Tag: Machine Learning

seamless-customer-experience

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.

  • Os recomendamos un framework de Machine Learning de código abierto y multi-plataforma para C#
  • ML.NET ofrece la posibilidad de agregar el aprendizaje automático en aplicaciones de .NET, ya sea en escenarios on line o sin conexión

machine learning mlnet

¿Qué es ML.NET?

ML.NET ofrece la posibilidad de agregar el aprendizaje automático en aplicaciones de .NET, ya sea en escenarios on line o sin conexión. Con esta funcionalidad, es posible realizar predicciones automáticas usando los datos disponibles para la aplicación sin tener que estar conectado a una red.

Aprendizaje automático en ML.NET, ¿qué predicciones puede hacer?

Algunos ejemplos del tipo de predicciones que puede hacer con ML.NET son los siguientes: 

  1. Clasificación y categorización. Por ejemplo, clasificar automáticamente los comentarios de clientes en positivos y negativos
  2. Valores continuos de regresión y predicción. Por ejemplo, predecir el precio de la vivienda según el tamaño y la ubicación
  3. Detección de anomalías. Por ejemplo, detectar fraudes en transacciones bancarias
  4. Recomendaciones. Por ejemplo, realizar sugerencias de productos al consumidor on line en función de sus compras anteriores

ML.NET ofrece Model Builder (una herramienta de interfaz de usuario simple) y ML.NET CLI para que sea muy fácil crear modelos de aprendizaje automático personalizados. Estas herramientas utilizan Automated ML (AutoML), una tecnología de vanguardia que automatiza el proceso de creación de modelos con el mejor rendimiento para su escenario de Machine Learning. Lo único que se necesita es cargar tus dato y AutoML se encarga del resto del proceso de construcción del modelo.

¿En qué se caracteriza ML.NET?

  • Extendido con TensorFlow y otros..  ML.NET ha sido diseñado como una plataforma extensible para que se pueda consumir otros framework de aprendizaje automático populares tales como TensorFlow, ONNX, Infer.NET, entre otros; y tener acceso a más escenarios de machine learning, como clasificación de imágenes, detección de objetos, etc.
  • Alto rendimiento y precisión. Utilizando un conjunto de datos de revisión de Amazon de 9GB, ML.NET entrenó un modelo de análisis de sentimientos con un 95% de precisión. Otros framworks de aprendizaje automático populares no pueden procesar el conjunto de datos debido a errores de memoria. La capacitación en el 10% del conjunto de datos, para permitir que todos los framworks completen la capacitación, ML.NET ha supuesto la mayor velocidad y precisión.

¿Quieres saber más? Puedes consultar todos los tutoriales, ejemplos de código, referencia de API y otra documentación en la web de docs.microsoft.com

Actualmente, miles de millones de productos se venden online y existen numerosas plataformas e-commerce que los venden. Identificar y combinar determinados productos para diversos fines, como para la comparación de precios, se convierte en un desafío para el sector del comercio electrónico, ya que no existen identificadores únicos y globales para cada producto. En este punto es donde entra en juego la Inteligencia Artificial y el Machine Learning.

Existen diversos portales webs enfocados a la comparación de precios para obtener las mejores ofertas en un determinado producto como la contratación de seguros de coche. Estos comparadores de precios están enfocados al cliente pero… ¿y si somos una tienda online y queremos comparar los precios de los productos de la competencia con los nuestros? ¿Cómo podemos abordarlo?

Antes de profundizar, un breve aspecto a tener en cuenta: el naming y descripción de los productos no poseen un formato estándar. Cada tienda online incluye estos datos (marca, titulo y descripción del producto) en su web de diferente forma para un mismo producto. Asimismo, las imágenes que se muestran del producto tampoco son estandarizadas y pueden aparecer con diferente perspectiva, color, claridad, etc. Evidentemente, sí existen identificadores generalizados para algunos productos como son las pulgadas de un televisor, pero es posible que según el portal de venta online no lo mencionen, lo incluyan en el titulo del producto o lo incluyan en la descripción.

Por tanto, una persona de forma manual puede visitar diferentes tiendas online y verificar que éstas coinciden con los mismos productos. No obstante,  el problema surge cuando no es viable realizar esta labor de forma manual porque el coste sería muy elevado. Es aquí donde entra en juego la Inteligencia Artificial y el Machine Learning para automatizar el proceso de Product Matching.

¡La Inteligencia Artificial y Machine Learning al rescate!

Inicialmente, en las soluciones de machine learning para la coincidencia de productos, el proveedor de soluciones tiene que construir primero una base de datos de miles de millones de productos. Esto se hace mediante la recopilación de información a través de rastreos web y feeds (crawlers).

Una vez se tiene la base de datos, se realiza el proceso de Product Matching. Un producto puede identificarse utilizando su título, su descripción, imágenes y lista de atributos o especificaciones. En muchos casos, el título del producto en sí mismo proporcionará mucha información y el sistema tiene que aprender a ordenar el nombre del producto (por ejemplo, el modelo de marca) de los atributos (pulgadas, resolución, etc. Toda esta información debe extraerse, clasificarse y colocarse en las categorías apropiadas: modelo de televisor, versión, resolución, etc.

Para cada comparación, el sistema pasa por muchos pasos y verificaciones. Se busca un número de identificación único, una prueba de similitudes de palabras clave, normalización de marca y coincidencia (por ejemplo, LG es lo mismo que Life´s Good), normalización de atributo y coincidencia (32″es lo mismo que 32 pulgadas, 32 pulg. , 32 pulgadas), coincidencia de imágenes, etc.

LG televisor

Figura 1. Ejemplo de Televisor LG en dos portales webs diferentes y cuyo título y descripción no aparecen estandarizados.

Todo esto es un proceso complicado, y existen diferentes soluciones Product Matching que se pueden emplear con diferentes técnicas pero la ventaja es que las redes neuronales y los sistemas de Product Matching aprenden con el tiempo, incluso de sus errores, y así mejoran con cada uso.

Por otro lado, el procesamiento de las imágenes de productos puede proporcionarnos información relevante que no aparece reflejado en el titulo y/o descripción del producto. En la figura 2, podemos ver cómo detectar un mismo producto (ej. Nata Pascual) en dos supermercados diferentes (supermercado A, supermercado B). En el supermercado B tenemos dos productos de Nata Pascual y queremos ver cuál de los dos hace «match» con el supermercado A. Si atendemos únicamente a las taxonomías de la descripción, ambos productos del supermercado B coinciden, en parte, con la descripción del proudcto del supermercado A. Sin embargo, ayudándonos de la imagen en lugar de la descripción se detecta cual de los dos productos del supermercado B coincide con el del supermercado A. Detectar este tipo de “anomalías” es bastante complicado, sin embargo, la herramienta netPrecie de ITELLIGENT a través de técnicas de Deep Learning detecta este tipo de diferencias en imágenes para aportar una mayor optimización al sistema de Product Matching.

PRODUCT MATCHING Ejemplo imagenes

Figura 2. Ejemplo de Product Matching a través del procesamiento imágenes con técnica de Deep Learning (netPrice)

El sistema automatizado de Product Matching desarrollado por ITELLIGENT se llama netPrice. Esta herramienta de monitorización de precios permite enlazar tu catálogo de productos con los de tu competencia a través de técnicas de Inteligencia Artificial y Machine Learning para asegurar la correcta analítica de precios. ¿Quieres saber más sobre nuestra herramienta? ¿Deseas tener una demo de netPrice?

¡Escríbenos!

  • La primera edición de la escuela de Machine Learning en Sevilla de BigML reúne a 92 empresas y grandes organizaciones nacionales e internacionales.
  • 184 asistentes de 13 países acuden a Sevilla el 7 y 8 de marzo y posicionan a la capital andaluza como referente de la tecnología e innovación

Machine Learning School en Sevilla 2019

Machine Learning School in Sevilla que ha contado con la colaboración de la Consejería de Economía, Conocimiento, Empresas y Universidad, el Ayuntamiento de Sevilla y Cibersur, y los patrocinios de ITelligent,  La Caseta y qosITconsulting. Durante el 7 y 8 de marzo en el salón de actos de EOI Andalucía, 184 empresarios, analistas y científicos de todo el mundo se reunieron en Sevilla para asistir al mayor evento internacional de Machine Learning celebrado en Andalucía, la primera edición de la escuela de Machine Learning de BigML (MLSEV).

Los asistentes vinieron de 13 países (Andorra, Brasil, China, Dinamarca, España, Estados Unidos, India, Inglaterra, Irlanda, Italia, Líbano, Países Bajos y Portugal) para disfrutar de un evento de dos días de duración que ofreció clases magistrales, talleres prácticos para
trabajar los conceptos aprendidos y sesiones con casos de uso reales sobre cómo varias empresas nacionales e internacionales como Rabobank, TDK, T2Client, Talento Corporativo, SlicingDice, Jidoka, Good Rebels y AlterWork ya están aplicando el Machine Learning en sectores muy diversos como la banca, industria, marketing y el sector legal, entre otros.

Durante la inauguración y clausura de la primera edición de la escuela de Machine Learning de BigML en Sevilla, nos acompañaron el Secretario General de Empresa, Innovación y Emprendimiento en Junta de Andalucía, Manuel Ortigosa; el Secretario General de Economía en Junta de Andalucía, Manuel Alejandro Hidalgo; el Secretario General de Industria y de la Pequeña y Mediana Empresa del Ministerio de Industria, Comercio y Turismo, del Gobierno de España, Raúl Blanco; y Francisco Velasco, Director de la Escuela de Organización Industrial de Andalucía, también incluidos en la imagen de arriba.

Machine Learning School en Sevilla 2019 cartel