HOW-TO

En qué consiste la tecnología predictiva y cómo impacta en nuestros hábitos

En ‘El informe de la minoría (The Minority Report)’, el relato de Philip K. Dick publicado en 1956, el maestro de la ciencia ficción pone sobre la mesa una serie de líneas de debate: unas personas mutadas, conectadas a un sistema pre-crimen, logran detectar cuándo sucederán crímenes en el futuro. La meta es sencilla: gracias a estos precogs se puede reducir la criminalidad a cero. Pero ¿no estaríamos juzgando a inocentes? Al fin y al cabo, no se puede acusar a alguien que aún no es culpable. La línea del tiempo siempre corre en una única dirección.

Sin tanta ciencia ficción, el análisis predictivo existe y es bastante coherente. Éste se fundamenta en un grupo de técnicas estadísticas basadas en el análisis probabilístico. Muchas aplicaciones se basan en esta tecnología y todos nosotros, pese a no ser conscientes, la utilizamos a diario.

Te contamos en qué consiste la tecnología predictiva y cómo impacta en nuestros hábitos, a continuación.

Una cuestión probabilística

pexels-photo-106344

¿Y cuáles son esas técnicas? Estadísticas de modelización, minería de datos —es decir, escarbar en toda la base de archivos, pasados y presentes— y algoritmos de aprendizaje automático sobre conjuntos de datos, para crear modelos predictivos que den un valor específico, una puntuación, a la probabilidad en la que ocurrirá un evento.

Basándose en los grandes bloques de información y cómo ésta sea interpretada, una IA puede ‘predecir el futuro‘. Pero no como una pitonisa: ofrece resultados en tiempo real estimando el éxito o fracaso de preguntas específicas. Es decir, han de plantearse preguntas adecuadas.

Y son una magnífica herramienta para evaluar el riesgo de una operación crediticia, detectar un posible fraude, estimar la resistividad de un material, el porcentaje de efectividad de un fármaco o el ratio y fluctuación de precios en un viaje. Se usan diariamente, para construir viviendas, en los mercados minoristas y en la industria de las telecomunicaciones.

Aplicando la tecnología predictiva a nuestra realidad diaria

Ilustración-684x513

Desde el florecimiento moderno de las granjas de datos, el big data, la tecnología predictiva ha ido volviéndose más y más eficaz. Cuanta más información posee una empresa, cuantos más amplios son los grupos de datos, más específicas son las preguntas que se pueden formular. Los proveedores de TI han hecho el resto.

Y claro, sabiendo en qué fallamos, sabremos en qué podemos mejorar. En España, el año pasado, la propia Aqualia colaboró con IBM Research para reducir el consumo de una de sus plantas de reciclaje, sita en Lleida. A través del análisis del consumo logró maximizar el uso de recursos: la cantidad de productos químicos necesarios para extraer el fósforo del agua se redujo un 14%, y lograron reducir en un 13,5% el consumo eléctrico y en un 17% los residuos generados.

Esto se puede aplicar a cualquier sistema, desde el alumbrado de las calles hasta el porcentaje de anotación de un equipo que conozca los ‘agujeros’ comunes de su contrincante.

Nosotros mismos también somos clientes indirectos de esta tecnología. Cada vez que usamos el texto predictivo en Android -que parte de la plataforma Google Now-, cada vez que preguntamos a Siri dónde queda un buen restaurante —y no uno cualquiera— o cada vez que miramos en los sistemas de apuestas las cifras que cobraríamos de pujar por uno u otro club deportivo.

Un proceso cuidado al milímetro

pexels-photo-90807

Esta fe en los datos no significa que nadie supervise los resultados. La analítica predictiva requiere experiencia, construir modelos basándose en fórmulas probadas. Los ingenieros de datos ayudan a recopilar la información más relevante y los científicos de datos buscan correlaciones, ya estén ante históricos de pacientes o cachés y clickstream de sitios web.

Una vez recogidos, se formula el modelo estadístico, se capacita y prueba. Si la predicción resultado no es coherente con la información introducida, éste se replantea. Y así hasta que se valida.

Por suerte, este proceso no necesita ser lineal. Los científicos cuentan con Inteligencias Artificiales que monitorizan los resultados para introducir cambios en tiempo real. Y, una vez obtenido un modelado cotejado y funcional, se presenta a la empresa o cliente.

¿Qué es el mantenimiento predictivo?

pexels-photo-245618

Pero esta sinergia va más allá del típico formulario en PDF. El mantenimiento predictivo supone una relación en el tiempo, donde los fabricantes o productores monitorizan durante el tiempo.

Si nos referimos, por ejemplo, al Internet de las cosas (IoT), el fabricante monitoriza una pieza mediante sensores para conocer el estado de su producto, ya sea un automóvil o una lavadora inteligente. De esta forma, logra pronosticar cuándo será necesario un trabajo de mantenimiento o reparación para evitar males mayores.

No olvidemos que la tecnología predictiva está en constante aprendizaje: ¿qué sucede con esas palabras que borras una y otra vez del diccionario predictivo? Que la aplicación termina por descartarla de manera sistemática. Algo similar realizan las bandejas de correo: si mandas a SPAM un email que no deseas leer, la app entenderá que los correos de ese tipo son, en mayor o menos medida, basura.

pexels-photo-257949

El IoT es escalable a casi cualquier industria. Hoy día se usa para monitorizar presas industriales, oleoductos, gasoductos, granjas de molinos de viento o plataformas de perforación. Los agricultores industriales pueden consultar el pronóstico meteorológico para saber cómo cuidar sus campos de cultivo.

Gracias a estas herramientas se pueden salvar vidas: los wearables, capaces de recopilar información de nuestro estado de salud, pueden incluso predecir si estamos a punto de sufrir un colapso o un infarto, unos segundos lo suficiente vitales como para que llamemos para pedir una ambulancia, mientras que la pulsera se encarga de facilitar nuestra geoposición y estado clínico.

Las herramientas lo son todo

‘Dime qué software usas y te diré qué resultados obtendrás’. Contra lo que pudiera pensarse, una gran mayoría de sistemas predictivos usan software de código abierto. Los lenguajes R, Python y Scala se usan de manera común. Las bibliotecas de algoritmos también se comparten, la API e, incluso, los tipos de clúster.

pexels-photo-248528

Por ejemplo, si una ONG quiere presentar un programa de ahorro de consumo de agua en una red de tuberías, seguramente opte por un software de código abierto frente a una herramienta comercial diseñada exclusivamente para clientes concretos. Esto no implica que gigantes como ExxonMobil usen sus propias aplicaciones para mantener un ecosistema cerrado dentro de sus clientes.

El mundo está lleno de estadística. Y esta puede cambiar la forma en la que vivimos. Un ejemplo: la Policía de Memphis empleó tecnología predictiva para analizar los índices de criminalidad por calles. El software recopiló grandes volúmenes de datos relativos y, seis meses después, lograron reducir hasta en un 30% los crímenes de diversa índole.

Otro ejemplo: gracias a decenas de aplicaciones como Mamaprint Oncotype, EndoPredict o Prosigna se consiguen tanto prevenir tumores, como analizar los condicionantes genómicos para determinar el riesgo, la eficacia del tratamiento, evitando en algunos casos tener que recurrir a métodos tan invasivos como la quimioterapia.

Mires hacia donde mires, en el mundo actual, la tecnología predictiva está presente. Y, en la mayoría de los casos, por buenas razones.

HACE 2 AÑOS