El término Inteligencia Artificial (IA) se ha convertido en una palabra de moda, y a menudo se utiliza en lugar de los viejos algoritmos. De hecho, esto crea muchas creencias, mitos sobre lo que se cree que es la Inteligencia Artificial, expectativas infladas, malentendidos sobre dónde es realmente útil la IA y dónde no, y malentendidos sobre su impacto potencial.
Se utilizan muchas tecnologías para que las herramientas de seguimiento, detección y escucha de las redes sociales sean más eficaces e "inteligentes". A través de ejemplos de Inteligencia Artificial para el marketing, y más concretamente de aplicaciones concretas en el ámbito de las redes sociales, echemos un vistazo a las realidades y dimensiones de la IA en el mundo empresarial, con la amable colaboración de Aurélien Blaha, CMO de Digimind.
📄 Índice
I. Inteligencia Artificial? No, Machine Learning.
II. Mitos y realidades de la IA y el Machine Learning
III. 3 Ejemplos de aprendizaje automático supervisado en la escucha de redes sociales
IV. Machine Learning no supervisado (UML)
I. Inteligencia Artificial ? No, Machine Learning
La IA describe el proceso por el que una máquina imita determinadas funciones cognitivas, como el aprendizaje y la resolución de problemas. En un nivel más básico, la Inteligencia Artificial puede referirse simplemente a una regla programada por un humano que le dice a la máquina, el ordenador, que se comporte de una manera específica en determinadas situaciones.
Así pues, el término IA puede significar cualquier cosa, desde lo más básico hasta lo más complejo.
Además, cuando hablamos de Inteligencia Artificial, es más preciso considerar 2 subcampos más específicos de la IA: Machine Learning y Deep Learning.
AI vs Machine Learning vs Deep Learning
Machine Learning
Machine Learning es, por tanto, un subconjunto de la IA. Proporciona los métodos y algoritmos estadísticos y permite a los ordenadores aprender "automáticamente" de sus experiencias y datos anteriores y permite al programa modificar su comportamiento en consecuencia. La serie de algoritmos de aprendizaje automático analiza los datos, aprende de ellos y toma decisiones fundamentadas basándose en estos conocimientos adquiridos.
Aplicación: plataformas de streaming de vídeo como Netflix utilizan Machine Learning para recomendar películas basándose en los datos de visionados anteriores del cliente: mejora constantemente aprendiendo estadísticas de experiencias pasadas.
Deep learning
A diferencia del Machine Learning, el Deep Learning es un subcampo reciente de la inteligencia artificial basado en redes neuronales artificiales.
Los algoritmos de aprendizaje profundo también requieren datos para aprender y resolver problemas, por lo que puede considerarse un subcampo del aprendizaje automático. Los términos Machine Learning y Deep Learning se tratan a menudo como sinónimos. Sin embargo, estos sistemas tienen capacidades diferentes. El aprendizaje profundo utiliza una estructura multicapa de algoritmos llamados redes neuronales.
Las redes neuronales artificiales tienen capacidades únicas que permiten a los modelos de Deep Learning resolver tareas que los modelos de machine learning nunca podrían resolver. El aprendizaje profundo se utiliza entonces para resolver problemas complejos en los que los datos son grandes, diversos y menos estructurados. Aprende de forma incremental a partir de datos brutos y experiencia previa y se corrige a sí mismo sin programación explícita y previa, como ocurre con el ML.
Aplicaciones: algunos reconocimientos faciales, algoritmos para la conducción de coches autónomos, asistentes virtuales como Alexa, Siri, cirugías robóticas.
II. Mitos y realidades de la IA y el Machine Learning
1. Los mitos de la IA
Para desmitificar la IA y sus creencias, veamos 2 citas de verdaderos especialistas y profesionales de la Inteligencia Artificial:
Yann Le Cun, científico jefe de IA de la División de Investigación de Facebook, explica:
"La Inteligencia Artificial ni siquiera está al nivel del cerebro de una rata"
Y Luc Julia, Director Científico en Renault, anteriormente Director de Investigación en IA en Samsung, y uno de los creadores de Siri: "Lo que se ha llamado inteligencia artificial desde 1956 son técnicas matemáticas que no tienen nada que ver con la inteligencia. El hecho es que estas técnicas (deep learning, machine learning, etc.) son muy interesantes. Pero la máquina no crea, no reflexiona, y los humanos conservan el control total sobre estas técnicas."
Luc Julia es el autor del libro "La inteligencia artificial no existe". Para leer...
Ejemplo de mitos:
- La IA es nueva en marketing.
De hecho, los profesionales del marketing han sentado muchas de las bases operativas de la IA. Por ejemplo, Forrester muestra ya en 2016, en su Global State Of Artificial Intelligence Online Survey, que los departamentos de Marketing / Ventas lideran la inversión y adopción de sistemas de IA en la empresa.
Forrester - Encuesta en línea sobre el estado mundial de la inteligencia artificial
- La IA se basa en "super" algoritmos
En realidad, se trata más de los datos. Si se dispone de grandes algoritmos pero de pocos o ningún dato para aprender y probar, no funcionará. Pero en lugar de hablar de Big Data, es mejor hablar de Smart Data, conjuntos de datos relevantes para el aprendizaje automático, por ejemplo.
- La IA dejará sin trabajo a los profesionales del marketing.
De hecho, la IA permite a los profesionales del marketing hacer su verdadero trabajo. Centrarse en las tareas de alto VA y dejar las tareas tediosas y repetitivas a la máquina.
2. Los 3 niveles de Inteligencia Artificial
Hoy en día, la IA de la que hablamos es la "IA estrecha": los sistemas de IA estrecha se diseñan y entrenan para realizar una tarea específica y a menudo también se denominan "IA débil". Por ejemplo, chatbots que responden a preguntas basándose en las entradas del usuario, asistentes de voz como Siri, reconocimiento de imágenes tomadas con el teléfono que las clasifica según el tema: retratos, animales, paisajes, selfies,...
IA fuerte (Strong Al): cuando los sistemas de IA funcionen a la par que otro humano. Esto significa la capacidad de la máquina para interpretar y comprender el tono y las emociones humanas y actuar en consecuencia. Transfiere y aplica conocimientos y aprendizaje de un dominio a otro para otra aplicación: reconocer imágenes de perros y luego reconocer perros en la vida real.
Super IA: muy prospectiva: cuando una máquina inteligente adquiere conciencia de sí misma y supera la inteligencia y las capacidades humanas. Esto implica ser capaz de responder a cualquier pregunta combinando la IA Estrecha y la IA General, respondiendo como lo hace el cerebro humano: sabiendo conectar cosas que no necesariamente se correlacionan.
3. Los 2 niveles del aprendizaje automático
Machine Learning supervisado y Machine Learning no supervisado - Fuente: AI Wiki
En el caso del machine learning, hay que distinguir entre el Supervised Machine Learning (SML) y el Unsupervised Machine Learning (UML).
Supervised Machine Learning (SML) (Aprendizaje automático supervisado)
Se le dice a la máquina lo que tiene que buscar, el objetivo y el tipo de datos. Por ejemplo: como entrada, se le proporcionan imágenes etiquetadas de perros y gatos: se le dicen las respuestas correctas, es decir, el tipo de animal de cada foto: un gato o un perro. La máquina puede entonces identificar estas imágenes similares en la categoría correcta y aprender de ellas.
En Facebook, Yann Le Cun dedica la mayor parte de su investigación al aprendizaje autosupervisado.
Aprendizaje automático no supervisado (UML)
Aquí, alimentamos la máquina con datos, pero no estamos seguros de lo que encontraremos como resultados. Así que no proporcionamos "etiquetas". Por ejemplo: recogemos un gran volumen de datos, y la máquina tendrá que averiguar si existen correlaciones entre algunos de estos datos para formar clases y, por tanto, grupos.
Un algoritmo puede aprender de forma no supervisada, por ejemplo, haciendo una estimación de la distribución de los datos a partir de una muestra y cotejando después su conjetura con la distribución real. Lo que se suele aprender, en ausencia de etiquetas, es cómo reconstruir los datos de entrada utilizando una representación.
En el procesamiento del lenguaje natural (PLN), el uso de palabras para predecir sus contextos, con algoritmos como word2vec, es una forma de aprendizaje no supervisado.
III. 3 Ejemplos de aprendizaje automático supervisado en la escucha de redes sociales
El Social Media Listening se refiere a los procesos, enfoques y herramientas de "escuchar" y analizar los medios de comunicación y las publicaciones, artículos y conversaciones de los usuarios en los medios sociales para fundamentar tácticas y estrategias, sobre todo de marketing, pero no sólo.
El marco va mucho más allá de las redes sociales (como Facebook, Twitter, Pinterest o Instagram), ya que hablamos de Social Media, es decir, todos los espacios de la web que albergan artículos, mensajes y conversaciones. He aquí algunos ejemplos de Machine Learning utilizados por las mejores herramientas de Social Listening.
A continuación veremos una muestra de aplicaciones del Machine Learning al social listening, útiles para el Community Manager y el Social Media Manager.
1. La etiqueta a través del machine learning (ML)
Una de las funciones de análisis de las herramientas de escucha de medios sociales es el "etiquetado", es decir, la calificación y clasificación de los mensajes y artículos recogidos: Un mensaje de un consumidor diciendo "este medicamento del laboratorio BioSysH para el corazón es eficaz". Algunos efectos secundarios de piernas pesadas pero nada más" podría etiquetarse con las etiquetas Salud, Farmacia, laboratorio, BiosysH, efectos adversos, medicamento, cardiología, etc.
a. El Machine Learning para el tagging va a resultar muy relevante, desde la construcción de tus consultas para monitorizar todo lo que se dice de ti, de tus productos, de tus marcas y líderes en la web y en las redes sociales. Imaginemos que necesitas controlar todo lo que se dice de la Fnac: Si utilizas una consulta booleana clásica (operadores booleanos AND NOT OR...), se obtendrá este tipo de expresión: FNAC OR #FNAC OR @Fnac. Es muy sencillo. No hay ambigüedad, la palabra Fnac no tiene otro significado en el lenguaje cotidiano.
Ahora imagina que tienes que controlar todo lo que se dice en inglés sobre la cadena minorista Target, el quinto mayor minorista de EE.UU., por detrás de Walmart, Home Depot, Kroger y Costco.
La tarea se complica porque "Target" es también un verbo y un sustantivo muy común. Su consulta booleana tendrá que excluir todas las expresiones "target" que no correspondan a tiendas, con el riesgo de perder mensajes interesantes. En la ilustración siguiente, podrás ver la longitud después de los operadores AND NOT de todas las palabras que hay que excluir.
La tarea se complica porque "Target" es también un verbo y un sustantivo muy común. Su consulta booleana tendrá que excluir todas las expresiones "target" que no correspondan a tiendas, con el riesgo de perder mensajes interesantes. En la ilustración siguiente, podrás ver la longitud después de los operadores AND NOT de todas las palabras que hay que excluir.
2. Análisis de sentimientos mediante Machine Learning
El análisis de sentimiento es un proceso de análisis de las herramientas de monitorización y escucha social que consiste en etiquetar una mención, un mensaje, un artículo según el sentimiento dominante expresado en él: negativo, positivo, neutro, mixto.Antes del Machine Learning, se utilizaba únicamente el PLN (procesamiento del lenguaje natural): para simplificar, se analiza la frase por partes y luego se califican las expresiones como negativas o positivas. Esto conduce a una limitación de la pertinencia y a la presencia de silencios (sentimientos no calificados) cuando :
- El mensaje contiene tanto expresiones negativas como positivas, la mención se califica entonces de "desconocida". El cinismo y la ironía, tan comunes en nuestro lenguaje, son casi imposibles de detectar
- El mensaje es demasiado corto o está mal estructurado para permitir un buen análisis mediante PNL.
Al combinar la PNL con el Machine Learning, se reduce en gran medida el "silencio", es decir, las menciones no calificadas como sentimiento.
Al igual que con el tagging, la interfaz de aprendizaje automático se alimentará con sus ejemplos y sabrá que el mensaje 1 es negativo (en lugar de "no cualificado") y el mensaje 2 es positivo a pesar de la palabra "stop".
3. Deep learning para la escucha visual
Tomemos el caso de la escucha visual, es decir, el seguimiento de entidades (nombres, logotipos) dentro de imágenes.
En el enfoque clásico, a través de consultas basadas en texto, usted supervisa los mensajes que contienen los nombres de su marca. Por ejemplo, el nombre de un vino californiano: Josh Cellars" OR "#betterwithjosh" OR BetterWithJosh OR joshcellars OR "#joshcellars" OR "@joshcellars"
Sin embargo, en una publicación de Instagram como la que se muestra a continuación, no hay ninguna mención escrita de la marca en el mensaje que acompaña a la foto.
En este caso, el aprendizaje profundo, al aprender a reconocer la marca en la imagen de la etiqueta, permite identificar y luego calificar este mensaje de "positivo".
El reconocimiento de imágenes mediante DeepLearning permite identificar la marca
ausente en el texto pero presente en la imagen.
El reconocimiento de imágenes mediante Deep Learning tiene muchas aplicaciones en el campo de la vigilancia:
- Reconocimiento de logotipos sencillos que se mantienen solos sin mencionar la marca (por ejemplo, el Woosh, el ala de Nike, el cocodrilo de Lacoste, la "C" de Carrefour, la concha de Shell)
- Reconocimiento del entorno (mar, montaña, ciudad)
- Reconocimiento del género, etc.
Aplicaciones de la Visual Listening a través del Deep Learning
IV. Machine Learning no supervisado (UML)
Recuerda que aquí estamos "alimentando" a la máquina con datos, pero no le estamos proporcionando etiquetas para categorizar los datos: más bien estimará la distribución de los datos a partir de una muestra. Ejemplo de aplicación: para tu empresa, necesitas analizar, identificar e incluso anticipar tendencias a partir de la recopilación de cientos o miles de mensajes en la web y las redes sociales. Tienes que identificar los acontecimientos que afectan a tu tema, para comprender rápidamente la evolución de un mercado o de una empresa.
Si trabajas con análisis manuales, tienes que explorar cada evolución significativa en tu curva de datos (aumento, disminución, pico) para comprender el acontecimiento actual (crisis, resultados financieros, captación de fondos) y luego imaginar la evolución potencial.
Esto lleva mucho tiempo, sobre todo si hay que analizar varios mercados o empresas. Tienes que hacer clic en muchos puntos de las curvas para leer la información correspondiente.
📄Lee también: 5 ejemplos innovadores de IA en estrategias de marketing y customer experience
El Machine Learning no supervisado (UML) puede identificar automáticamente la naturaleza de la evolución de una tendencia y decir, por ejemplo, si un pico corresponde a una marca, un producto, si la variación es habitual o inusual, si el acontecimiento se refiere al lanzamiento de un producto, una adquisición, un nombramiento.
En resumen, la UML puede detectar automáticamente correlaciones entre una determinada cantidad de información recogida en la web y deducir tendencias, cuando un trabajo manual requiere horas de lectura. La máquina realiza este análisis sin que el humano tenga que calificar previamente los datos típicos, la UML identifica automáticamente los eventos de variaciones. Sentará las bases del análisis predictivo.
Estas son sólo algunas de las posibles aplicaciones del Machine Learning a los algoritmos de las herramientas de monitorización y escucha social.
Social Listening VS Social Monitoring: ¿cuáles son las diferencias?
Detección de riesgos de marca: ¿Qué es y cómo aplicar la escucha social?
.svg){kind=small}
