Uno de los ejercicios que me gusta hacer de vez en cuando es mirar hacia el mercado en general, ver qué tendencias destacan y pensar en aplicaciones de las mismas en mi entorno laboral. No siempre acierto (bueno, en verdad rara vez lo hago, o al menos de la forma exacta en que lo planteo), pero aún así es un ejercicio interesante para ver si esas potencialidades tienen sentido. En los últimos tiempos me ha dado por mirar hacia la Inteligencia Artificial, más concretamente hacia el subconjunto al que denominamos Machine Learning (ML). La definición base habla de uso de data para optimizar operativas, así que tiene pinta que algo de aplicabilidad en este sector hay.

Pero ¿en qué consiste exactamente? 

No es mi intención escribir una tesis sobre ML en estas páginas, más bien daros un poco de contexto práctico. Un buen resumen de ML que he leído hace poco es que cualquier tarea mecánica que exija a un ser humano menos de un segundo de su tiempo mental realizar, es susceptible de ser hecha por una máquina bien entrenada de manera eficiente. Todos hacemos tareas mecánicas en algún momento del día, que sólo exigen “haberlas hecho antes” para hacerlas bien. Es práctica (entrenamiento) en tareas rutinarias que no tienen sobresaltos. Eso es Machine Learning.

Una famosa aplicación de esto es el “image recognition” que usan ya muchos sistemas operativos, y que sirve para adivinar quién sale en una foto y así poder catalogarla. La base de todo está en el entrenamiento de los algoritmos con elevados volúmenes de datos, si te enseño muchas fotos mías con diferente luz, posición, etc, y te indico adecuadamente que yo salgo en ellas (las etiqueto, “labelling”), la posibilidad de que te enseñe una foto sin etiquetar y que tú aciertes que soy yo se multiplica exponencialmente.

Es un ejemplo sencillo de aplicación básica, pero si cambias “fotos mías” por “fotos de pacientes con tumores”, por ejemplo, la aplicación de esta técnica empieza a cobrar otros sentidos, pero esto sí que da para una charla más larga. 

Otro ejemplo un poco creepy de esto es el trabajo realizado con This Person Does Not Exist, que no deja de ser una aplicación del ejemplo anterior: si te enseño suficientes fotos de personas, el algoritmo será capaz no sólo de identificar una persona en una foto, sino de “crear” una foto de una persona desde cero (usando una GAN, una red neuronal capaz de llevar el ejercicio antes mencionado en ambas direcciones).

Machine Learning en Advertising

Como podréis suponer, los usos de ML sólo han empezado a explotar, y ya existen varios que aplican al sector publicitario, y más concretamente al de la publicidad programática. Muchas de las empresas del sector empiezan a lanzar sus propios desarrollos, ya que una de las claves del ML es la escalabilidad.

Los adservers empiezan a aplicar técnicas de ML para optimizar campañas (tomando decisiones de qué creatividad mostrar en qué placement en base a todo un subset de datos de funcionamiento de campañas anteriores), para mejorar creatividades (no sólo en el uso bastante manido de AB testing, sino para realizar las propias creatividades) e incluso para predecir cómo irá una campaña, lo que te puede permitir tomar decisiones de manera más eficiente, antes incluso de que la campaña esté funcionando. Los modelos predictivos cada vez se sofistican más, y cada vez son más accesibles subsets de datos abiertos que podemos usar para entrenar nuestros modelos (aparte de los datos propios, claro). Si te interesa el tema, te recomiendo echar un vistazo a herramientas gratuitas como Orange que te permiten adentrarte en este mundo sin necesidad de tener altísimos conocimientos de programación o de modelaje matemático (aunque sí es recomendable echar un vistazo a alguna de la variada literatura que existe sobre el tema).