“Dios no juega a los dados con el universo”, es una de las citas más famosas de Albert Einstein.
Einstein hacía referencia a la mecánica cuántica, rama de la física que estudia el comportamiento de las partículas muy pequeñas (a nivel atómico y subatómico), y que nunca llegó a aceptar. Lo más sorprendente de la mecánica cuántica es que propone que a nivel atómico todo se rige por probabilidades; no es posible calcular con certeza ningún estado.
Y este es un planteamiento totalmente opuesto al de la mecánica clásica, que es determinista. Es decir, sostiene que, si se tienen todos los datos y se conocen las leyes que lo rigen, cualquier resultado es medible y predecible. Para todo resultado existe previamente una causa explicable (causa-efecto). Un ejemplo es la fórmula de la segunda Ley de Newton que todos conocemos: Fuerza = Masa x Aceleración.
La informática “tradicional” se basa en este determinismo. Si conoces las reglas (leyes, o fórmulas), las puedes escribir en código informático, lo que se llama un algoritmo. Y si tienes todos los datos que necesita el algoritmo, lo que se conoce como las variables, puedes calcular un resultado de forma precisa. Sin lugar al error.
Fuente imagen: Fisimat
Es lo que utilizaron en las olimpiadas de Tokyo 2020 para programar un robot que lanzaba tiros de baloncesto. Encestó 2020 veces seguidas; ni un solo fallo. Al fin y al cabo, la fórmula del tiro parabólico es bien conocida (Leyes de Newton). No es fácil hacer los cálculos porque intervienen muchas variables, además de las conocidas y fijas como la altura y distancia de la canasta, también influyen la gravedad (que depende de la altitud), densidad del aire, presión atmosférica, rozamiento del aire, peso y forma del balón, e incluso la rotación de la Tierra, entre otras.
¿Y qué pasa si no tenemos todas variables, o no conocemos la fórmula?
Es entonces cuando entra en juego la Inteligencia Artificial (AI), y al igual que con la mecánica cuántica, a lo máximo que podemos aspirar es a calcular la probabilidad de que un hecho ocurra. Es lo que sucede cuando queremos predecir el comportamiento de nuestros clientes. No existe una regla para adivinarlo con exactitud. Pero lo que sí tenemos son muchos muchos muchos datos sobre el comportamiento de otros clientes en el pasado. Tenemos los datos, pero desconocemos la fórmula.
Utilizando la Inteligencia Artificial podemos intentar averiguar la regla. Aunque al final a lo máximo que llegaremos es a una aproximación, a una probabilidad.
¿Y cómo se hace?
En los modelos de AI no supervisados, una de las técnicas utilizadas es la del Clustering. Agrupamos los datos en conjuntos, de forma aleatoria, y estudiamos estos grupos para identificar alguna “señal” (insight) que tenga sentido. ¿En qué se parecen los datos de un mismo grupo?; ¿En qué se diferencian de los del otro grupo?. Y si no encontramos una relación o sentido (un patrón), entonces lanzaremos los dados otra vez.
Es decir, volveremos a agrupar aleatoriamente los datos en conjuntos, y otra vez los analizaremos. Y así, repetiremos agrupando aleatoriamente (lanzando los dados) hasta que encontremos algún tipo de regla, relación o patrón entre los grupos.
Esta técnica de AI no supervisada es utilizada por las empresas, por ejemplo, para poder crear mejores perfiles de los clientes y sus hábitos de compra, y así poder enviarles mensajes comerciales más personalizados que mejoren la probabilidad de compra.
Es el caso de las recomendaciones de productos. Con los miles y miles de datos que tienen de los clientes, y sus anteriores compras la Inteligencia Artificial los va agrupando hasta que encuentra una “posible” relación entre 2 diferentes grupos.
Simplificando mucho, un caso sería el de un “grupo A” formado por clientes que compran material deportivo de gama media-alta, y consumen suplementos nutricionales. Y, por otro lado, tendríamos el “grupo B” formado por clientes que compran comida bio, y consumen tratamientos de bienestar y salud.
Es posible analizar semánticamente los dos tipos de consumo y llegar a la conclusión de que ambos grupos, aunque compran diferentes productos, tienen intereses comunes relativos a la salud por lo que los productos y servicios que compra un grupo tienen mayor probabilidad (no certeza) de que sean de interés también para el otro grupo. No hace falta decir que, en la realidad, estos análisis son mucho más complejos, con más grupos y más variables.
La AI no supervisada es utilizada también para otros usos, como por ejemplo la detección de fraudes. La lógica es similar, segmentar a los clientes en grupos distintos e identificar algún tipo de regla entre ellos. En este caso sería detectar una diferencia de comportamiento entre el grupo que realiza un uso correcto de la tarjeta de crédito, y otro grupo en el que el uso de la tarjeta está fuera de lo habitual por lo que surge la sospecha de que hay un fraude en curso.
En la computación “tradicional” conocemos las reglas y tenemos todos los datos, y obtenemos resultados precisos. La Inteligencia Artificial la utilizamos cuando no tenemos todos los datos, o no conocemos las reglas (o sólo parte de ellas), y el resultado que obtendremos es siempre una predicción, es decir, la probabilidad de que algo ocurra, pero nunca una seguridad.
