RSM Uruguay
Languages

Languages

Machine Learning - Un ejemplo que demuestra su utilización no sólo en grandes compañías

Si bien mucho se habla de Machine Learning e inteligencia artificial es bueno comprender que el uso de estas herramientas no se limita sólo a grandes compañías, y de allí la posibilidad y versatilidad para adaptarlo a la realidad uruguaya.

Imaginemos un ejemplo donde una empresa del rubro inmobiliario necesite predecir el costo de un departamento en la zona de Pocitos.

El punto de partida será entonces la minería de datos, es decir, la recolección de información de un período prolongado con suficientes compras o alquileres anteriores en la zona de Pocitos y demás información adicional con las características de dichos inmuebles.

A partir de los referidos datos se deberá realizar una “limpieza” de los mismos tratando de depurar posibles inconsistencias, quiebres u otros problemas, para que, a partir de este momento estemos en condiciones de acceder a un patrón de precios.

Acto seguido, se seleccionarán las características o variables que particularmente interesen de toda esa cantidad de datos, para alimentar el algoritmo elegido, que será entrenado para el aprendizaje de predecir el precio de nuestro departamento en la zona de Pocitos.

Todas estas etapas anteriores son comunes independientemente de la herramienta que utilicemos. En este caso supongamos que podríamos utilizar AZURE ML que resulta bastante sencillo e intuitivo.

Vale considerar, asimismo, que podrían utilizarse diferentes algoritmos que permitan evaluar gráficamente, mediante curvas, el modelo de mejor ajuste, y quizás en este caso sencillo podría ser una buena idea comenzar por un algoritmo que contemple un modelo de regresión lineal.

A continuación como parte del entrenamiento sería recomendable realizar un “split data” o partición de los datos en una proporción, por ejemplo 80% y 20%, donde efectivamente se entrenará el 80% de los datos, posibilitando realizar un “cross” de validación con el restante 20% e identificar los niveles de error.

Ya estaríamos entonces en condiciones para conectar el “split data” con el “train model” a los efectos de generar las predicciones de nuestro modelo de evaluación.

Se deberá correr el modelo para visualizar el resultado del precio en función de las variables o características ingresadas. A partir de los resultados generados se podrán hacer ajustes al modelo pudiendo observar si las características seleccionadas han sido suficientes y/o adecuadas, y a su vez enriquecer el mismo.

Tal como afirmamos al inicio, hay que dejar de pensar que la aplicación de Machine Learning es posible solamente en grandes compañías.

 

Por más información, contactar al autor de este artículo a través del e-mail  bernardo.vitale@rsm.uy

¿Podemos ayudarlo?

Si desea más información sobre nuestros servicios, por favor contacte a nuestro equipo de profesionales.

Autores

Bernardo Vitale
Socio responsable de consultoría y RAS