[vc_row][vc_column][vc_column_text]Machine Learning ya se ha extendido a tantos aspectos de la vida cotidiana que puede ser útil mencionar un conjunto de ejemplos con su impacto en ciertas industrias. Por ejemplo, podríamos pensar en la detección de fraude como el ejemplo canónico de Machine Learning en el sector financiero. O podríamos pensar en el enfoque cognitivo de Watson para la oncología como el ejemplo canónico de Machine Learning en el cuidado de la salud. O, una vez más, podríamos mencionar a los motores de recomendación de Netflix y Amazon como ejemplos canónicos de Machine Learning en el comercio minorista.
Ciertamente, esas son tremendas demostraciones del poder de la tecnología, y en conjunto, dan una sensación de presencia omnipresente de Machine Learning en el día a día. Pero la conveniencia de los ejemplos de referencia puede tener un costo. En particular, citar los mismos ejemplos prácticos podría evitar que notemos gran diversidad de casos de uso de Machine Learning dentro de sectores individuales.
Esta será la primera de un conjunto de publicaciones cuyo objetivo es conocer más casos relacionados a lo que Machine Learning está haciendo posible en sectores específicos: mirar más allá del conjunto de casos que siempre se mencionan.[/vc_column_text][/vc_column][vc_column][vc_single_image image=»1760″ img_size=»full» alignment=»center»][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]
1. Machine Learning en la protección del medio ambiente
Al igual que cualquier sector comercial, el gobierno está bajo presión constante para hacer más con menos, para servir a más electores de manera más efectiva y más inteligente. Eso incluye a las agencias encargada de la protección ambiental como el DCMR Milieudienst Rijnmond, que lucha contra la contaminación, los desechos y otras amenazas ambientales para la región que rodea Rotterdam en Holanda.
Combinando software de IBM Analytics, una sólida asociación con la firma holandesa de seguridad DataExpert, y un conjunto de sensores remotos, el equipo podría usar el aprendizaje automático para ayudar a identificar y evaluar los peligros ambientales en tiempo real y clasificar los peligros por gravedad y urgencia. Al detectar y evaluar las amenazas ambientales de forma algorítmica, el sistema puede identificar los riesgos clave y la falta de cumplimiento. Automatizar y mejorar ese aspecto de su trabajo puede darle al DCMR más tiempo y energía para otras acciones que podrían impulsar la seguridad pública.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]
2. Machine Learning y seguridad laboral para los belgas
En el mismo rincón de Europa, una agencia vocacional y de empleo llamada VDAB se esfuerza por brindar a los trabajadores de la región belga de Flandes la información y los recursos que necesitan para encontrar y mantener el trabajo. Afortunadamente, el desempleo en Bélgica está cayendo, del 8.2% al 6.8% en el último año, pero incluso en el 6.8%, hay claramente más trabajo que hacer.
Uno de los objetivos clave de la agencia es reducir la duración del desempleo para los trabajadores jóvenes, al mismo tiempo que se encuentran maneras de dirigir recursos limitados donde realmente se necesitan. La solución de Machine Learning: un modelo ML creado por IBM Global Business Services que procesa los datos del pasado para predecir la duración del desempleo de cada persona que busca trabajo. Al centrar la atención en los jóvenes belgas en mayor riesgo, la agencia puede hacer más para interrumpir los patrones de desempleo y comenzar pasos de auto-refuerzo hacia la seguridad laboral: un beneficio a largo plazo para la economía en general.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]
3. Machine Learning en la lucha por alimentar a los jovenes
En la mitad del mundo, encontramos al Instituto Colombiano de Bienestar Familiar, una organización de bienestar infantil y familiar que trabaja a nivel nacional en Colombia para la prevención y protección de la primera infancia, la infancia, la adolescencia y el bienestar de las familias. Con un presupuesto ajustado, la organización aún logra llegar a más de ocho millones de colombianos con sus programas y servicios.
Entre esos ocho millones, 38,730 en 2016 fueron niños desnutridos que recibieron 29,552 raciones de alimentos de emergencia y más de cinco millones de suplementos dietéticos. Ese trabajo no sucedió por accidente. Detrás de escena, la empresa analítica Infórmese utilizó IBM SPSS Modeler para proporcionar análisis predictivos y capacidades de micro-focalización que optimicen la distribución de ayuda a las áreas más pobres y más remotas de Colombia.
Los gobiernos y sus agencias en todo el mundo están usando el aprendizaje automático a nivel nacional y local para hacer algo más que procesar declaraciones de impuestos o hacer que los autobuses lleguen a tiempo. Pongamos estos tres ejemplos nuevos y sigamos buscando nuevas formas de aplicación de Machine Learning.
Este artículo esta basado en Top 10 Machine Learning Use Cases (Part 1)[/vc_column_text][/vc_column][/vc_row]
