Machine Learning

 

INVESTIGACION

 

Desde la perspectiva de la Inteligencia Artificial, la diferencia principal entre el Aprendizaje Supervisado y el Aprendizaje No Supervisado, radica en el uso de Datos Etiquetados.

·        El Aprendizaje Supervisado, emplea datos con etiquetas conocidas para predecir salidas específicas.

·        El Aprendizaje No Supervisado, trabaja con datos sin etiquetas para descubrir patrones inherentes.

Aprendizaje Supervisado

Utiliza conjuntos de datos etiquetados donde se conocen tanto las entradas como las salidas deseadas, permitiendo entrenar modelos para tareas como clasificación (ej. detección de spam) o regresión (ej. predicción de precios).

Requiere mayor cantidad de datos de entrenamiento y supervisión humana para minimizar errores mediante iteraciones.

 Aprendizaje No Supervisado

Opera con datos no etiquetados, dejando que el algoritmo identifique estructuras, agrupaciones o relaciones ocultas de forma autónoma, sin guía previa.

Es ideal para exploración de datos grandes y generación de insights nuevos, aunque puede generar resultados menos predecibles sin validación humana.

 

Comparación Clave

Aspecto	Supervisado	No Supervisado
Datos utilizados	Etiquetados (Entradas y salidas)	No etiquetados
Objetivo principal	Predicciones precisas	Descubrimiento de patrones
Ejemplos comunes	Clasificación Regresión	Agrupamiento Reducción dimensional

 

 

CASO DE ESTUDIO

 

Un caso de estudio posible en el sector minorista es el análisis de comportamientos de compra en una tienda en línea, donde se aplican ambos tipos de aprendizaje para optimizar recomendaciones y segmentación de clientes.​

 

Aprendizaje Supervisado

Una vez identificados los segmentos, se etiquetan datos históricos (ej. cliente segmentado como "impulsivo" y si compró o no un producto recomendado) para entrenar un modelo que prediga futuras compras, como recomendar laptops a quienes adquieren accesorios relacionados.

Esto mejora la precisión de predicciones en tiempo real, reduciendo devoluciones y aumentando ventas.​

 

 Aprendizaje No Supervisado

Una empresa de e-commerce analiza datos no etiquetados de compras pasadas para agrupar clientes en segmentos según patrones similares, como frecuencia de compra o tipos de productos adquiridos juntos (ej. usando algoritmos de clustering como k-means).

Esto revela grupos ocultos, como "compradores impulsivos de electrónica", sin intervención previa, facilitando exploración inicial de datos grandes.​

 

Comparación Clave (En el Caso)

Aspecto	No Supervisado (Segmentación inicial)	Supervisado (Predicciones)
Datos usados	No etiquetados. Patrones automáticos ​	Etiquetados con resultados conocidos ​
Beneficio clave	Descubre insights nuevos ​	Predicciones precisas ​
Resultado	Grupos de clientes ​	Recomendaciones personalizadas ​

 

 

 PROPUESTA INICIAL

 

Propuesta Inicial: Optimización de Recomendaciones en E-commerce

En una tienda en línea de electrónica con 1 millón de usuarios activos, se implementa un flujo híbrido de aprendizaje no supervisado para segmentación inicial de clientes y supervisado para predicciones de compra, mejorando ventas en un 15-20% mediante personalización.​

 

APRENDIZAJE SUPERVISADO

Recolección de Datos para Supervisado

Post-segmentación, etiquetar manualmente o semi-automáticamente un subconjunto (20% de datos) con salidas conocidas (ej. "compró/no compró" un producto recomendado), integrando datos de CRM como Salesforce con transacciones pasadas y clics, asegurando al menos 100.000 muestras balanceadas. Validar etiquetas con expertos en marketing para precisión >85%.​

 

Implementación Supervisado y Flujo Híbrido

Entrenar modelos como Random Forest o XGBoost en datos etiquetados para predecir compras por segmento, desplegando en tiempo real vía middleware como AWS SageMaker para recomendaciones personalizadas.

El flujo inicia con no supervisado (exploración mensual), seguido de supervisado (predicciones diarias), midiendo ROI con métricas como tasa de conversión.

 

APRENDIZAJE NO SUPERVISADO

Recolección de Datos para No Supervisado

Se recopilan datos no etiquetados de logs transaccionales (frecuencia de visitas, productos vistos, tiempo en sitio, historial de compras sin categorías predefinidas) vía APIs de plataformas como Google Analytics o bases de datos internas como Amazon Redshift, extrayendo volúmenes brutos diarios para clustering con K-means.

 

Esto genera segmentos autónomos como "compradores de gadgets frecuentes" sin intervención manual inicial.​

 

Implementación No Supervisado

Usar K-means o PCA en datos recolectados para agrupar clientes por patrones de comportamiento, identificando 5-10 clusters en 2-4 semanas de procesamiento en cloud como Google Cloud.

Los segmentos sirven como base para campañas exploratorias, optimizando inventarios sin etiquetas previas.​

 

 

REFLEXION DEL CASO (VENTAJAS Y DESVENTAJAS)

 

Las ventajas del aprendizaje automático, como la automatización de segmentación y predicciones precisas, impulsan el desarrollo de la propuesta en e-commerce al optimizar recomendaciones y aumentar ventas en un 15% - 20%, mientras que desventajas como altos costos iniciales y riesgos de seguridad pueden retrasar la implementación y elevar gastos operativos.​

 

Ventajas en Desarrollo y Rendimiento

La capacidad de procesar grandes volúmenes de datos en tiempo real acelera la fase de clustering no supervisado, identificando segmentos de clientes rápidamente para campañas personalizadas, mejorando la experiencia de usuario y tasas de conversión.

En el supervisado, la precisión predictiva reduce devoluciones y optimiza inventarios, generando ROI a largo plazo mediante modelos adaptativos como XGBoost.​

 

 

 Desventajas en Desarrollo y Rendimiento

El alto costo y tiempo de recolección/etiquetado de datos (ej. 100.000 muestras) puede extender el cronograma inicial de 9 semanas, requiriendo inversión en cloud como SageMaker y expertos en Data Science, lo que limita escalabilidad para tiendas pequeñas.

La falta de adaptabilidad a cambios estacionales o ciberataques en logs transaccionales podría degradar el rendimiento de predicciones, generando falsos positivos en detección de fraude o recomendaciones inexactas sin monitoreo continuo.​

 

 

Influencia en el Flujo Híbrido

Aspecto	Ventaja (Impacto Positivo)	Desventaja (Impacto Negativo)
Desarrollo Inicial	Automatización reduce el tiempo manual ​	Costos altos en etiquetado/cloud ​
Rendimiento Predictivo	Mayor precisión en recomendaciones ​	Rigidez ante datos nuevos ​
Sostenibilidad	ROI vía ventas incrementadas ​	Riesgos de privacidad y seguridad

 

 

 

 REFLEXION PERSONAL

(LECCIONES APRENDIDAS)

·        Este es el trabajo más Técnico en el cual he usado Inteligencia Artificial.

·        Mi Conclusión es muy básica:

o   En el Aprendizaje Supervisado el ser humano interviene mucho en el Proceso de la Inteligencia Artificial.

o   En el Aprendizaje No Supervisado, la Inteligencia Artificial es mucho más Autónoma. Llegando incluso a aprender de sí misma.

·        Haber visto como la Inteligencia Artificial propone Modelos y Pautas de Acción, en realidad me ha dejado sorprendido.

 

 

Para este trabajo se usó:

PERPLEXITY