El informe Tendencias Globales de Capital Humano 2019 de Deloitte, basado en una encuesta con casi 10.000 participantes en 119 países, descubrió que un 80% de los participantes preveía el crecimiento de las tecnologías cognitivas, entre las que está el machine learning.
La gran mayoría de los avances y aplicaciones de inteligencia artificial que escuchan se refieren a una categoría de algoritmos conocida como Machine Learning. Los algoritmos de aprendizaje automático utilizan estadísticas para encontrar patrones en cantidades masivas de datos.
El aprendizaje automático es el proceso que impulsa muchos de los servicios que utilizamos hoy en día: sistemas de recomendación como los de Netflix, YouTube y Spotify; buscadores como Google y Baidu o redes sociales como Facebook y Twitter, entre otros.
En todos estos casos, cada plataforma recopila la mayor cantidad de información posible acerca de nosotros: los géneros que le gusta ver, los enlaces en los que hace clic, los estados a los que reacciona y el aprendizaje automático para hacer una suposición altamente informada sobre lo que hace, lo siguiente que podría querer o, en el caso de un asistente de voz, sobre qué palabras coinciden mejor con los sonidos divertidos que salen de tu boca.
Deep Learning
El Deep Learning utiliza una técnica que otorga a las máquinas una capacidad mejorada para encontrar, y amplificar, incluso los patrones más pequeños. Esta técnica se denomina red neuronal profunda. Las redes neuronales se inspiraron vagamente en el funcionamiento interno del cerebro humano. Los nodos son como neuronas y la red es como el cerebro mismo.
Existen 3 tipos de aprendizaje: el aprendizaje supervisado, no supervisado y reforzado.
En el aprendizaje supervisado, el más frecuente, los datos se etiquetan para indicar a la máquina exactamente qué patrones deben buscar. Eso es lo que estás haciendo cuando presionas play en un programa de Netflix: le estás diciendo al algoritmo que encuentre programas similares.
En el aprendizaje no supervisado, los datos no tienen etiquetas. La máquina solo busca cualquier patrón que pueda encontrar. Las técnicas no supervisadas no son tan populares porque tienen aplicaciones menos obvias aunque curiosamente, han ganado fuerza en la ciberseguridad.
Por último, tenemos el aprendizaje por refuerzo, la última frontera del aprendizaje automático. Un algoritmo de refuerzo aprende por ensayo y error para lograr un objetivo claro. Prueba muchas cosas diferentes y es recompensado o penalizado dependiendo de si sus comportamientos ayudan o le impiden alcanzar su objetivo. El aprendizaje por refuerzo es la base de AlphaGo de Google, el programa que supera a los mejores jugadores humanos en el complejo juego de Go.
¿Qué aporta el Machine Learning a mi gestión de Recursos Humanos?
Aplicado a los Recursos Humanos, si bien el potencial de crecimiento es amplio, el uso actual del Machine Learning es limitado y presenta un dilema que deberá resolverse en el futuro, relacionado con la capacidad de las máquinas de descubrir el talento en los seres humanos, más allá de sus competencias duras y verificables como, por ejemplo, nivel de estudios, etc.
La inteligencia del software está transformando los recursos humanos. Por el momento tiene su foco principal en los procesos de reclutamiento, que en la mayoría de las ocasiones es un proceso muy costoso e ineficiente donde nuestro objetivo es buscar a los mejores candidatos entre miles de ellos, aunque podemos encontrar múltiples ejemplos de aplicación.
Desde el punto de vista del negocio, la tecnología de aprendizaje automático es una oportunidad para impulsar una mayor eficiencia y una mejor eficacia en la toma de decisiones. Esto ayudará a todos a tomar mejores decisiones e, igualmente importante, le dará a Recursos Humanos una voz estratégica y valiosa a nivel ejecutivo.
