En el mundo de los negocios, y en la vida en general, mejorar constantemente las posibilidades de determinar un resultado tiene una clara ventaja. Un ejemplo simple de este concepto en acción es el uso de análisis predictivo para proporcionar retroalimentación sobre la efectividad de las campañas de marketing o de sensibilización. Al correlacionar factores como las respuestas de las personas a las ofertas, los mensajes, los costos y los efectos de la estacionalidad pronto comenzarán a surgir patrones. Estos patrones proporcionan pistas sobre las causas y los efectos que, en última instancia, ayudarán a tomar mejores decisiones.
Los humanos son criaturas de hábitos, el comportamiento pasado es un fuerte indicador del comportamiento futuro. El análisis predictivo y el aprendizaje automático pueden ayudar a capitalizar estos principios clave ayudando a que el comportamiento pasado sea más claro y más fácil de rastrear, de modo que sea más probable que los futuros esfuerzos de determinar un resultado futuro logren mayores tasas de éxito.
En la presente y siguientes publicaciones solo veremos los conceptos básicos de lo que necesitamos saber para aprovechar y entender las ventajas que nos ofrece en Azure ML. No vamos a detallar cada concepto relacionado con la ciencia de datos o cada técnica avanzada del aprendizaje automático. Vale mencionar que antes de mandar algo a producción, sí es necesario tener una comprensión firme de las teorías sobre las cuales se construyen las diferentes herramientas, metodologías y conceptos del análisis predictivo. Esto nos permitirá tomar mejores elecciones y decisiones sobre las fuentes de datos, los resultados obtenidos y cuál debe ser el proceso o el enfoque correcto para alcanzar nuestros objetivos.
Flujo de trabajo de alto nivel de Azure Machine Learning Studio
Azure ML Studio se caracteriza por la habilidad de rápidamente poder crear "experimentos" de aprendizaje automático, evaluarlos para determinar su precisión y luego "fallar rápido" para acortar los ciclos y generar un modelo de predicción útil.
El siguiente patrón repetible de pasos de flujo de trabajo describe el proceso básico de creación de las soluciones de Azure ML Studio:
Ahora, familiaricémonos con los conceptos expuestos en el anterior gráfico:
- Definir objetivos, recolectar datos y preparar datos. Aquí respondemos la pregunta sobre qué queremos encontrar para identificar todos los factores involucrados y adquirir los conjuntos de datos necesarios, seguido de ellos tenemos que sanar la información y darle la organización adecuada para la creación de modelos predictivos.
- Desarrollar modelo y entrenar modelo. Aquí es donde empleamos los algoritmos de aprendizaje automático para crear nuevos modelos que sean capaces de hacer predicciones basadas en inferencias sobre los conjuntos de datos.
- Analizar/Evaluar. Examinamos la precisión de los nuevos modelos predictivos basados en la capacidad de predecir el resultado correcto. Aquí debemos comparar, contrastar y combinar modelos predictivos alternativos para encontrar la combinación o combinaciones correctas que puedan producir los resultados más precisos de manera consistente.
- Publicar el modelo. Exponemos el nuevo modelo predictivo como un servicio web en la nube para que sea fácilmente accesible y podamos usarlo a conveniencia.
- Monitorear u operar el modelo. Luego de implementar el nuevo modelo predictivo como servicio web en un escenario de prueba o de producción, agregamos bucles de retroalimentación manuales o automáticos para la mejora continua del modelo al capturar los detalles apropiados cuando se realizan predicciones precisas o inexactas.
A continuación, nos toca hablar un poco más sobre las categorías de los algoritmos de aprendizaje automático de la mano de Azure ML, pero por lo pronto aquí acaba esta publicación.
ENLACES DE INTERES
¿Qué es la Ciencia de Datos?
https://www.youtube.com/watch?v=Q5PWla7Nteg
El proceso de la Ciencia de Datos
https://www.youtube.com/watch?v=EPfY1XDv0F4
No hay comentarios.:
Publicar un comentario