¿Quién utiliza el Machine Learning?

Muchas de las industrias que trabajan con una gran cantidad de datos han reconocido el valor de la tecnología del Machine Learning. de estos datos se obtienen insights con las cuales las organizaciones pueden trabajar de manera mas eficiente o incluso lograr una ventaja sobre sus competidores.

Servicios financieros

Los bancos y otras empresas de la industria financiera utilizan la tecnología del aprendizaje basado en maquinas para dos fines principales:

• Identificar insights importantes en los datos.
• Prevenir el fraude.

Los insights pueden identificar oportunidades de inversión o bien ayudar a los inversionistas a saber cuando vender o cuando comprar.

Petroleo y gas

El número de casos de uso del Machine Learning en esta industria es bastante amplio. Por ejemplo:

• Como encontrar nuevas fuentes de energía.
• Análisis de minerales del suelo.
• Predicción de fallos de sensores de refinerías.

Transporte

Analizar los datos para identificar patrones y tendencias es clave para la industria del transporte, ésta se sustenta en hacer las rutas más eficientes y anticipar problemas potenciales para incrementar la rentabilidad. los aspectos de análisis y modelado de datos del Machine Learning son herramientas importantes para las compañías de mensajería, transporte público y otras organizaciones de transporte.

https://www.sas.com/es_es/insights/analytics/machine-learning.html

MACHINE LEARNING: PRINCIPIO DE EQUIDAD

¿Qué es Machine Learning?

Se trata de una Inteligencia Artificial que desarrolla técnicas que permiten a las maquinas tomar decisiones. es la idea de que existen algoritmos que pueden darte hallazgos o conclusiones relevantes obtenidas de un conjunto de datos, sin que el ser humano tenga que escribir instrucciones o códigos para esto.

¿Es fácil garantizar la equidad?

A priori, podría parecer un tema con cierta complejidad, pero en realidad se trata de un principio de justicia en la toma de decisiones que evita una equivocada valoración de nuestra solicitud basada en el comportamiento de otros. Más específicamente en datos protegidos como pueden ser la edad, la religión, la orientación política o el sexo.

Hoy en día, no se considera un tema complejo ya que es un procedimiento que intenta asegurar la calidad basándose en una ingeniería de datos y en unas matemáticas rigurosas.

¿Cuál es el problema de la equidad en los modelos de analítica avanzada?

Fundamentalmente, hay dos principios que deberían de cuidar un bien procedimiento de equidad:

• La paridad demográfica, o que la variable objetivo del modelo no este correlacionada con un atributo protegido como puede ser la edad o el género.

• la igualdad de oportunidades, que requiere que las personas que califican para un buen resultado obtengan ese resultado con la misma probabilidad, independientemente de si son miembros de un grupo protegido.

El desafío esta en balancear estos dos principios sin que esto afecte a la calidad de las predicciones. La valoración de la distribución del scoring versus (una herramienta estadística, automática y que ayuda a la decisión de riesgos)  que puede ayudar a gestionar el problema de la paridad demográfica.

La igualdad de oportunidades es quizás más complicada de controlar, ya que obliga a utilizar una técnica matemática más rigurosa basada en la probabilidad condicional de distintos grupos hacia la variables objetivo.