Tag: procesamiento del lenguaje natural
El próximo mes de febrero, la asociación Insights + Analytics organiza el curso «Inteligencia Artificial aplicado a la investigación, análisis de datos e insights», entre los días 16, 18, 23 y 25 de febrero de 16.00 a 18.00 (España).
Este curso está destinado a profesionales de investigación de mercados, social, opinión, Data Science y departamentos de Insights. Su objetivo es aportar una introducción a las utilidades y desarrollos de la Inteligencia Artificial, para mejorar el conocimiento de los decisores de marketing y de investigación.
Durante estos cuatro días, los asistentes podrán adquirir:
- Metodologías que se emplean actualmente para lograr el éxito en un proyecto de Inteligencia Artificial, Machine Learning y Deep Learning
- Metodologías empleadas en la medición y optimización del ROI: Marketing Mix Modeling, MultiTouch Attribution y Experimentos
- Técnicas que se emplean para hacer predicciones de negocio, explorando la capacidad predictiva y explicativa de cada una de ellas.
- Cómo el Big Data puede utilizarse para definir la estrategia de expansión geográfica de una compañía.
- Técnicas de Procesamiento del Lenguaje Natural y de Procesamiento de Imágenes.
Para más información, puedes descargarte el programa del curso.
Docentes del curso:
- Carlos Real. Senior Manager en Deloitte y está especializado en algoritmos de Inteligencia Artificial aplicados al Marketing, CRM y RRHH.
- Antonio Gázquez. Senior Consultant en el área de Analytics & Cognitive de Deloitte y está especializado en proyectos de Experiencia de cliente, People Analytics o Imagen de marca, entre otros.
- Alba Casero. Gerente del Área de marca y Comunicación en Orange, liderando el equipo de medios digitales branding y un nuevo proyecto de medición y optimización del ROI.
- Álvaro de Gracia. Fundador y Director General en Abacus Consulting, cuya principal actividad es el modelado de datos de componente geográfica y el desarrollo de aplicaciones de visualización.
- Jaime Martel. CEO de ITELLIGENT. Presidente del SC42 de la norma UNE – Inteligencia Artificial y Big Data. Miembro de: la Junta Directiva del Smart City Cluster, la comisión de IA y Smart Cities de AMETIC y del grupo de trabajo Industria 4.0 del Colegio de Ing. Industriales de Andalucía Occ.
Modera: Miguel Cervantes, Vocal de Formación en la Junta Directiva de Insights + Analytics.
Sobre los organizadores: Insights + Analytics (I+A)
I+A es el resultado de la integración de las dos asociaciones de referencia en el sector de la investigación de mercados, AEDEMO y ANEIMO. Ambas, con una larga trayectoria a sus espaldas:
- AEDEMO, como asociación de profesionales de la investigación, creada en 1968 y con más de 50 años de actividad.
- ANEIMO, como asociación de empresas, en activo desde 1978.
El objetivo de I+A es impulsar el importante rol que la investigación de mercados tiene en el conocimiento de los consumidores y la sociedad. I+A es un reflejo de la realidad del sector, que cada vez agrupa más áreas de conocimiento: insights, analytics, big data, business intelligence, behavioural data, biometric data, virtual technniques, etc. La investigación cada vez abarca más ámbitos y más players. Visita su web en: ia-espana.org
- ALGORITMO. En Ciencias de la Computación, un algoritmo es un conjunto de pasos para realizar una tarea. En otras palabras, una secuencia lógica y con instrucciones que forman una fórmula matemática o estadística para realizar el análisis de datos.
- ANÁLISIS DE SENTIMIENTO. El análisis de sentimiento se refiere a los diferentes métodos de lingüística computacional que ayudan a identificar y extraer información subjetiva del contenido existente en el mundo digital. Gracias al análisis del sentimiento, podemos ser capaces de extraer un valor tangible y directo, como puede ser determinar si un texto extraído de la red Internet contiene connotaciones positivas o negativas.
- ANÁLISIS PREDICTIVO. El análisis predictivo pertenece al área de la Analítica Empresarial. Se trata de utilizar los datos para determinar que puede pasar en el futuro. La AP permite determinar la probabilidad asociada a eventos futuros a partir del análisis de la información disponible (presente y pasada). También permite descubrir relaciones entre los datos que normalmente no es detectada con un análisis menos sofisticado. Técnicas como la minería de datos (data mining) y los modelos predictivos son utilizados.
- ANALÍTICA EMPRESARIAL. La Analítica Empresarial comprende los métodos y las técnicas que se utilizan para recopilar, analizar e investigar el conjunto de datos de una organización, lo cual genera conocimiento que se transforma en oportunidades de negocio y mejora la estrategia empresarial. AE permite una mejora en la toma de decisiones ya que éstas se basan en la obtención de datos reales y tiempo real y permite conseguir objetivos empresariales a partir del análisis de estos datos.
- BIG DATA. Actualmente nos encontramos en un entorno en el que cada día se generan trillones de bytes de información. A esta enorme cantidad de datos producidos día a día, la denominamos Big Data. El crecimiento de los datos provocados en Internet y otras áreas (Ej. Genómica) hacen necesarias nuevas técnicas para poder acceder y utilizar estos datos. Al mismo tiempo estos grandes volúmenes de datos ofrecen nuevas posibilidades de conocimiento y nuevos modelos de negocio. En particular, en Internet, este crecimiento comienza con la multiplicación en el número de webs comenzando los buscadores (ej. Google) a buscar nuevas formas de almacenar y acceder a estos grandes volúmenes de datos. Esta tendencia (blogs, redes sociales, IoT …) está provocando la aparición de nuevas herramientas de Big Data y la generalización de su uso.
- BUSINESS ANALYTICS (Analítica Empresarial). La Analítica Empresarial o Business Analytics permite conseguir los objetivos empresariales, a partir del análisis de datos. Básicamente permite detectar tendencias y realizar pronósticos a partir de modelos predictivos y utilizar estos modelos para optimizar los procesos de negocio.
- BUSINESS INTELLIGENCE (Inteligencia de Negocio). Otro concepto relacionado con la AE es la Inteligencia Empresarial (IE) centrada en el uso de los datos de una empresa para facilitar también la toma de decisiones y anticipar acciones empresariales. La diferencia con la AE es que la IE es un concepto más amplio, no solo se centra en el análisis de datos sino que éste es un área dentro de la IE. Es decir, la IE se trata de un conjunto de estrategias, aplicaciones, datos, tecnología y arquitectura técnica entre las que se encuentra la AE; y todo ello, enfocado a la creación de nuevo conocimiento a través de los datos existentes de la empresa
- DATA MINING o minería de datos. Data Mining (minería de datos) es también conocida como Knowledge Discovery in database (KDD). Es comúnmente definida como el proceso para descubrir patrones útiles o conocimientos a partir de fuentes de datos tales como Bases de Datos, textos, imágenes, la web, etc. Los patrones deben ser válidos, potencialmente útiles y entendibles. La minería de datos es un campo multidisciplinar que incluye: aprendizaje automático, estadísticas, sistemas de base de datos, inteligencia artificial, Information Retrieval, visualización de la información, … El objetivo general del proceso de minería de datos consiste en extraer información de un conjunto de datos y transformarla en una estructura comprensible para su uso posterior.
- DATA SCIENCE. La oportunidad que los datos ofrecen para generar nuevo conocimiento requiere de técnicas sofisticadas de preparación de estos datos (estructuración) y análisis de los mismos. Así en Internet, sistemas de recomendación, traducción automática y otros sistemas de Inteligencia Artificial se basan en técnicas de Data Science o Ciencia de datos.
- DATA SCIENTIST. El data scientist, como su propio nombre indica, es un experto en la Ciencia de Datos (Data Science). Su trabajo se centra en extraer conocimiento a partir de grandes volúmenes de datos (Big Data) extraídos de diversas fuentes y múltiples formatos para dar respuesta a las cuestiones que se planteen.
- DEEP LEARNING o aprendizaje profundo es una técnica dentro del machine learning basado en arquitecturas neuronales. Un modelo basado en deep learning puede aprender a realizar tareas de clasificación directamente a partir de imágenes, texto o sonido, etc. Sin necesidad de intervención humana para la selección de características, esto se puede considera la principal característica y ventaja del deep learning, llamada “feature discovering”. Pueden, además, poseer una precisión que supera al ser humano.
- GEOMARKETING. El análisis conjunto de los datos demográficos, económicos y geográficos posibilita estudios de mercado para rentabilizar las estrategias de marketing. El análisis de este tipo de datos se puede llevar a cabo a través del Geomarketing. Tal como su propio nombre indica, Geomarketing es una confluencia entre geografía y marketing. Se trata de un sistema integrado de información -datos de diversa índole-, métodos estadísticos y representaciones gráficas orientados a dar respuestas a cuestiones de marketing de forma rápida y sencilla.
- INTELIGENCIA ARTIFICIAL. En computación se trata de programas o bots diseñados para realizar determinadas operaciones que se consideran propias de la inteligencia humana. Se trata de hacer que éstos sean tan inteligentes como un humano. La idea es que perciban su entorno y actúen en base a ello, centrado en el auto-aprendizaje, sean capaces de reaccionar ante nuevas situaciones.
- INTELIGENCIA ELECTORAL. Este nuevo término “Inteligencia Electoral (IE)” es la adaptación de modelos matemáticos y de Inteligencia Artificial a las peculiaridades de una campaña electoral. El objetivo de esta inteligencia es la obtención de una ventaja competitiva en los procesos electorales, ¿sabes cómo funciona?
- INTERNET OF THINGS (IoT). Este concepto, Internet de las Cosas, fue creado por Kevin Ashton y hace referencia al ecosistema en el que los objetos cotidianos están interconectados a través de Internet.
- MACHIEN LEARNIN (Aprendizaje automático). Este término hace referencia a la creación de sistemas a través de la Inteligencia Artificial, donde lo que realmente aprende es un algoritmo, el cual supervisa los datos con la intención de poder predecir comportamientos futuros.
- MINERÍA WEB. La minería web tiene como objeto descubrir información útil o el conocimiento (KNOWLEDGE) procedente de la estructura de hipervínculo web, contenido de la página y datos de usuario. Aunque la minería web utiliza muchas técnicas de minería de datos, no es meramente una aplicación de técnicas de minería de datos tradicionales, debido a la heterogeneidad y la naturaleza semi-estructurada o no estructurada de los datos de la web. La minería web o web mining comprende una serie de técnicas encaminadas a obtener inteligencia a partir de datos procedentes de la web. Aunque las técnicas utilizadas tienen su raíz en las técnicas de data mining o minería de datos, presentan características propias debido a las particularidades que presentan las páginas webs.
- OPEN DATA. El Open Data es una práctica que tiene la intención de disponer de unos tipos de datos de forma libre para todo el mundo, sin restricciones de derecho de autor, patentes u otros mecanismos. Su objetivo es que estos datos puedan ser consultados, redistribuidos y reutilizados libremente por cualquiera, respetando siempre la privacidad y seguridad de la información.
- PROCESAMIENTO DEL LENGUAJE NATURAL (PLN). Del procesamiento conjunto de la ciencia computacional y la lingüística aplicada, nace el Procesamiento de Lenguaje Natural (PLN o NLP en inglés), cuyo objetivo no es otro que el de hacer posible la compresión y procesamiento asistidos por ordenador de información expresada en lenguaje humano, o lo que es lo mismo, hacer posible la comunicación entre personas y máquinas.
- PRODUCT MATCHING. El Product Matching es un área perteneciente a Data Matching o Record Linkage encargada de identificar automáticamente aquellas ofertas, productos o entidades en general, que aparecen en la web procedente de diversas fuentes, aparentemente de forma distinta e independiente, pero que hacen referencia a una misma entidad real. En otras palabras, el proceso de Product Matching consiste en relacionar para distintas fuentes aquellos productos que son el mismo.
Antes del auge Big Data e Inteligencia Artificial (IA), las técnicas de marketing se sostenían en «casi conjeturas» gracias a las investigaciones de mercado offline pero que no siempre reflejaban lo que realmente querían los consumidores al 100%. De ahí que digamos «conjeturas», como una aproximación o estimación probable. Sin embargo, actualmente, gracias a las nuevas tecnologías inteligentes y al mundo Social Media, las marcas pueden eliminar estas «conjeturas» e incorporar comentarios reales de los consumidores a sus estudios de mercado para obtener una ventaja competitiva.
Por otro lado, existe una nueva generación, los Millennials, que están acostumbrados a trabajar con bots desde realizar una queja a través de chatbots hasta tener «meets» con bots (ej. citar a un coche Uber). Por lo que no sorprende que esta generación quieran que estos bots los ayuden a elegir un atuendo, un coche o una escapada de fin de semana. Ya sean recomendaciones de Amazon impulsadas por la Inteligencia Artificial que revolucionan la cadena de productos o que toda la industria publicitaria se ajuste a los algoritmos de Google y Facebook, que la Inteligencia Artificial ha estado moldeando el espacio online más que cualquier otra tecnología.
Una nueva generación que requiere nuevas soluciones: IA & Seamless Consumer Experience
La solución es simple de explicar pero difícil de ejecutar: hacer que la experiencia de consumo online sea tan parecida como estar en una tienda física o frente una persona real. El ingrediente que falta aquí es una voz: una voz en sentido figurado, que los consumidores deben escuchar sus deseos y necesidades; una voz en sentido literal, que los consumidores deben poder usar el lenguaje para dirigir su experiencia de compra; y una voz en sentido práctico, que las marcas deben utilizar un tono claro.
Un ejemplo claro de todo esto es Starbucks. La app de la compañía -en EE.UU- permite a los clientes usar su propio «Natural Language» para hacer su pedido antes de llegar a la tienda. Como Starbucks sabe, la idoneidad es clave, y el Procesamiento del Lenguaje Natural permite que los pedidos sean personales y fácil de hacer.
A este tipo de soluciones se les llama Seamless Consumer Experience. Se trata de un concepto focalizado en el usuario y cuyo objetivo es hacer que éste obtenga su experiencia en el consumo de un producto o marca de forma sencilla, transparente y sin interrupciones (ej. colas de espera).
La Inteligencia Artificial no va a reemplazar a las personas, pero debería ayudarnos a trabajar de manera más efectiva y eficiente. Por ejemplo, cuando el consumidor interactúa con un agente virtual, es fácil infundirle una tonelada de información personal sobre él, y puede actuar sobre esa información rápidamente. Si se le proporciona esta misma información a un agente call center, solo hay una cantidad de datos que pueden procesar sin dejar de responder al cliente.
Por tanto, estas tecnologías inteligentes puede ayudar a personalizar y abordar las preocupaciones individuales de manera mucho más rápida y eficiente que las personas, y los escenarios más complejos serán aquellos en los que comience a buscar la intervención humana en combinación con la Inteligencia Artificial. Todo el mundo quiere una interacción fácil, sin fricciones, similar a la de Amazon, Starbuck, … y eso se está convirtiendo rápidamente en una apuesta para las expectativas de los clientes. La IA puede ayudar a que las empresas lleguen allí donde el ser humano no puede.
Tanto la Inteligencia Artificial, Procesamiento del Lenguaje Natural, Machine Learning… son, probablemente, las tecnologías más predominantes en la actualidad ya que la mayoría de las marcas se centran en mejorar la experiencia del cliente (customer experience), crear interacciones con el cliente más fluidas y sin problemas (seamless) y optimizar sus resultados.