Redes neuronales artificiales que operan por Deep Learning han mostrado ya sus capacidades de predicción mediante el procesamiento de datos. Cada día se revelan como más útiles en la anticipación de escenarios técnicas como Digital Twins o el Modelado y cobran importancia tecnologías para el tratamiento de la información como Graph Algorithms, y particularmente Computer Vision, que permite extraer datos de imágenes.
Poder anticipar el futuro ha sido un sueño recurrente desde el momento en el que los humanos desarrollamos la capacidad para el razonamiento abstracto, y por tanto la consciencia del transcurso del tiempo.
Actualmente, pese a que todavía no tenemos posibilidad de prefigurar al detalle las realidades venideras, sí que podemos ya predecir de manera fiable y detallista escenarios futuros en infinidad de ámbitos, tan variados como la BI o inteligencia de negocio, el consumo energético, la prevención de enfermedades e incluso de delitos graves.
La responsable de este importante logro es la analítica predictiva, que opera a partir de la captación de datos, la aplicación de algoritmos estadísticos y sobre todo mediante el uso de las potencialidades de la IA.
Los datos son la base que sustenta la analítica predictiva.
La base que articula todo el proceso, es el tratamiento de la información que aportan datos, ya sean de naturaleza textual, numeral o visual. A estos, se les puede aplicar un amplio repertorio de tecnologías para el tratamiento del Big Data (aunque paulatinamente se convertirá en Huge Data). Unos recursos que posibilitan erigir lo que se conoce como modelos predictivos, que permiten anticipar escenarios a partir de la evolución de ciertas variables.
Así, vemos que resulta factible prefigurar situaciones en función del comportamiento de una serie de variables predictoras, que determinarían el futuro de otras variables que reciben el nombre de predecidas.
Redes neuronales artificiales y analítica predictiva.
Para ello, se recurre a redes neuronales artificiales con capacidad de Deep Learning, que se alimentan del procesamiento en tiempo real de series de datos, entre los que no tiene por qué haber una relación lineal.
Estos sistemas operan para anticipar futuros escenarios, aunque también se emplean para procesos más sencillos, como comprobaciones de conclusiones que se hayan podido alcanzar mediante el uso de tecnologías más simples.
La simulación de escenarios mediante la técnica de los Digital Twins.
En lo que respecta a la simulación de escenarios, los modelos predictivos actuales pueden servirse de técnicas tan sofisticadas como la de los Digital Twins. Esto es la virtualización de una réplica de un agente, objeto o sistema real para simular su comportamiento y analizarlo, lo que sirve para realizar «test de estrés«, pero también para obtener una valiosa información que permite aumentar la eficiencia del activo físico.
Con ello, vemos que los modelos predictivos al margen de apoyarse en tecnologías como las redes neuronales artificiales, eventualmente pueden hacerlo en otras como la Realidad Virtual y la Aumentada, cuya conjugación está permitiendo desarrollar una nueva Realidad Mixta, que al propiciar la interacción de objetos físicos reales con virtuales posibilita dar un salto cualitativo en las capacidades predictivas, sin ir más lejos en los propios experimentos con Digital Twins.
Data Mining, Graph Algorithms, Modelado y Computer Vision.
Otro sustento básico de los análisis predictivos que se desarrollan actualmente es el Data Mining, o minería (profunda) de datos, que a través de diversas técnicas de exploración facilita desde detectar patrones hasta el propio alcance de conclusiones sólidas, susceptibles de orientar tomas de decisiones en el ámbito administrativo o empresarial.
Asimismo, también destacan herramientas analíticas como los Graph Algorithms o Graph Analytics, que plasman mediante diagramas y gráficos las relaciones entre sistemas y objetos. Mientras que recursos como el modelado posibilitan predecir resultados en función de una series de variables de entrada predictoras.
En este sentido, existen muchas coexistencias con los softwares BIM que ya se utilizan en arquitectura e ingeniería. Con la diferencia, que estos se limitan a proyectar construcciones concretas que se van a materializar, y en la analítica predictiva se prefiguran escenarios de toda índole mediante el uso de recursos de Inteligencia Artificial.
Además, los algoritmos predictores de Deep Learning pueden funcionar con sistemas de Computer Vision o procesamiento de video para captar y tratar información procedente de imágenes. Datos visuales que son la base de predicciones desarrolladas de acuerdo tanto a patrones de aprendizaje supervisado como autónomo, en el que las redes neuronales artificiales son capaces de operar a partir de datos de entrada, que no guardan una relación lineal, y que también hayan sido aportados sin información adicional.
Analítica predictiva y BI.
Si nos adentramos en las potencialidades que todo esto ofrece en el ámbito empresarial, se puede afirmar que el desarrollo de las tecnologías predictivas permite pasar de un modelo de BI (Business Intelligence) en el que la analítica de datos ejercía de soporte a las decisiones a otro más avanzado, en el que el análisis predictivo y cognitivo de la información es la base de toda la actividad en cualquier área de negocio.
Así, las compañías pasan a ser Data Driven, en la misma medida en la que se evoluciona de un modelo Big Data a otro Huge Data, que se fortificará además cuando esté plenamente implantado el Internet de las Cosas.
Con todo, el horizonte de aplicaciones de los análisis predictivos abarca cualquier campo que podamos imaginar, ya que pueden ser útiles para anticipar enfermedades, alcances de epidemias, fallas de sistemas, fraudes, el volumen de producción que tendrá una cosecha, y hasta la propia evolución de la cotización de valores como el oro.
Incluso, haciendo realidad los planteamientos futuristas que hemos visto en algunas películas, en ciudades como Nueva York desde hace unos años se emplean modelos predictivos para prevenir crímenes, que funcionan mediante sistemas que ponen en relación algo tan aparentemente imprevisible como el comportamiento humano con datos relativos a ubicaciones geográficas, al clima existente, al momento del día o las condiciones de tráfico.
