El aprendizaje automático está detrás de cada vez más de la tecnología que usamos todos los días, y no es solo el reconocimiento de voz en Kinect y Cortana o la traducción de idiomas futurista de Microsoft en Skype..

Cada vez que obtiene indicaciones de su GPS, realiza una transacción con tarjeta de crédito o busca un producto en línea, el aprendizaje automático es predecir la mejor ruta, determinar si es probable que esté usando una tarjeta de crédito robada y sugerir qué otra cosa le gustaría comprar.

Hasta ahora has tenido que ser una empresa con los recursos de Amazon o Yahoo para aprovechar el aprendizaje automático. Con el nuevo servicio de Machine Learning (ML) Studio que se ejecuta en Azure, Microsoft espera poder abrirlo a cualquier persona que entienda las estadísticas, y facilitar el uso de las predicciones de los modelos de aprendizaje automático que encuentre en las aplicaciones en las que lo hará. ser más útil.

"Estoy construyendo esto para que sea fácil de usar para un estudiante de secundaria", dijo a TechRadar el vicepresidente corporativo de Microsoft, Joseph Sirosh, y sabe lo difícil que puede ser el aprendizaje automático, después de haber desarrollado el motor de recomendaciones de Amazon..

Con ML Studio, Microsoft está dando a las empresas acceso a las herramientas que usa internamente. Microsoft ha estado trabajando en el aprendizaje automático durante dos décadas, señala Sirosh. "Está integrado en Bing, en Xbox, en la estructura de la mayoría de los productos clave que tenemos, incluido Cortana. Tenemos una gran experiencia con el aprendizaje automático y cómo hacerlo a escala de Internet y aportamos gran parte de esa experiencia. en el producto ".

Las campanas y los silbidos de ML Studio.

Ganando XP

Aún necesitará ser científico de datos o al menos tener experiencia en matemáticas y estadísticas para aprovechar al máximo el servicio, que podrá probar en la vista previa el próximo mes. Pero eso no fue lo que hizo que McKinsey dijera que las empresas no pueden encontrar los cientos de miles de científicos de datos que desean emplear.

"No es que la gente no exista con el conocimiento matemático; todos los graduados en ingeniería, matemáticas o estadísticas tendrán algo de experiencia para ser científicos de datos productivos y personas de aprendizaje automático", dice Sirosh. Es que no han tenido herramientas buenas, rápidas, baratas y sencillas para trabajar..

"Hoy en día, los científicos de datos tienen que conocer tantas herramientas complejas; tienen que ser tanto un ingeniero de datos como un matemático para hacer las cosas", explica, y agrega que podrían necesitar 10 paquetes diferentes para probar suficientes modelos de aprendizaje automático para resolver un problema..

"Y esas herramientas son extremadamente caras y tienen una gran curva de aprendizaje; tienes que pasar una gran cantidad de tiempo para ser productivo con ellas. Es un gran obstáculo"..

"Lo que estamos haciendo aquí es hacer esto mucho más simple; solo tiene que conocer sus datos, saber cómo configurar y enmarcar su problema y luego construir el modelo de aprendizaje automático. Y para la implementación, antes tenía que resolverlo. a TI o a un ingeniero con mucha experiencia en programación sofisticada para conectar. Ahora el científico de datos puede hacerlo.

"La forma en que estamos cambiando el juego es que le permitimos construir estos sistemas escalables en la nube que pueden manejar cualquier carga de transacciones, que le permiten realizar implementaciones sofisticadas con muy poco esfuerzo y eso es increíblemente empoderador. La herramienta está extendiendo el alcance a una clase muy amplia de desarrolladores. ¡Puedes conectarlo a un sitio web y simplemente funcionará! "

Eso está muy lejos de la complejidad de los sistemas de big data, que es parte de la razón por la que el informe del ciclo de exageraciones de Gartner acaba de decir que Big Data no está brindando los beneficios a la mayoría de las empresas que han sido reclamadas..

"Realmente esperamos sacar gran cantidad de datos de su desilusión", dice Sirosh, "y la razón de esa desilusión es que hoy en día los grandes datos te permiten almacenar grandes datos, pero analizarlos y usarlos es increíblemente difícil". y esto es muy difícil conectarlo a los sistemas operativos. Esa es la clave.

"Al final del día, si desea obtener un beneficio real, debe conectarlo a los sistemas que realmente afectan a los clientes o lo ayudan a anticipar cosas y crear beneficios de manera automatizada. Ese tipo de automatización es lo que nuestra herramienta realmente sobresale en ".