UNIVERSIDAD SIMÓN BOLÍVAR
GRUPO 1
INVESTIGACIÓN GENERALIZADA MACHINE LEARNING (LM)
ASIGNATURA: ELECTIVA DE PROFUNDIZACIÓN III (LOGÍSTICA INTEGRAL E
INDUSTRIA 4.0)
DOCENTE: DAVID MARTINEZ
ESTUDIANTES:
BOJANINI YANCE RASHIDD
CASTRO TANGARIFE KAREN
GOMEZ RODRIGUEZ MARYORI
HIGUITA VARGAS GINNA
BARRANQUILLA - ATLÁNTICO
2024
MACHINE LEARNING (LM)
Es también conocido como aprendizaje automático, es una rama de la inteligencia
artificial (IA) y la informática que se centra en el uso de datos y algoritmos para imitar
la forma en la que aprenden los seres humanos, con una mejora gradual de su
precisión.
El ML no es auto programación, sino auto aprendizaje de datos y experiencia para
generar patrones y resolver nuevas tareas.
ML resuelve situaciones por sí solo a partir de un análisis de datos y cuantos más datos
tengan mejores resultados, además, para realizar el análisis se utilizan algoritmos que
diseñan otros datos según las necesidades.
APLICACIONES COMUNES DE MACHINE LEARNING
Las aplicaciones del ML se pueden identificar en aplicaciones de uso cotidiano como
Twitter o Facebook, por ejemplo, cuando agrega un amigo o una persona a través de
las famosas recomendaciones, o incluso en YouTube es muy común viajar a través de
los videos recomendados, muchos del usuario de estas herramientas y otras, han
experimentado estas recomendaciones (Ingeniero, 2015). Para tener una mayor
claridad sobre el ML, a continuación, se describen algunas áreas en las que este tipo
de tecnología se usa comúnmente:
• Detección de correos electrónicos no deseados (spam): mediante la detección de
texto en correos electrónicos recibidos, los algoritmos de ML los clasifica como no
deseados (Lenin J., 2017) y (Ingeniero, 2015).
• Detección de patrones en imágenes: esta función se encuentra en la cámara
fotográfica en la que se detectan las sonrisas de las personas que se identifican y una
vez que están sonriendo, se realiza la toma automáticamente. El desafío aquí es
identificar que la persona está sonriendo dadas todas las características faciales que
una persona puede tener (Ingeniero, 2015).
Otra Aplicación muy utilizada es AMAZON, la cual da recomendaciones de productos
de acuerdo a los patrones de compra que identifica, es fascinante esta aplicación
dentro del mundo del aprendizaje automático (Ingeniero, 2015) y Bishop, C. (2007).
TIPOS DE APRENDIZAJE DE MACHINE LEARNING
Para comprender esta actividad, es importante conocer la clasificación de los tipos de
algoritmos de aprendizaje de ML que se describirán a continuación:
• Aprendizaje supervisado: se enseña al algoritmo cómo realizar su trabajo (Rojas, E.
2018), con un conjunto de datos clasificados bajo una cierta apreciación o idea para
encontrar patrones que puedan aplicarse en un análisis (Mueller, J., & Massaron, L.,
2016) y producir una salida que ya se conoce.
• Aprendizaje no supervisado: se define como un modelo predictivo entrenado de
manera similar al aprendizaje supervisado, pero la diferencia es que la comprensión
se da en datos no clasificados o etiquetados y descubre patrones de ejemplos
similares entre grupos de datos (Bishop, C., 2007).
• Aprendizaje reforzado: es un tipo de aprendizaje automático en el que no hay
capacitación con datos clasificados o no clasificados; el sistema aprende en un
entorno donde no hay información sobre la posible salida (López, J., López, B., & Díaz,
V., 2004), a través de acciones y los resultados obtenidos, como lo mencionan Mueller,
J., & Massaron, L. (2016) además, el modelo se refuerza al resolver el problema de la
mejor manera.
APLICACIONES Y EJEMPLOS DE MACHINE LEARNING EN LOGÍSTICA
Una de las principales ventajas de la aplicación del machine learning en la logística es
la oportunidad que ofrece de reducir costes manteniendo intactas las expectativas de
los clientes. En la cadena de suministro, el machine learning ayuda a reducir tanto los
costes del inventario y las operaciones como los tiempos de respuesta.
En la logística del transporte, los modelos de machine learning crean las rutas más
optimizadas para llegar antes al destino. Pronto, este aspecto dará un salto adelante
con la popularización de los vehículos autónomos.
Por otra parte, el machine learning analiza los datos para descubrir la mejor manera de
optimizar el inventario. Da acceso al inventario no solo en tiempo real sino también con
anticipación, para facilitar el picking, el almacenaje y la planificación de futuras
entregas evitando la aparición de errores durante la carga y la entrega.
El mundo de la logística y las cadenas de suministro es complejo y suelen aparecer
imprevistos. El machine learning simplifica la planificación y programa las diferentes
tareas con más precisión y eficiencia, evitando las interrupciones indeseadas.
Otro punto fuerte es que puede predecir con antelación las demandas de producción.
Los sistemas informáticos basados en machine learning buscan patrones y
conexiones entre todos los datos que reciben y almacenan para detectar cualquier
posible exceso o déficit de demanda.
A un nivel puramente de ciberseguridad, el aprendizaje automático es capaz de
detectar ciberataques o cualquier tipo de intrusión en la red de comunicación de
datos.
En definitiva, en un contexto en el que cada vez existe más presión para entregar las
mercancías, tanto a nivel nacional como internacional, de una manera más rápida,
eficiente y económica, el machine learning está llamado a desempeñar un papel cada
vez más importante en la logística de las empresas.
REFLEXIÓN
¿Qué barreras cree usted que puede tener la aplicación de Machine Learning en
las empresas de la región caribe?
La aplicación de Machine Learning (ML) puede generar diversas barreras, muchas
empresas en la región del Caribe pueden no tener la infraestructura tecnológica
necesaria para implementar y ejecutar modelos de Machine learning de manera
efectiva, esto incluye la falta de hardware, conexiones de internet lentas y escasez de
profesionales capacitados en tecnologías avanzadas.
Por otra parte también pueden enfrentar resistencia a la adopción de nuevas
tecnologías debido a una cultura organizacional arraigada en métodos tradicionales de
operación. La falta de comprensión sobre los beneficios potenciales del Machine
learning y el temor al cambio que pueden obstaculizar la adopción.
Como otra barrera podemos considerar los desafíos regulatorios y de cumplimiento
relacionados con la privacidad de los datos y la seguridad de la información, ya que las
leyes y regulaciones en torno al manejo de datos personales pueden ser estrictas y
pueden dificultar la recopilación y el uso de datos para el entrenamiento de modelos
de Machine learning.
Por último la considerada fundamental seria el costo de implementación, pues no es
un secreto que la aplicación de tecnologías inteligentes puede ser muy costosa,
especialmente para empresas pequeñas o con recursos financieros limitados, para
este caso en particular el Machine learning incluye un alto costo de adquisición, de
contratación de personal especializado y de mantenimiento de sistemas.
VIDEO DE APLICACIÓN: [Link]
INFOGRAFIA
• [Link]
achine_learning.pdf/6902d55b-3af0-1eb2-95f5-
ad2d13790e9a?t=1627968463990