La Cámara Argentina de Fintech realizó una capacitación sobre las aplicaciones y los límites del Machine Learning (ML), un término cada vez más resonante dentro del mundo disruptivo, que tiene que ver con poder predecir comportamientos en base a estadística.
El pasado viernes 22 de junio, 100% SEGURO, estuvo presente en el workshop – realizado en la torre We Work Bellini- el cual contó con la participación de dos especialistas de Machinalis, empresa cordobesa que brinda productos y soluciones de Machine Learning al mercado latinoamericano.
Ariel Wolfman, quien se desempeña como Data Scientist y Antonio Roque Safadi, Marketing Manager, comentaron que dicha tecnología puede utilizarse para detectar fraudes, agilizar procesos de datos u ofrecerle al cliente un producto/ servicio de acuerdo a sus patrones de comportamiento. En relación a este último punto, mencionaron que el gigante Netflix utiliza ML para redireccionar contenidos de acuerdo a las preferencias de los usuarios.
Según los expertos, una de las claves es contar con bases de datos de buena calidad. Además, ahondaron sobre los conceptos elementales del Machine Learning, tratándose el primero del aprendizaje supervisado – datos con una etiqueta validada por un humano- donde se conoce el valor de la variable a predecir. El segundo tiene que ver con otras formas de aprendizaje, como el aprendizaje no supervisado o supervisado por refuerzo.
Para no generar confusiones, explicaron algunas definiciones cercanas al Maching Learning pero con características distintas:
Big Data: disponibilizar gran volumen de datos
Inteligencia Artificial: emular con computadoras comportamientos puntuales, típicamente humanos.
Deep Learning: subconjuntos de Machine Learning, sin necesidad de definir características. (requiere de un mayor volumen de datos).
Business Intellingence: orientado a reportar eventos del pasado.
Data Mining: detectar patrones en los datos.
Data Science: hacer que los datos se puedan procesar.
Para definir el éxito de un proyecto de Machine Learning, remarcaron la importancia de utilizar métricas, también, conocidas como indicadores de performance o “KPIs”, de tipo:
Offline: Performance del modelo (Precisión, Recall, Accuracy)
Online: atados a indicadores de KPIs (CTR, Conversión)
A su vez destacaron que el proyecto de Maching Learning debe estar ligado a mejorar las métricas del negocio y advirtieron que si ML no está relacionado a un KPIs, es sólo ciencia…
Machine Learning aplicado al mercado asegurador
Machinalis ha trabajado con compañías de seguros en el análisis de fotografías de siniestros, para evaluar la veracidad de los hechos. Cabe destacar que del análisis realizado con ML surge un resultado tentativo, y que es el factor humano el que decide si el siniestro tiene que ser cubierto o no por la aseguradora.
Podemos afirmar, que la clave está en agilizar el procesamiento de datos a través de estadísticas. De esta manera, los recursos humanos no deberían preocuparse por llegar a ser remplazados, sino que continuarán siendo decisivos en la aplicación de los resultados…
