El auge de las máquinas: la próxima gran revolución tecnológica

El potencial del aprendizaje automático para revelar información oculta en los datos es asombroso y ya forma parte de nuestra vida cotidiana.

Sin embargo, como reflexiona en este post Michiel Brinkers, Director Técnico de MediaMonks, sus posibilidades están aún en gran medida inexploradas. Aquísu opinión sobre lo que el aprendizaje automático puede significar para la producción digital creativa en el futuro y los retos que hay que superar para conseguirlo

Vienen a por nosotros, ¿o no?

Para quienes no estén familiarizados con el aprendizaje automático, se trata de un tipo de algoritmo que aprende de los patrones de los datos y, basándose en lo aprendido, puede reconocer y predecir patrones similares en nuevos datos. Es una aplicación de la inteligencia artificial.

La tecnología evoluciona a un ritmo vertiginoso y cada pocas semanas se publica una nueva API, un artículo o un prototipo, lo que eleva continuamente el listón. Actualmente, la mayor parte de la investigación en ML la desarrollan las grandes empresas tecnológicas como Google, IBM, Amazon y Microsoft. Todas ellas llevan años investigando en ML y recientemente Facebook también ha dado pasos de gigante.

También trabajan mucho las universidades, los grupos de investigación independientes y los desarrolladores individuales. Y a través de la colaboración de Partnership on AI, así como de proyectos de código abierto, las empresas tecnológicas emergentes están trabajando junto a toda clase de ingenieros y tecnólogos creativos para hacer avanzar este campo.

¿Qué nos lo impide?

El primer reto al que nos enfrentamos es que los modelos, que contienen toda la información necesaria para clasificar los datos, son difíciles de crear. Se necesitan miles de puntos de datos de entrada clasificados para crear un modelo, y a menos que un cliente ya disponga de los datos adecuados, es difícil conseguirlos. Sin embargo, la buena noticia es que no siempre es necesario crear un modelo completamente nuevo. Utilizar un sistema existente, como la API Google Vision, puede ser preferible desde el punto de vista del tiempo, el coste y las funciones. Por lo tanto, las decisiones inteligentes en el enfoque creativo normalmente pueden cubrir cualquier deficiencia.

El segundo reto es la corrección de errores. El ML puede ser una especie de caja negra, e incluso los científicos a menudo sólo son capaces de especular sobre su funcionamiento interno. Esto significa que la corrección de errores es un reto importante y muy diferente de la programación normal. No se trata simplemente de cambiar unas pocas líneas de código, sino que es necesario iniciar un nuevo ciclo de pruebas, errores y descubrimientos para desarrollar el modelo adecuado.

El último reto es que tenemos que aprender a diseñar teniendo en cuenta el ML. Aunque los porcentajes de éxito de los resultados pueden ser impresionantes, no son perfectos. Por ejemplo, la lectura de labios humana tiene una tasa de éxito probada de alrededor del 20%, mientras que ML tiene una tasa de éxito del 50%. Por lo tanto, si queremos crear una campaña en torno a esto, tenemos que encontrar una solución para el 50% restante.

Con el aprendizaje automático tenemos que llevar al usuario por un viaje y ayudarle a entender lo que está pasando. No debería ser una experiencia binaria si queremos que sea impactante, y tiene que haber espacio para el error integrado en el concepto. Para resolver este problema tenemos que ser creativos con las herramientas de que disponemos e idear soluciones alternativas inteligentes que no rompan el compromiso del usuario.

Mirando al futuro

Para los profesionales del marketing, el ML puede integrarse en multitud de puntos de contacto, como las redes sociales, las pantallas DOOH, las plataformas y los sitios de campañas, y puede desempeñar un papel importante que influya en el proceso de toma de decisiones del consumidor.

Algunas posibilidades incluyen el uso del reconocimiento de objetos para que una marca pueda reconocer tipos de productos de la competencia y mostrar al usuario un producto equivalente en su gama. O utilizar el reconocimiento de voz para desarrollar una interfaz de usuario conversacional o sitios web controlados por voz.

Para las agencias digitales, las oportunidades residen en implementar de forma creativa las soluciones de aprendizaje automático aplicado disponibles, como Google Vision API, TensorFlow, IBM Watson, Microsoft Cognitive Services y API.ai. Estamos viendo un enorme potencial para clientes y usuarios, y estamos particularmente entusiasmados con:

• Reconocimiento de objetos: Google Vision, Cloud Video Intelligence, segmentación de imágenes, ayudar a los ciegos a ver fotos.
• Reconocimiento de voz: sistemas domóticos, sitios web y aplicaciones móviles.
• Procesamiento del lenguaje: Comprensión del lenguaje natural y detección de emociones en texto.
• Reconocimiento de gestos
• Manipulación de redes neuronales: Deep Dream, Google Arts & Culture Experiments.

A través de la prueba, el error y el despliegue, aquí en MediaMonks estamos trabajando con investigadores líderes para explorar el potencial de ML y cómo podemos construir soluciones a escala. Estamos pasando rápidamente del "creemos que esto es posible" al "sabemos que esto es posible".

¿Podemos construir experiencias serendípicas mediante el uso de algoritmos predictivos? ¿Podemos reconocer las tendencias de la moda basándonos en Instagram y en lo que lleva la gente por la calle? ¿Podemos crear conciencia detectando el ciberacoso? ¿Podemos reconocer especies en peligro de extinción que se venden en un mercado?

Los informes de clientes que antes estaban fuera de nuestro alcance se están convirtiendo de repente en una realidad y estamos entusiasmados. El aprendizaje automático nos permitirá, a nosotros y a otros, crear los trabajos digitales más cautivadores de los últimos años. Atentos a este espacio..

Este artículo apareció originalmente en HuffPost el 15 de mayo de 2017.