Course of Action 1 (TDC located in Juba)

La popularidad del aprendizaje automático y la minería de datos están en aumento en el mundo comercial debido a la contribución sustancial que puede ofrecer en una gran variedad de industrias. Las compañías de telecomunicaciones y de tarjetas de crédito son dos de las líderes en su aplicación. A continuación se exponen algunas de estas aplicaciones.

La clasificación de objetos celestiales

En un estudio hecho por el observatorio celestial de Palomar, astrónomos coleccionaron 3

terabytes de datos de la imagen durante 6 años, conteniendo los datos de aproximadamente 2 mil millones de objetos del cielo. La meta del proyecto era determinar la clase de cada objeto, estrellas contra galaxias. Primero, los datos eran preprocesados, y se aislaron los objetos individuales del cielo usando técnicas de segmentación de imágenes. Los astrónomos definieron entonces que un conjunto de 40 rasgos predictores diferentes y

crearon una base de datos de entrenamiento de objetos del cielo con su clasificación. La construcción de un árbol de decisión fue usada para entrenar un clasificador que podría predecir la clase para los objetos no clasificados. El clasificador resultante tenía una exactitud de más de 94% y producía un aumento sustancial en el número de objetos clasificados. Estos datos se usaron después por astrónomos para descubrir nuevos objetos en mucho menos tiempo que lo usual (Apley et al., 2003).

Retención de Buenos Clientes

La minería de datos está usándose para promover la retención del cliente en cualquier industria donde los clientes son libres de cambiar a los proveedores menos costosos y los competidores están ávidos por atraerlos. Si se sabe cuales de los clientes tienen mucha probabilidad de dejar la industria y por qué, se puede confeccionar un plan de retención dirigido a estos clientes. En un mercado avanzado, traer a un nuevo cliente tiende a costar más que mantener a uno existente. Sin embargo, el incentivo ofrecido para retener a un cliente es a menudo caro. El proceso de la minería es el de determinar a cuales de los clientes se le debe ofrecer el incentivo, cuales se quedarán sin el incentivo, y cuales se les debe permitir que dejen la industria (Berry and Linoff, 2004).

Diagnóstico de defectos en máquinas

Una planta química particular usa más de 1000 dispositivos diferentes, de bombas pequeñas a alternadores muy grandes, que hasta hace poco se diagnosticaban por un experto humano con 20 años de experiencia. Los defectos son identificados por las vibraciones y la energía presentes en lugares diferentes del dispositivo. Esta información es usada por el experto para llegar a un diagnóstico. Trescientos defectos, cada uno con un conjunto de medidas junto con el diagnóstico del experto, fueron usados como ejemplos de entrenamiento. Estos se aplicaron a un algoritmo de inducción para producir un conjunto de reglas de diagnóstico. Las pruebas del desempeño indicaron que las reglas aprendidas eran ligeramente superiores a los que usaba el experto, y este resultado se confirmó por el uso posterior en la fábrica (Witten and Frank, 2005).

Decisiones con respecto a préstamos bancarios

Al solicitar un préstamo, hay que rellenar una encuesta que pide información financiera y personal. Esta información es usada por el banco como la base para su decisión de prestar o no el dinero. Se usan métodos estadísticos para determinar cuales de los casos son claramente aceptables o rechazables. Para los otros casos se necesita que la decisión se tome por un humano. Se aplicó la minería de datos a estos casos. Se usó como conjunto de entrenamiento 1000 ejemplos de casos para los cuales se hizo el préstamo que especificó si el prestatario había repagado finalmente o no. Para cada ejemplo de entrenamiento, se extrajeron aproximadamente 20 rasgos de la encuesta. Un procedimiento de aprendizaje automatizado fue usado para producir algunas reglas de clasificación que mejoraron el por ciento de éxito de las decisiones del préstamo (Witten and Frank, 2005).

Investigación de imágenes

Los científicos medioambientales han intentado descubrir capas de aceite en el mar usando imágenes de satélites, para dar advertencia de desastres ecológicos y detener el descargo ilegal. Los satélites dan la oportunidad de supervisar las aguas del mar día y noche, sin tener en cuenta las condiciones de tiempo. Dado un conjunto de imágenes crudas, se identifican las regiones oscuras sospechosas y se extraen docenas de rasgos de cada región que la caracterizan. La minería de datos se aplica al conjunto de datos resultante (Witten and Frank, 2005).

Otras áreas de aplicación del aprendizaje automático

A continuación se mencionan más brevemente algunas otras aplicaciones para ilustrar la amplitud de lo que se ha hecho en este campo según (Witten and Frank, 2005):

9 Manipulación de parámetros de control: La separación del aceite crudo del gas

natural es un requisito previo esencial para el refinamiento del aceite, y es complicado controlar el proceso. Una compañía de petróleo británica usó la minería de datos para crear las reglas para fijar los parámetros. Ahora esto toma solamente

10 minutos, mientras que los expertos humanos previamente tomaban más de un día.

9 Las empresas farmacéuticas están minando grandes bases de datos de compuestos

químicos y de material genético para descubrir substancias que podrían ser candidatas para el desarrollo de agentes para el tratamiento de enfermedades (Two_Crows_Corporation, 1999).

9 La empresa Westinghouse enfrentó problemas en su proceso de fabricar pelotillas de combustible nucleares y usó la minería de datos para crear reglas para controlar el proceso. Se reportó que ahorraron más de $10 millón por año (en 1984) (Bigus, 1996).

9 En el campo de la biología se ha usado la minería de datos para ayudar a identificar miles de genes dentro de cada nuevo conjunto de cromosomas.

9 En la biomedicina se ha utilizado el aprendizaje automático para predecir la actividad de drogas. Se analiza, no sólo las propiedades químicas de drogas, sino también su estructura tridimensional. Esto acelera el descubrimiento de drogas y reduce su costo (Bigus, 1996).

9 En la química se ha usado el aprendizaje automático para predecir la estructura de ciertos compuestos orgánicos del espectro de resonancia magnética (Bigus, 1996). 9 En las industrias financieras para descubrir modelos de transacciones fraudulentas

potenciales en las tarjetas de crédito de consumidores. También se usa para predecir fluctuaciones en el tipo de interés y cambio en el mercado financiero, así como para hacer valoraciones de riesgo de crédito y para la predicción de la bancarrota (Bigus, 1996).

9 En el campo de la medicina para el diagnóstico y tratamiento de enfermedades. Los datos de muchos pacientes se pueden coleccionar y ser introducidos a un algoritmo de aprendizaje. Así un sistema puede ‘ver’ a más pacientes en un día que un doctor

la efectividad de procedimientos quirúrgicos, pruebas médicas o medicaciones (Bigus, 1996).