APIs y ‘machine learning’: así se predice el éxito de una empresa

La gran bola mágica para leer el presente y anticiparse al futuro. En eso se ha convertido, con algo de literatura fantástica, el aprendizaje automático o machine learning. El uso de los datos a gran escala para la creación de modelos predictivos que se perfeccionan solos a medida que se obtienen resultados de sus predicciones. Una especie de inteligencia artificial que aprende de sí misma y da pautas de negocio en sectores como el bancario, el tecnológico o el energético.

Las compañías que ofrecen servicios de machine learning también han entendido, casi mejor que nadie, que el desarrollo de APIs y su uso son un gran apoyo para las empresas que quieren empezar a implementar procesos de aprendizaje automático en sus decisiones estratégicas. Con ellas es posible hacer en días lo que antes se tardaba semanas. No solo empresas específicas como BigML, que tiene su API REST BigML.io, sino también gigantes como Google, Amazon o IBM.  

BigML, una startup española-americana

BigML.io es una API REST para desarrollar y aplicar modelos predictivos de forma sencilla a los proyectos de cualquier empresa. Es una interfaz de desarrollo de aplicaciones muy flexible: sirve para implementar tareas de aprendizaje automático supervisado y no supervisado, pero también para crear todos los procesos necesarios para un sistema de machine learning más complejo. Con BigML.io se podría decir que cualquier compañía tiene los modelos predictivos más sencillos, pero también más complejos, al alcance de su equipo de desarrollo. El uso de la API REST de BigML siempre se produce bajo métodos estándar HTTP.

¿Qué se puede hacer con BigML.io?

– Predicciones en tiempo real.

– Acceso a bases de datos, modelos y detectores de anomalías.

– Uso de los recursos de BigML mediante programación. Esos recursos son de cuatro tipos: fuente, conjunto de datos, modelo y predicción. El flujo normal en el uso de BigML.io es la utilización de datos de entrenamiento         para la creación de una fuente, que constituirán un conjunto de datos o dataset para la creación de un modelo. Ese modelo con una entrada constante de datos es lo que sirve para el establecimiento de predicciones.   

Los datos de entrenamiento del futuro modelo habitualmente vienen en una tabla. Cada fila es una instancia o ejemplo y cada columna, un campo o atributo. Esos campos también reciben el nombre de predictores o covariables. Dentro de un proceso de aprendizaje automático, una de las columnas, normalmente la última, representa un atributo especial llamado campo objetivo o de destino, que asigna una etiqueta o clase para cada instancia (fila de conjunto de datos). En este tipo de casos tenemos un conjunto de datos etiquetados y un proceso de aprendizaje supervisado. 

La idea es que una fuente de datos puede crear varios conjuntos de datos. A su vez un conjunto de datos puede generar varios modelos y un único modelo, varias predicciones. Si el campo objetivo es una categoría, estamos ante un modelo de clasificación. Si es un número, es un modelo de regresión. Dentro del aprendizaje automático, son mejores los procesos donde intervienen un conjunto de modelos porque eso aumenta su eficacia.

En el caso de disponer de un conjunto de datos sin un campo objetivo, estaríamos ante un proceso de aprendizaje no supervisado, con datos no marcados (sin etiquetar). Este tipo de conjuntos de datos suelen utilizarse para crear detectores de anomalías. Mientras los modelos hacen predicciones, los detectores de anomalías hacen puntuaciones de anomalías. Esto aumenta la eficacia de las predicciones del modelo. 

Los grandes también tienen APIs de machine learning

A Google se le conoce como el gigante de las búsquedas, pero esa definición hace años que se le quedó algo corta. La compañía de Mountain View también dispone de una interfaz de desarrollo de aplicaciones para hacer predicciones llamada Google Prediction API. Predicciones que pueden anticipar el mal estado de una empresa o una startup y descubrir posible soluciones para problemas concretos.

Esta interfaz de Google es una API RESTful, que funciona de forma asincrónica y está basada en la nube. Además, permite a los desarrolladores incorporar conjuntos de datos de entrenamiento sobre la marcha para el desarrollo del modelo predictivo. Sobre qué campos de negocio trabaja Google Prediction API:

– Análisis de sentimiento de los clientes.

– Sistemas de recomendación.

– Detección de spam.

– Análisis de oportunidades de ventas.

– Identificación de fraudes o actividades sospechosas. 

Estos son dos tutoriales interesantes para el uso de la API en la creación de servicios para clientes y la detección de fraude en el campo de la salud:

Otra gran empresa que lleva mucho tiempo moviéndose en el campo del aprendizaje automático y con mucho éxito es IBM. Su producto estrella es IBM Watson, la plataforma de inteligencia artificial que usa computación cognitiva y machine learning para hacer predicciones para otras empresas en campos como los datos o el procesamiento de lenguaje natural. Para eso dispone de varias APIs y SDKs en Node, Java, Python, para sistemas operativos iOS y también para Unity. 

– API para funcionalidades con el lenguaje: esta API permite el desarrollo de aplicaciones que son capaces de entender el lenguaje, extraer valor y conocimientos de ese trabajo y mejorar su desempeño con el tiempo.

– API para el tratamiento de datos: facilita la gestión de los Big Data y simplifica el trabajo con respecto a otra herramienta: Watson Data Insight.

– API para el tratamiento de imágenes.

– API para funcionalidades con el habla. 

Una tercera gran compañía que dispone de APIs de aprendizaje automático es Amazon, concretamente Amazon Machine Learning API. La interfaz facilita el desarrollo de aplicaciones predictivas y hospedarlas en la nube con Amazon Web Services. El paquete completo. Los equipos de desarrollo disponen de asistentes y herramientas de visualización para la creación de modelos sin la necesidad de implementar código de generación de predicciones ni administrar infraestructuras. 

Amazon Machine Learning API da ventajas competitivas muy importantes a las empresas que la utilizan para la gestión diaria de su modelo de negocio:

– Detección del fraude.

– Personalización del contenido.

– Modelos de propensión para campañas de marketing.

– Clasificación de documentos.

– Predicción de renovación de clientes.

– Recomendación de soluciones para el servicio de soporte al cliente.

Si te interesa el mundo de las APIs, puedes descubrir más sobre las APIs de BBVA aquí.

Síguenos en @BBVAAPIMarket