Machine Learning en la experiencia de cliente

Cuéntanos la historia que hay detrás del equipo de aprendizaje automático en NETCONOMY. ¿Cómo está configurado y cómo funciona?

Estamos en el año 2021 y las expectativas de los clientes no hacen más que crecer. Los clientes exigen experiencias personalizadas y adaptadas para no abandonar el carrito sin dudarlo ni un instante. Si no obtienen un servicio de atención al cliente rápido y de confianza, sencillamente no volverán a elegirte y tu competencia saldrá ganando.

El cliente moderno es muy consciente de todos los datos procesados ​​con todas las interacciones digitales y, por lo tanto, también espera que utilices esos datos para ofrecerle una experiencia perfecta. Con la gran cantidad de datos que se procesan, estamos observando un impulso en la adopción de enfoques y técnicas de Machine Learning (ML), que permiten proporcionar un valor adicional que, de otro modo, sería muy difícil de aportar.

Como asesores estratégicos de nuestros clientes, en NETCONOMY también somos conscientes de la perspectiva económica de las soluciones potenciadas por ML. Creemos que las nuevas tecnologías y los nuevos conceptos requieren recursos especializados que se centren en hacer crecer ese campo específico, y es por eso que formamos un equipo de Machine Learning.

Uno de nuestros expertos en Machine Learhing, Vid Jelen, explica en qué se centra el  equipo y qué significa el ML para nuestros clientes.

Machine Learning es tanto una palabra de moda como un campo «candente» con un enorme potencial. No hay duda de que los conceptos de ML pueden desempeñar un papel importante en el desarrollo de soluciones y plataformas que gestionen y mejoren la experiencia del cliente. Pero mencionemos algunos casos específicos. Por ejemplo, ¿cómo pueden las organizaciones aprovechar los conceptos de ML para habilitar un mejor sistema de recomendaciones?

Cuando se trata de la experiencia del cliente, hay muchas razones y formas en que las organizaciones pueden aprovechar el potencial del ML. Los sistemas de recomendación son sin duda una de ellas. Actualmente, las tendencias muestran que la personalización como característica está acelerando el ritmo y empezando a tener más peso que nunca. Digamos que estás buscando una prenda de vestir determinada. Si soy un cliente habitual, es posible que ya haya disponibles algunos patrones de datos sobre mis preferencias y comportamiento de interacciones anteriores con la tienda. Las soluciones potenciadas por ML pueden ayudar a las marcas a reconocer esos patrones al comprar un determinado producto, color o tamaño en particular. Basándose en esto, la interfaz puede adaptarse para personalizar la experiencia y ofrecerme los productos que mejor se adapten a mí, sin tener que buscarlos manualmente. Como proveedor de soluciones de ML, también podemos priorizar un determinado producto, marca o estilo en los resultados de búsqueda. O colocarlos en la parte superior de la página de inicio. Lo mismo ocurre con los artículos complementarios y las ventas adicionales. Los datos de cliente ayudan a construir una solución personalizada y también permiten mejoras continuas a lo largo del tiempo. Esto, por supuesto, tiene en cuenta el consentimiento del cliente, y nos aseguramos de cumplir con las normativas de datos, como el RGPD, ofreciendo esta experiencia a las personas que voluntariamente la aceptan.

El reconocimiento de imágenes es otro caso común cuando hablamos de soluciones potenciadas por machine learning. ¿Por qué?

Navegar por una tienda con imágenes en lugar de con texto a través de búsquedas de similitud visual es una de las funciones más populares en este momento. El área de ML que trata este tema es lo que llamamos la «visión artificial», y se han desarrollado muchos modos de extraer información de datos de imágenes y vídeos. En un nivel superior, nosotros, los seres humanos, somos capaces de entender los objetos desconocidos que no hemos visto antes si se parecen a un objeto que ya conocemos. Pero los ordenadores no funcionan así, estos deben programarse explícitamente para hacer algo en particular. No obstante, con las técnicas de visión artificial, podemos «enseñar» a los ordenadores a reconocer similitudes entre objetos que no hayan visto nunca antes. Por ejemplo, la gente entiende que un zapato es muy similar a una sandalia (ambos son calzados) y es un concepto que también podemos enseñar a las computadoras mediante la creación de «modelos de aprendizaje automático». Así, alojan las representaciones de alto nivel extraídas de los objetos que queremos que reconozcan. Este modelo puede predecir, si le muestras una imagen de una sandalia y una imagen de un sombrero, que la sandalia es un tipo de calzado y que el sombrero probablemente no lo sea. Ahora mismo, se trata de un estudio de caso muy común, no solo por el componente de comparación visual, sino también porque permite comprar sin texto. Por poner otro ejemplo, digamos que estás buscando un dispositivo electrónico específico. Tal vez la marca sea visible, pero no conoces el código o el nombre exacto del producto. Normalmente, tendrías que escribir toda esa información, lo que lleva mucho tiempo. Con la comparación visual, puedes hacer una fotografía y averiguar el precio, la disponibilidad, las especificaciones completas del artículo, o bien, encontrar el que más se le parezca. En esencia, esto significa que puedes navegar por toda la tienda haciendo una simple foto. De esta manera, simplificamos y mejoramos la experiencia general del cliente, ahorrando tiempo, ofreciendo más oportunidades y evitando que el cliente tenga que ingresar información innecesaria.

Cuéntanos la historia que hay detrás del equipo de Machine Learning en NETCONOMY. ¿Cómo está configurado y cómo funciona?

En general, hoy en día, las empresas orientadas al ML son muy polifacéticas. Tienen equipos de productos de datos y también otros tantos equipos orientados a los datos. Estas empresas cubren una multitud de dominios de aprendizaje automático y tienen experiencia en el espacio del ML (como Google) o se han decantado por esta área más recientemente, con distintos niveles de experiencia, y se centran principalmente en subdominios particulares mientras construyen sus capacidades de ML. Nuestro equipo forma parte de los esfuerzos de NETCONOMY por ampliar las capacidades de ML, desde el ámbito académico al mundo real, y en esta etapa nos encontramos centrados en proyectos de ML para el comercio minorista. En un alto nivel, las proyecciones de crecimiento del mercado del machine learning son exponenciales. Huelga decir que la participación del ML está creciendo a pasos agigantados, y no solo en el comercio electrónico sino también en otros campos. Nuestro equipo contó con un sólido apoyo de gestión desde el principio y comenzó a desarrollar capacidades internas a principios de 2019. Somos un equipo muy pequeño y muy orientado a la investigación, lo que significa que trabajamos en tecnologías que todavía se encuentran en desarrollo, antes de que puedan utilizarse en proyectos, tanto en términos de conocimientos como en la forma de implementarlos de manera eficiente. Nuestra jerga y términos técnicos son muy específicos, por lo que todavía suenan extraños para mucha gente, incluso dentro de la empresa. El aprendizaje automático avanza muy rápido, y necesitamos aprender e iterar constantemente sobre nuevas ideas, mientras a menudo debemos descartar por completo ideas antiguas. Pero también es un reto para nuestro equipo, que lo aborda a medida que ampliamos nuestros conocimientos e introducimos nuevas soluciones que puedan beneficiar a nuestros clientes.

Otro aspecto interesante de nuestro trabajo es que no solo están surgiendo nuevas herramientas, sino que también aparecen problemas nuevos y únicos: en un año, podríamos estar resolviendo problemas que ni siquiera sabemos que tenemos hoy. Por lo tanto, queda claro que queremos ir un paso por delante, por lo que estamos invirtiendo mucho en capacitación, formación y experimentación.

También tuvimos que aumentar la velocidad a la que nuestro equipo era capaz de iterar en las soluciones de ML, por lo que invertimos en un servidor construido específicamente en las instalaciones y dedicado a las cargas de trabajo de cálculo de ML.

Los cálculos de ML incluyen mucha álgebra lineal: sumas de matrices, multiplicaciones, etc. Se trata de procesos relativamente simples, pero deben realizarse una y otra vez. Afortunadamente, se pueden realizar en paralelo, por lo que podemos acelerarlos si usamos procesamiento paralelo. Esto se traduce en muchos núcleos de CPU junto con RAM para alojar esos datos, y para el ML también podemos usar tarjetas gráficas, que pueden realizar millones de operaciones de este tipo en paralelo. Esto mejora drásticamente la velocidad de nuestras cargas de trabajo de ML.

Ya has trabajado en varios casos que incluyen soluciones potenciadas por el aprendizaje automático. ¿Puedes mencionar otros casos interesantes?

Con mucho gusto! El campo en sí es enorme y hay un montón de tecnologías con las que hemos experimentado y hay muchas posibilidades de implementarlas en proyectos relacionados con la experiencia del cliente. La búsqueda de similitud visual fue uno de los estudios de caso, ya mencionado anteriormente. Otro es el análisis de contenido de vídeo: puedes detectar a personas y productos en un vídeo, hacer un resumen del vídeo en una gran biblioteca de vídeos y también detectar escenas concretas. Digamos que hay un anuncio sobre ciertos productos alimenticios. Una persona abre la nevera y se muestran varios productos. Con el uso del ML, puedes detectar estas escenas y productos rápidamente, sin tener que volver a ver todo el vídeo.

Otro proyecto interesante fue la detección de objetos con Microsoft HoloLens. Empleamos la transmisión de vídeo de HoloLens para superponer cuadros delimitadores de objetos que podíamos reconocer con un modelo de ML. También trabajamos con soluciones de chatbot, que ofrecen la posibilidad de automatizar la atención al cliente y disminuir gran parte del trabajo manual que deba realizarse. Los clientes valoran especialmente disponer de un canal de atención receptivo y útil como parte de su experiencia en una tienda web.

El procesamiento del lenguaje natural (PLN) también es un campo interesante y de rápida evolución del ML. Hemos experimentado con soluciones de atención de pila completa que contienen componentes impulsados ​​​​por PLN. Digamos que un cliente compra algo y obtiene un recibo en la tienda. Este recibo podría fotografiarse, analizarse con métodos PLN y que estos datos pasen inmediatamente a estar disponibles en la tienda para obtener beneficios adicionales como, p. ej.,  para el sistema del programa de fidelización. En este caso, el cliente solo tendría que hacer una foto al recibo y subirla a una cuenta personal de la tienda web. Los puntos de fidelidad se otorgarían automáticamente y la información podría utilizarse para crear ofertas y descuentos personalizados más adelante.

NETCONOMY Equipo de Machine Learning

Por último, pero no menos importante, queremos una opinión personal. ¿Cómo es trabajar en este equipo? ¿Cómo crees que se desarrollarán las cosas en el futuro?

Hay retos relacionados con la tecnología, por supuesto, ya que este es un campo que está cambiando mucho. Pero cuando empiezas con la suficiente antelación y cuentas con el apoyo de la administración, todo puede resolverse de manera sencilla.

En cuanto a nuestro equipo, todavía somos pequeños en un campo que está creciendo a mucha velocidad. Tenemos una especie de «mentalidad de start-up» que se nos anima a experimentar e iterar constantemente, lo que en ocasiones puede ser abrumador, pero también es extremadamente gratificante cuando las implementaciones complejas cobran vida. También me gusta plantear otro término muy común que tenemos en paralelo con las start-up: el crecimiento. Con el tiempo, las ideas se vuelven más relevantes y atrevidas, los clientes proponen problemas más atractivos y desafiantes que resolver, y nosotros nos sentimos más seguros al ofrecer soluciones más complejas e innovadoras. El futuro es prometedor y también emocionante, ¡estoy seguro de ello!