claudia yarelih banderas flores

Presentación Aplicación de Machine Learning en Software de Punto de Venta

Aplicación de Encuesta:

Análisis de resultados

La siguiente encuesta se realizó en la semana del 20 de Mayo del 2019, por medios digitales, con una población de 12 personas dentro de la República Mexicana.

¿Haz escuchado hablar y sabes que es Machine Learning?

En general esta respuesta muestra que el conocimiento sobre Machine Learning tiene una distribución homogenea, ya que existen personas que nunca han escuchado del término hasta algunas que lo conocen muy bien.

¿Qué palabra describe mejor tu percepción acerca de Machine Learning o Inteligencia Artificial?

La respuesta a esta pregunta genera datos muy interesantes, el 100% de los entrevistados asocia Machine Learning con Innovación o Inteligencia, ninguno de los entrevistados asocia primordialmente la tecnología de Inteligencia Artificial con alguna connotación negativa, a pesar de haber serios detractores y/o críticos del poder indiscriminado de Machine Learning con gran poder de influencia como Elon Musk (CEO de Tesla) o Satya Nadella (CEO de Microsoft). La confianza entre la población permite que se desarrollen nuevos productos sin gran resistencia de la sociedad.

¿Cuando vas a comprar a una tienda departamental o de supermercado?

Cuando van de compras ninguno de los entrevistados tiene como prioridad la socialización. Esto es importante ya que el desarrollo de productos de Inteligencia Artificial tiene en uno de sus más grandes retos el poder ser humanizado o empático, lo que permite un desarrollo ágil sin prioritizar dichas tareas.

Si pudieras salir de una tienda y que se te cobrara a tu cuenta bancaria sin necesidad de pasar por un cajero, que tan dispuesto estarías a que se te grabara (incluyendo tu cara) todo el tiempo:

Esta pregunta también arroja datos interesantes ya que solo el 23% de la población indica que tendría algún problema con ser grabados.

Si fueras a un supermercado, y cada vez que fueras hubiera mejores promociones y ofertas de productos que a ti te interesan, estarías dispuesto a:

Al igual que la pregunta anterior, los resultados permiten ser optimistas en el desarrollo de la tecnología, ya que la mayor parte de la población está de acuerdo en ceder algo de privacidad a cambio de un valor tangible.

¿Qué opinas de los escándalos de privacidad de Facebook donde se compartieron datos personales a empresas con operaciones ilegales o antiéticas?

La confianza en la tecnología no se vió afectada drásticamente, ninguna persona dejó de utilizar Facebook, aún cuando puso en serio entredicho la privacidad de los datos.

Si hubiera un servicio donde te llegara cada semana tu despensa a tu casa, y fuera casi siempre lo que necesitas, ¿Qué tan dispuesto estarías a subscribirte?

En estas respuestas podemos ver de nuevo que existe una confianza a cada vez usar más tecnología para ayudar a las labores diarias, solo un entrevistado contestó que no le gustaría la asistencia de inteligencia artificíal. Por otro lado también podemos ver que no existe una confianza ciega, y aún existe cierta resistencia a dejar todas las desiciones a una maquina en lugar de a un ser humano.

¿Cuál es tu método de compra más utilizado?

Demográficamente vemos que cada vez menos personas asisten a una tienda de la esquina, y cada vez más personas compran en línea.

Si hubiera un servicio que te recomendara ropa o zapatos de acuerdo a tus gustos, anatomía y temporadas, ¿qué tán dispuesto estarías a utilizarlo?

Esta pregunta valida la hipótesis de que aún no existe confianza ciega en la tecnología, la población se siente más cómoda cuando la desición es tomada por un ser humano, aún cuando este sea asistido por una máquina.

¿Qué tanto crees que has tenido contacto con algún sistema de Inteligencia Artificial o Machine Learning?

Existe cada vez más conciencia de como se ha permeado este tipo de tecnologías a la vida diaria, sin embargo, muy probablemente existan muchos procesos en el día a día que usan Inteligencia Artificíal y que no nos damos cuenta.

Datos demográficos

Edad

Es importante validar los datos con la distribución homogenea de la población, con representación de los rangos más representativos.

¿En que estado de México vives?

Así también tuvimos buena representación a lo largo de la República Mexicana, que permite validar comportamientos similares dentro del país, y muy probablemente similares a todo Latinoamerica.

Ocupación

La mayor parte de la población se encuentra en edad productiva y con un nivel de estudios que le permite conocer acerca del tema.

Reto. “Pamela y sus amigos”

Pamela y sus tres amigos se van a reunir el sábado en la noche para cena, cada uno hará un platillo (Rodríguez, también).

Determina el nombre completo de cada uno de los comensales, así como el tipo de comida que preparará (uno de los muchachos irá, cocinará ravioles). 

1. Fernando no llevará estofado.
2. Como la señorita Barrios está a dieta, le dijo a Vargas que sólo podrá comer el platillo que ella misma preparará.
3. Tina le pidió a la persona que preparará la ensalada que la hiciera de vegetales crudos porque le encantan.
4. Diego y Ríos piensan que como la chica que va a cocina el estofado es muy delgada, será la única que podrá disfrutar libremente de todos los platillos.
5. Rodríguez, que hará el pastel, le preguntó a Fernando y a Tina de qué sabor lo preferían.

Tabla de conclusiones e inferencias

Conclusiones.

• Diego Rodriguez llevará Pastel
• Fernando Rios llevará Ravioles
• Tina Vargas llevará Estofado
• Pamela Barrios llevará Ensalada

GUION DE LA ENTREVISTA

Entrevistado: Kathryn Papandrew – Software Engineer en Microsoft
15 de Mayo del 2019

Preguntas:

1. ¿Qué es Machine Learning?
2. Platicamos un poco acerca de ti y tu experiencia con Machine Learning
3. Describenos un poco como usas Machine Learning en tu trabajo actual
4. ¿Cuáles son algunos ejemplos de aplicaciones recientes de Machine Learning?
5. ¿Qué industrias usan Machine Learning extensivamente?
6. ¿Existe algun ejemplo de Machine Learning aplicado en la industría de retail (venta al público)?
7. ¿Qué tan difícil es para pequeñas o medianas empresas de desarrollo de software aplicar Machine Learning en sus productos?
8. ¿Cuál es el futuro de Machine Learning en la industria de venta al público?
9. ¿Cuáles son 3 cosas que un ingeniero debe saber para empezar a crear modelos de Machine Learning?
10. ¿Crees que la tecnología de Machine Learning se hará más accesible para el público en general?
11. Personalmente, dime una cosa que realmente te emociona acerca de Machine Learning

Debido a que el idioma nativo del entrevistado no es el español, se han preparado una traducción de las preguntas.

Interview Script

1. What is Machine Learning?
2. Tell us a little bit about yourself and your experience with Machine Learning
3. Describe how you use Machine Learning currently on your job
4. What are some state of the art Machine Learning examples?
5. What industries are leveraging on Machine Learning?
6. Is there any example of Machine Learning applied to Retail?
7. How difficult is for a small or midsize software company to apply Machine Learning to their products?
8. What is the future of Machine Learning for the Retail industry?
9. What are three things an engineer need to know before start creating Machine Learning models?
10. Do you envision some democratization of the Machine Learning technology?
11. Personally, what is the most exciting thing for you about Machine Learning?

Aplicación de la Entrevista

Visita de reconocimiento a Microsoft, Campus Redmond

14 de Mayo del 2019

No es la primera vez que visito este Campus, sin embargo es la primera vez que lo hago por motivos académicos o de trabajo. En general el campus de Microsoft, Redmond es muy extenso, vamos a visitor el edificio 122 que es donde trabaja mi esposo y quien podría ayudarme a encontrar a un experto en el tema de mi investigación que es Machine Learning.

El edificio es de reciente remodelación, se nota que hay una inversion importante en infraestructura.

Para poder entrar es necesario registrarse y estar en todo momento acompañado. Esto indica que hay áreas a las que no podemos acceder, y que estaremos en las oficinas donde trabaja el personal.

El lugar es muy ámplio y existe mucha luz. Las zonas se llaman vecindarios y en estas trabajan distintos grupos de trabajo, buscaremos alguien que esté trabajando en algún equipo que utilize Machine Learning.

La plataforma en la nube de Microsoft se llama Azure, existe un servicio de Machine Learning, pero este no se encuentra en el edificio 122, no existe indicaciones claras de que trabaja cada vecindario, aunque se pueden ver algunas decoraciones que pueden indicar cuando un equipo trabaja en Xbox o Microsoft Office.

En uno de los vecindarios trabaja un equipo que tiene contacto con clientes, mi esposo me presentó a una ingeniero, Katheryn Papandrew, que tiene una maestría en Machine Learning y será a quien entrevistaremos.

Revisamos las salas de juntas, para ver si podremos apartar alguna, donde podamos realizar la entrevista.

Katheryn acepta que realicemos una grabación, ella habla un poco de español así que intentaremos realizar la entrevista en español, aunque la prepararemos también en inglés.

No pudimos encontrar alguien más que hablara algo de español y fuera experto de Machine Learning.

La impresión general del lugar es que a las personas les gusta trabajar ahí, es una empresa muy grande, internacional, con empleados de diferentes culturas y diferentes maneras de ver las cosas, con gente muy talentosa y expertos en muchas áreas de la tecnología. En general es una empresa que impacta.

El edificio es bastante cómodo y bastante amigable con el ambiente, mi impresión es que está diseñado para crear ambientes de trabajo cómodos y agradables, con muchos espacios para enfocarte en tu trabajo, para desestresarte y para despreocuparte de factores externos. Tienes todo a la mano y que puedas ser productivo.

15 de Mayo del 2019

La cita se concerto para el día 16 de Mayo por la tarde. Katheryn pide que se le manden algunas de las preguntas de antemano para poder prepararse porque el español no es su idioma natal.

Aplicacion de modelos de Machine Learning en Software de Punto de Venta

Marco Teórico.

Antecedentes.

El campo de la inteligencia artificial aplicada a la industria, y en específico tecnologías de Machine Learning es muy amplio y ha tenido diversos esfuerzos a lo largo de su corta historia. Es un campo qué, aunque ha sido explorado por múltiples esfuerzos aún tiene gran potencial de descubrimiento e innovación.

Como tal, el Machine Learning es una rama de la inteligencia artificial cuyo objetivo es descubrir patrones automáticamente a partir de un conjunto de datos (Marcos & Elías, 2017).

Algunos ejemplos relevantes de sus aplicaciones previas son:

• Industria Siderúrgica, ya que con el análisis de los grandes volúmenes de datos procedentes de procesos industriales es posible generar información muy valiosa acerca del comportamiento de dichos procesos, reduciendo la incertidumbre y ayudando en la toma de decisiones (Marcos & Elías, 2017).
• Análisis de riesgo en prestamos en la venta al menudeo, donde gradualmente ha reemplazado sistemas de regresión lineal. (Gorter, 2017)
• Venta al menudeo, para entender los gustos de los consumidores. Caso relevante es Amazon. (Hassoun, 2017)
• Machine Learning e Inteligencia Artificial para incrementar tus ventas, incrementando los clientes potenciales en un 50% y reduciendo costos en hasta 60%. (Azhara, 2019) (Thomas Baumgartner, 2016)

Por estos ejemplos creemos que la aplicación e integración del Machine Learning en Software Punto de Venta es una progresión natural que tendrá mayor relevancia en el futuro inmediato. A lo largo de esta investigación trataremos de encontrar el estado actual de dicha integración, vertientes de innovación, así como la dificultad para nuevas empresas y emprendimientos para integrar dicha tecnología a sus productos.

Bases Teóricas.

Debido a nuevas tecnologías de cómputo, hoy día el machine learning no es como el del pasado. Nació del reconocimiento de patrones y de la teoría que dice que las computadoras pueden aprender sin ser programadas para realizar tareas específicas; investigadores interesados en la inteligencia artificial deseaban saber si las computadoras podían aprender de datos. El aspecto iterativo del machine learning es importante porque a medida que los modelos son expuestos a nuevos datos, éstos pueden adaptarse de forma independiente. Aprenden de cálculos previos para producir decisiones y resultados confiables y repetibles. Es una ciencia que no es nueva – pero que ha cobrado un nuevo impulso. (Pacheco, 2019)

Bibliografía

Azhara. (21 de Febrero de 2019). Geographica. Obtenido de Machine Learning e Inteligencia Artificial para incrementar tus ventas: https://geographica.com/es/blog/machine-learning-e-inteligencia-artificial-incrementar-tus-ventas/

Gorter, D. (2017). Added value of machine learning in retail credit risk. Obtenido de https://essay.utwente.nl/72314/

Hassoun, H. (28 de Junio de 2017). Retail Innovation Shout Out: Using Machine Learning to Understand Customer Tastes. Obtenido de http://viewpoints.io/entry/retail-innovation-shout-out-using-machine-learning-to-understand-customer-t

Marcos, A. G., & Elías, F. A. (2017). Machine Learning en la industria: el caso de la siderurgia. Recuperado el 8 de 5 de 2019, de https://dialnet.unirioja.es/servlet/articulo?codigo=6207513

Pacheco, V. G. (18 de 01 de 2019). Una Breve Historia del Machine Learning. Obtenido de https://data-speaks.luca-d3.com/2018/11/una-breve-historia-del-machine-learning.html

Thomas Baumgartner, H. H. (10 de Junio de 2016). Why Salespeople Need to Develop “Machine Intelligence”. Obtenido de https://hbr.org/2016/06/why-salespeople-need-to-develop-machine-intelligence

Buscadores utilizados para realizar la recopilación de información

Documento con registro bibliográfico en formato APA