centra en la creación de sistemas que aprenden o mejoran su rendimiento
en función de los datos que consumen.

Es importante tener en cuenta que, aunque todo Machine Learning es IA, no toda la IA es Machine Learning.

Para obtener el valor completo de la IA, muchas empresas están haciendo inversiones significativas en equipos
de ciencia de datos.

La ciencia de datos combina habilidades de campos como la estadística y la informática con el conocimiento
empresarial para analizar datos recopilados de múltiples fuentes.
 Inteligencia Artificial

El principio fundamental de la IA es replicar, y luego superar, la forma en que los humanos perciben y
reaccionan ante el mundo. Se está convirtiendo rápidamente en la piedra angular de la innovación.

La IA, impulsada por varias formas de Machine Learning que reconocen patrones en los datos para permitir
predicciones, agregando valor a su organización:

•Proporcionando una comprensión más completa de la gran cantidad de datos disponibles.

•Realizando predicciones para automatizar tareas excesivamente complejas o repetitivas.

 Inteligencia Artificial

La IA tiene tres niveles diferentes:

IA estrecha: Se dice que una IA es estrecha cuando la máquina puede realizar una tarea específica mejor que
un humano.

IA general: Una IA alcanza el estado general cuando puede realizar cualquier tarea intelectual con el mismo
nivel de precisión que lo haría un humano.

IA activa: Una IA es activa cuando puede superar a los humanos en muchas tareas que realiza.
 Inteligencia Artificial

¿Cómo se manifiesta en las empresas?

La tecnología de IA mejora el rendimiento y la productividad de la empresa mediante la automatización de

procesos o tareas que antes requerían esfuerzo humano.

La IA también puede dar sentido a los datos a una escala que habitualmente un humano no podría permitiendo
ventajas empresariales importante.

Ejemplo:
• Netflix utiliza el Machine Learning para proporcionar un nivel de personalización que ayudó a la empresa a
aumentar su base de clientes en más del 25% en 2017.
• https://docs.microsoft.com/es-es/azure/cognitive-services/luis/what-is-luis
 Inteligencia Artificial en las Empresas

Las empresas están considerando a la ciencia como parte de ellas. En la última encuesta Gartner a más de
3.000 directores de tecnología y sistemas, los encuestados clasificaron la analítica y la inteligencia empresarial
como las tecnologías de diferenciación relevantes. Los directores de tecnología y sistemas encuestados
consideran que estas tecnologías son las más estratégicas y, por lo tanto, están atrayendo nuevas inversiones.

La IA posee valor para casi todas las funciones, negocios e industrias, tales como:

• Uso de datos transaccionales y demográficos para predecir cuánto gastarán ciertos clientes en el curso de su
relación con una empresa.
• Optimización de precios basada en el comportamiento y preferencias del cliente.

• Uso del reconocimiento de imágenes para analizar imágenes de rayos X en busca de síntomas de cáncer.
 Inteligencia Artificial en la Empresas

De acuerdo con la Harvard Business Review, las empresas utilizan la IA principalmente para:

•Detectar y disuadir intrusiones de seguridad (44%)

•Resolver problemas tecnológicos de los usuarios (41 %)
•Reducir el trabajo de la gestión de producción (34 %)
•Medir el cumplimiento interno en el uso de proveedores aprobados (34 %)
 Inteligencia Artificial en la Empresas

Factores que están impulsando el desarrollo de la

IA en todas las industrias:

•Gran capacidad de cómputo de alto rendimiento ya se encuentra

disponible.

• Productos básicos tecnológicos en la nube

• Antes de este desarrollo, los únicos entornos informáticos disponibles para la IA
no estaban basados en la nube y tenían un costo prohibitivo.
 Inteligencia Artificial en la Empresas

Factores que están impulsando el desarrollo de la IA

en todas las industrias:
•Se encuentran disponibles grandes volúmenes de datos para la formación.

La IA debe formarse en muchos datos para hacer las predicciones correctas.

La aparición de diferentes herramientas para etiquetar datos, además de la facilidad y
asequibilidad con que las organizaciones pueden almacenar y procesar datos
estructurados y no estructurados, permite a más organizaciones diseñar y formar
algoritmos de IA.
 Inteligencia Artificial en la Empresas

Factores que están impulsando el desarrollo de la IA en todas las

industrias:
•La IA aplicada proporciona una ventaja competitiva.

Cada vez más, las empresas reconocen la ventaja competitiva de aplicar los conocimientos de IA a los objetivos
empresariales y lo convierten en una prioridad para toda la empresa.

Por ejemplo, las recomendaciones específicas proporcionadas por la IA pueden ayudar a las empresas a tomar
mejores decisiones más rápido. Muchas de las características y capacidades de la IA pueden reducir los costes
y los riesgos, acelerar el tiempo de comercialización y mucho más.
 Inteligencia Artificial en como implementar en las Empresas

En base a una investigación de Harvard Business Review existe 4

fases:

1. Aprender haciendo
2. Aprender continuamente
3. Retroalimentación continua
4. Verificación
 Inteligencia Artificial en como implementar en las Empresas

1. Aprender haciendo
Al igual que cuando un nuevo empleado se incorpora a una organización, la integración de IA debe ser por
etapas y escalonada.

El proceso debe ser de la siguiente forma:

•La IA entra en contacto con la información existente, para luego procesarla.

•Los usuarios internos se familiarizan con la IA y aprenden a usarla a su favor.
•La IA se alinea a los objetivos del negocio, no al revés.
 Inteligencia Artificial en como implementar en las Empresas

1. Aprender haciendo
Uno de estos trabajos iniciales para los sistemas de IA es la clasificación de datos lo cual aporta un gran valor a
las empresas.

Por ejemplo, Amazon y Netflix diseñaron algoritmos de recomendaciones luego de clasificar las preferencias de
los usuarios.

Los administradores de cartera han encontrado grandes beneficios en esta fase, ya que disponen de una mayor
cantidad de información de la que sus colaboradores pueden procesar de forma efectiva por sí mismos.

Para esto un software de IA filtra las existencias para cumplir con los criterios de inversión predefinidos por la
empresa.
 Inteligencia Artificial en como implementar en las Empresas

2. Aprender continuamente
El siguiente paso de la implementación es configurar el sistema de IA para que proporcione conocimiento en
tiempo real.

La IA es capaz de pronosticar las decisiones de los usuarios en una situación determinada, y si una de estas
elecciones no coincide con su historial, el sistema puede indicar la discrepancia.

En el caso de los administradores de cartera, a veces toman decisiones de compra o venta que aumentan el
riesgo de una pérdida financiera, situación que el sistema puede alertar para que se ajuste de manera adecuada
y ágil.
 Inteligencia Artificial en como implementar en las Empresas

2. Aprender continuamente
Los administradores siempre podrán pasar por alto la recomendación de la IA y apelar a su criterio si consideran
que la inversión respeta los límites de riesgo de la empresa. La retroalimentación ayuda a reflexionar sobre sus
decisiones.

En esta fase, el diseño de los sistemas de IA debe estar configurado como un diálogo entre el operador y la
máquina:
el algoritmo proporciona sugerencias con base en los datos mientras que el humano explica a la tecnología por
qué declinó la sugerencia.

Desafortunadamente esta programación es inusual. Por ejemplo, cuando los bancos utilizan esta tecnología
puede que el sistema marque una transacción como fraudulenta sin serlo (falso positivo). Y en esos casos
deshacer la elección de la máquina es casi imposible, por lo que el proceso se convierte en una mala
experiencia para el cliente.
 Inteligencia Artificial en como implementar en las Empresas

3. Retroalimentación continua
La retroalimentación dentro de las empresas es un factor importante para el crecimiento, y puede medirse a
través del desarrollo de los empleados. Sin embargo, en la mayoría de las compañías las evaluaciones de
desempeño son efectuadas por los superiores jerárquicos, por lo que en algunos casos la opinión está sesgada.
Un sistema de inteligencia artificial puede solucionar este problema al generar comentarios para los
empleados mediante los cuales ellos observen su propio desempeño e identifiquen cuáles han sido sus
variaciones o errores.
 Inteligencia Artificial en como implementar en las Empresas

3. Retroalimentación continua
El análisis del comportamiento pasado ayuda a comprender aún más sus patrones al tomar una decisión, para lo cual el
sistema les sugiere opciones de mejora.

Como en la fase 2, el diálogo entre el sistema y los humanos es indispensable porque si los colaboradores pueden
relacionarse y controlar los intercambios con la inteligencia artificial, es más probable que la vean como un canal seguro
para la retroalimentación, cuyo objetivo central es ayudar en lugar de calificar el desempeño.

Es relevante ya que existe mucha reticencia hacia IA. Según un estudio de Forbes, el 34% de los trabajadores temen que
un robot o una máquina los reemplace en sus labores en los próximos dos años.
 Inteligencia Artificial en como implementar en las Empresas

4. Verificación
La empresa debe desarrollar una red relacionada de humanos y máquinas donde ambos aporten experiencias.

No hay una organización en el mundo que haya alcanzado completamente esta fase.

Esto probablemente se deba a que la fase 4 está llena de retos para la IA, entre los cuales destacan estos dos:

•Evitar la construcción de prejuicios al hacer la integración.

•Respetar las preocupaciones de privacidad de las personas.
Herramientas de IA aplicadas a las Empresas
Herramientas de IA aplicadas a las Empresas
 Machine Learning

¿Qué es?
El Machine Learning es una disciplina del campo de la Inteligencia Artificial que, a través de algoritmos, dota a
los computadores de la capacidad de identificar patrones en datos masivos y elaborar predicciones (análisis
predictivo). Este aprendizaje permite a los computadores realizar tareas específicas de forma autónoma, es
decir, sin necesidad de ser programados.

El término se utilizó por primera vez en 1959. Sin embargo, ha ganado relevancia en los últimos años debido al
aumento de la capacidad de computación y al boom de los datos. Las técnicas de aprendizaje automático son,
de hecho, una parte fundamental del Big Data.
 Machine Learning

¿Qué es?
El aprendizaje automático es la mejor herramienta hasta ahora para analizar, comprender e identificar un patrón
en los datos.

Una de las principales ideas detrás del aprendizaje automático es que el computador puede ser entrenado para
automatizar tareas que serían exhaustivas o imposibles para un ser humano.

La clara diferencia con el análisis tradicional es que el aprendizaje automático puede tomar decisiones con una
mínima intervención humana.

El aprendizaje automático utiliza datos para alimentar un algoritmo que puede entender la relación entre la
entrada y la salida.

Cuando la máquina termina de aprender, puede predecir el valor.

 Machine Learning

Tipos de algoritmos de Machine Learning:

• Aprendizaje Supervisado.
Es un aprendizaje previo basado en un sistema de etiquetas asociadas a unos datos que les permiten tomar
decisiones o hacer predicciones.

Ejemplo:
Un ejemplo es un detector de spam que etiqueta un mail como spam o no dependiendo de los patrones que ha
aprendido del histórico de correos (remitente, relación texto/imágenes, palabras clave en el asunto, etc.).
 Machine Learning

Tipos de algoritmos de Machine Learning:

• Aprendizaje NO Supervisado,
Estos algoritmos no cuentan con un conocimiento previo. Se enfrentan al caos de datos con el objetivo de
encontrar patrones que permitan organizarlos de alguna manera.

Ejemplo:
Un ejemplo es en el campo del marketing se utilizan para extraer patrones de datos masivos provenientes de
las redes sociales y crear campañas de publicidad altamente segmentadas.
 Machine Learning

Tipos de algoritmos de Machine Learning:

• Aprendizaje por Refuerzo.
Su objetivo es que un algoritmo aprenda a partir de la propia experiencia. Esto es, que sea capaz de tomar la
mejor decisión ante diferentes situaciones de acuerdo a un proceso de prueba y error en el que se
recompensan las decisiones correctas..

Ejemplo:
En la actualidad se está utilizando para posibilitar el reconocimiento facial, hacer diagnósticos médicos o
clasificar secuencias de ADN.
 Machine Learning

Donde ocupar Machine Learning

Recomendaciones: permite hacer sugerencias personalizadas de compra en plataformas online o
recomendar canciones. En su forma más básica analiza el historial de compras y reproducciones del
usuario y lo compara con lo que han hecho otros usuarios con tendencias o gastos parecidos.

Vehículos inteligentes: según el informe Automotive 2025: industry without borders de IBM, en 2025 ya
veremos coches inteligentes en las carreteras. Gracias al aprendizaje automático, estos vehículos podrán
ajustar la configuración interna (temperatura, música, inclinación del respaldo, etc.) de acuerdo a las
preferencias del conductor e, incluso, mover el volante solos para reaccionar al entorno.

Redes sociales: Twitter, por ejemplo, se sirve de algoritmos de Machine Learning para reducir en gran
medida el spam publicado en esta red social mientras que Facebook, a su vez, lo utiliza para detectar
tanto noticias falsas como contenidos no permitidos en retransmisiones en directo que bloquea
automáticamente.
 Machine Learning

Donde ocupar Machine Learning

Recomendaciones: permite hacer sugerencias personalizadas de compra en plataformas online o recomendar
canciones. En su forma más básica analiza el historial de compras y reproducciones del usuario y lo compara
con lo que han hecho otros usuarios con tendencias o gastos parecidos.

Vehículos inteligentes: según el informe Automotive 2025: industry without borders de IBM, en 2025 ya
veremos coches inteligentes en las carreteras. Gracias al aprendizaje automático, estos vehículos podrán
ajustar la configuración interna (temperatura, música, inclinación del respaldo, etc.) de acuerdo a las
preferencias del conductor e, incluso, mover el volante solos para reaccionar al entorno.

Redes sociales: Twitter, por ejemplo, se sirve de algoritmos de Machine Learning para reducir en gran medida
el spam publicado en esta red social mientras que Facebook, a su vez, lo utiliza para detectar tanto noticias
falsas como contenidos no permitidos en retransmisiones en directo que bloquea automáticamente.
 Machine Learning

Donde ocupar Machine Learning

Procesamiento de Lenguaje Natural (PLN): a través de la comprensión del lenguaje humano, asistentes
virtuales como Alexa o Siri pueden traducir instantáneamente de un idioma a otro, reconocer la voz del usuario
e incluso analizar sus sentimientos. Por otro lado, el PLN también se utiliza para otras tareas complejas como
traducir la jerga legal de los contratos a un lenguaje sencillo o ayudar a los abogados a ordenar grandes
volúmenes de información relativos a un caso.

Búsquedas: los motores de búsqueda se sirven del aprendizaje automático para optimizar sus resultados en
función de su eficacia, midiendo la misma a través de los clics del usuario.

Medicina : investigadores del Instituto de Tecnología de Massachusetts (MIT) ya utilizan el Machine

Learning para detectar con mayor antelación el cáncer de mama, algo de vital importancia ya que su detección
temprana aumenta las probabilidades de curación. Asimismo, también se utiliza con una alta eficacia para
detectar neumonía y enfermedades de la retina que pueden provocar ceguera.
 Machine Learning

Donde ocupar Machine Learning

Ciberseguridad: los nuevos antivirus y motores de detección de malware ya se sirven del aprendizaje
automático para potenciar el escaneado, acelerar la detección y mejorar la habilidad de reconocer anomalías.
 Machine Deep Learning

¿Qué es?
Deep Learning es un subconjunto de Machine Learning (que a su vez es parte de IA) donde las redes
neuronales, algoritmos inspirados en cómo funciona el cerebro humano, aprenden de grandes cantidades de
datos.

Los algoritmos de Deep Learning realizan una tarea repetitiva que ayuda a mejorar de manera gradual el
resultado a través de ‘’deep layers’’ lo que permite el aprendizaje progresivo. Este proceso forma parte de una
familia más amplia de métodos de Machine Learning basados en redes neuronales.
 Machine Deep Learning

¿Qué es?
El aprendizaje profundo es un programa informático que imita la red de neuronas de un cerebro.

Es un subconjunto del aprendizaje automático y se llama aprendizaje profundo porque hace uso de redes
neuronales profundas.

La máquina utiliza “diferentes” capas para “aprender” de los datos.

La profundidad del modelo está representada por el número de capas del modelo.

En el aprendizaje profundo, la fase de aprendizaje se realiza a través de una red neuronal.

Una red neuronal es una arquitectura en la que las capas se apilan unas sobre otras.
 Machine Deep Learning

¿Qué es?
Deep Learning ha tenido un gran impacto en todas las industrias.

Por ejemplo el aprendizaje profundo se puede utilizar para el análisis avanzado de imágenes, la investigación, el
descubrimiento de medicinas, la predicción de problemas de salud así como síntomas de enfermedades, y la
aceleración de conocimientos a partir de la secuenciación genómica.

En el transporte, puede ayudar a los vehículos autónomos a adaptarse a las condiciones cambiantes; y a su vez
ser utilizado para proteger infraestructuras críticas.
 Machine Deep Learning

Beneficios
• El Deep Learning necesita grandes números de datos etiquetados, así que, por poner un ejemplo, para poder
desarrollar un automóvil sin conductor son requeridas millones de imágenes y más de miles de horas de
material audiovisual.

• Es necesaria una potencia de cálculo relevante, y de esta manera las GPU de gran rendimiento tienen una
dinámica paralela que resulta positiva para el Deep Learning. Al combinar esto con clusters o con el cálculo
en la nube, se puede reducir la cantidad de tiempo para entrenamiento de una red de Deep Learning.

https://www.genwords.com/blog/deep-learning
 Machine Deep Learning

¿Qué es?
Deep learning ha tenido un gran impacto en todas las industrias. Por ejemplo, en las ciencias de la vida, el
aprendizaje profundo se puede utilizar para el análisis avanzado de imágenes, la investigación, el
descubrimiento de medicinas, la predicción de problemas de salud así como síntomas de enfermedades, y la
aceleración de conocimientos a partir de la secuenciación genómica. En el transporte, puede ayudar a los
vehículos autónomos a adaptarse a las condiciones cambiantes; y a su vez ser utilizado para proteger
infraestructuras críticas.
Existe una idea errónea, la cual ha tomado fuerza con el tiempo, de que deep learning es una tecnología que
compite en contra de machine learning.
 Machine Deep Learning

¿Qué es?
Para poner las cosas en perspectiva, Deep Learning es un subdominio de Machine Learning; con un poder
computacional acelerado y grandes conjuntos de datos. Los algoritmos de Deep Learning pueden llevar a cabo
el auto aprendizaje de patrones ocultos dentro de los datos para hacer predicciones.

En esencia, puede pensar en Deep Learning como una rama de Machine Learning que se entrena con grandes
cantidades de datos y trata con muchas unidades computacionales que trabajan en conjunto para realizar
predicciones.
Machine Deep Learning
 Data Science

¿Qué es el Data Science?

El Data Science se encarga de estudiar de dónde viene la información, qué representa y cómo se puede
convertir en un recurso valioso en la creación de negocios y estrategias.
Para ello, busca extraer grandes cantidades de datos para identificar patrones para controlar los costos,
aumentar la eficiencia, reconocer nuevas oportunidades de mercado y aumentar la ventaja competitiva de la
organización.

El Data Science emplea las disciplinas de las matemáticas, estadística y las ciencias de la computación.
Además, se incorporación de técnicas como el Machine Learning (aprendizaje automático), clúster análisis
(análisis de grupos), Data Mining (extracción de datos) y la visualización.
Data Science
 Data Science

Beneficios
El principal beneficio del Data Science en una organización es la facilidad para tomar decisiones.

Los beneficios varían según el objetivo de la empresa y la industria. Los departamentos de ventas y
marketing, por ejemplo, pueden extraer datos de clientes para mejorar las tasas de conversión o crear
campañas de marketing uno a uno.
Las instituciones bancarias están extrayendo datos para mejorar la detección de fraudes. Las empresas de
envío utilizan para encontrar las mejores rutas, horarios y mejores modos de transporte.

El Data Science todavía es un campo emergente dentro de la empresa. La identificación y el análisis de

grandes cantidades de datos no estructurados pueden resultar demasiado complejos, costosos y lentos para
las empresas.

https://www.master-data-scientist.com/que-es-masters-in-data-science/
Resumen
 BigData

¿Qué es?
El Big Data está formado por conjuntos de datos de mayor tamaño y más complejos, especialmente
procedentes de nuevas fuentes de datos. Estos conjuntos de datos son tan voluminosos que el software de
procesamiento de datos convencional sencillamente no puede gestionarlos. Sin embargo, estos volúmenes
masivos de datos pueden utilizarse para abordar problemas empresariales que antes no hubiera sido
posible solucionar.
 BigData

• Volumen. La cantidad de datos importa. Con Big Data, tendrá que procesar grandes volúmenes de datos no
estructurados de baja densidad. Puede tratarse de datos de valor desconocido, como feeds de datos de Twitter,
secuencias de clics en una página web o aplicación móvil, o equipos con sensores. Para algunas organizaciones, esto
puede suponer decenas de terabytes de datos. Para otras, incluso cientos de petabytes.

• Velocidad. La velocidad es el ritmo al que se reciben los datos y (posiblemente) al que se aplica alguna acción. La
mayor velocidad de los datos normalmente se transmite directamente a la memoria, en vez de escribirse en un disco.
Algunos productos inteligentes habilitados para Internet funcionan en tiempo real o prácticamente en tiempo real y
requieren una evaluación y actuación en tiempo real.

• Variedad. Hace referencia a los diversos tipos de datos disponibles. Los tipos de datos convencionales eran
estructurados y podían organizarse perfectamente en una base de datos relacional. Con el auge del Big Data, los
datos se presentan en nuevos tipos de datos no estructurados. Los tipos de datos no estructurados y
semiestructurados, como el texto, audio o vídeo, requieren un preprocesamiento adicional para poder entender su
significado y admitir metadatos.
 BigData

Beneficios
• El Big Data le permite obtener respuestas más completas, ya que dispone de mayor
cantidad de información.

• La disponibilidad de respuestas más completas significa una mayor fiabilidad de los

datos, lo que implica un enfoque completamente distinto a la hora de abordar problemas.
BigData

Utilidades de la Bigdata
• Desarrollo de productos
• Mantenimiento predictivo
• Experiencia del cliente
• Fraude y cumplimiento
• Machine Learning
• Eficiencia operativa
• Impulse la innovación
 Business Intelligence

• Se utilizan para evaluar, optimizar y coordinar las operaciones internas de una compañía.

• El BI abarca todas las tecnologías, aplicaciones y prácticas para recolectar, integrar y analizar
la información sobre el rendimiento y las finanzas para que, a partir de ese análisis, se puedan
tomar decisiones para mejorar sus procesos actuales.

• El BI examina los datos que se reportan en un formato que puede interpretarse de manera
clara y rápida.

• Los paneles de control en tiempo real, por ejemplo, son un mecanismo de visualización muy
útil, pues gracias a ellos los administradores pueden generar reportes integrales y
precisos que contienen datos relevantes y procesables para tomar acción dentro de la
compañía.
 Business Analytics

• Analiza datos y genera tableros visuales.

• La gran diferencia radica en el enfoque del análisis de los datos. El BA generalmente

implica análisis estadístico y de modelos predictivos para establecer tendencias, averiguar por
qué suceden las cosas y hacer una estimación informada sobre cómo se desarrollarán las
cosas en el futuro.

• BA usa análisis predictivo para resolver problemas antes de que ocurran.

 Fuente de la información

• Oracle
• https://www.master-data-scientist.com/que-es-masters-in-data-science/
• https://www.genwords.com/blog/deep-learning
 Actividad Páctica

• Buscar ejemplos donde se ocupe lo visto anteriormente y responder:

• ¿Cuál es el impacto en la organización?

• ¿Qué problemas visualizan con el uso de esta tecnología?

• ¿Donde ocuparía Ud. estos conceptos en su vida profesional?