125 Casos de Uso de Machine Learning

125 Casos de Uso de Machine Learning

A menudo nos preguntan: ¿cuáles son las principales aplicaciones de Machine Learning e Inteligencia Artificial en la industria? Mi respuesta favorita es: Me cuesta pensar en dónde no se utilicen estas técnicas para resolver problemas de negocio. Seguramente mi respuesta no es la más adecuada y por ello hemos creado una lista con nombres propios de empresas que utilizan estos métodos para resolver problemas muy concretos.

Hemos elegido una lista no exhaustiva de los métodos de IA y Machine Learning:

1. Análisis de Supervivencia

2. Q-Learning

3. Rank Boosting

4. Deep Reinforcement Learning

5. Valores de Shapley y LIME para Interpretabilidad

6. Modelos Causales y Cálculo Do (Do-Calculus)

7. Redes Bayesianas

8. Metropolis-Hastings y Cadenas de Markov Monte Carlo (MCMC)

9. Detección de Anomalías

10. Generación Aumentada por Recuperación (RAG) para LLMs

11. Chatbots basados en LLMs

12. Detección de Anomalías en Series Temporales

13. Pruebas A/B y Algoritmos de Multi-armed Bandits

14. Redes Neuronales Multimodales

15. Redes Neuronales de Grafos (GNNs)

16. Descomposición en Valores Singulares (SVD)

17. Clasificación supervisada binaria con regresión logística o SVM

18. Regresión Lineal y Polinómica

19. Filtrado Basado en Contenido y Colaborativo

20. Detección de Objetos con CNN

21. Embeddings de Palabras

22. Reconocimiento de Entidades Nombradas (NER)

23. Clustering

24. Modelado de Temas de Textos

25. Pronóstico de Series Temporales (Multivariable)

¿Dónde aprender a utilizar la ciencia de datos y la IA?

En el Colegio de Matemáticas Bourbaki enseñamos con detalle las matemáticas y las bases para que nuestros estudiantes estén listos para aprender los modelos más avanzados de Inteligencia Artificial, Ciencia de Datos y Finanzas Cuantitativas. Estos son los dos cursos que están por comenzar y durarán todo el 2025.

• Track de Ciencia de Finanzas Cuantitativas (28 de Abril 2025, 49 semanas).

• Track de Ciencia de Datos (29 de Abril 2025, 49 semanas).

1. Clasificación supervisada binaria con regresión logística o SVM

La regresión logística estima probabilidades de pertenencia a una clase, mientras que las SVM buscan maximizar el margen entre clases. Son básicos y potentes para tareas de clasificación lineal y no lineal.

Empresa: PayPal

Detección de Fraude (Servicios Financieros): Utiliza regresión logística y SVM para identificar transacciones fraudulentas basadas en patrones de comportamiento.

Empresa: AT&T

Predicción de Pérdida de Clientes (Telecomunicaciones): Emplea regresión logística para predecir si un cliente dejará el servicio o se quedará.

Empresa: FICO

Evaluación de Riesgo Crediticio (Banca): Utiliza regresión logística para clasificar a los solicitantes de crédito como de alto o bajo riesgo según su historial crediticio.

Empresa: Gmail

Detección de Spam (Correo Electrónico): Utiliza SVM para clasificar los correos electrónicos como spam o no spam según varias características, como el remitente y el contenido.

Empresa: IBM Watson Health

Diagnóstico Médico (Salud): Utiliza regresión logística y SVM para clasificar imágenes médicas o datos de pacientes que indican una enfermedad en particular o no.

2. Regresión Lineal y Polinómica

Se utilizan para modelar relaciones entre variables independientes y dependientes. La regresión lineal ajusta una línea recta, mientras que la polinómica permite capturar relaciones más complejas mediante términos no lineales.

Empresa: Goldman Sachs

Predicción de Precios de Acciones (Finanzas): Utiliza regresión lineal para predecir los precios futuros de las acciones basándose en datos históricos e indicadores económicos.

Empresa: Zillow

Predicción de Precios de Viviendas (Bienes Raíces): Utiliza modelos de regresión polinómica para predecir los precios de viviendas basándose en variables como ubicación, metros cuadrados y comodidades.

Empresa: Walmart

Pronóstico de Ventas (Retail): Utiliza regresión lineal para predecir las ventas de productos según los datos históricos y la estacionalidad.

Empresa: Coca-Cola

Eficiencia del Gasto en Marketing (Marketing): Utiliza regresión para analizar la relación entre el gasto publicitario y los ingresos por ventas.

Empresa: Schneider Electric

Pronóstico de Demanda de Energía (Servicios Públicos): Utiliza regresión lineal para predecir la demanda futura de energía basándose en el consumo pasado, la temperatura y los indicadores económicos.

3. Clustering

El clustering (agrupamiento) es una técnica de aprendizaje no supervisado que agrupa observaciones similares en subconjuntos llamados “clusters” sin necesidad de etiquetas previas. Algoritmos como K-means, DBSCAN o clustering jerárquico permiten descubrir estructuras ocultas en los datos. Es útil en segmentación de clientes, detección de anomalías, agrupación de documentos, análisis de comportamiento y personalización de servicios.

Empresa: Target

Segmentación de Clientes (Retail): Target utiliza clustering para segmentar clientes basándose en sus comportamientos de compra y ofrecer campañas de marketing personalizadas.

Empresa: Amazon

Segmentación de Mercado (E-commerce): Amazon utiliza clustering para categorizar a los clientes según sus preferencias de productos para recomendaciones personalizadas.

Empresa: Google News

Agrupación de Documentos (Noticias): Google News utiliza clustering para agrupar artículos de noticias relacionados para facilitar la navegación del usuario.

Empresa: Facebook

Análisis de Redes Sociales (Redes Sociales): Facebook utiliza clustering para agrupar usuarios por intereses y comportamientos con el fin de ofrecer contenido personalizado.

Empresa: HSBC

Detección de Anomalías (Finanzas): HSBC utiliza clustering para detectar actividades fraudulentas en los datos de transacciones agrupando transacciones similares.

4. Detección de Objetos con CNN (Redes Neuronales Convolucionales)

La detección de objetos consiste en identificar y localizar múltiples objetos dentro de una imagen o video. Utiliza redes neuronales convolucionales (CNN), que son particularmente eficaces para analizar datos visuales. A diferencia de la clasificación de imágenes, que solo identifica la categoría principal de una imagen, la detección de objetos también señala la ubicación exacta de cada objeto mediante cajas delimitadoras (bounding boxes). Se aplica en áreas como visión por computadora en retail, manufactura (control de calidad), automóviles autónomos y vigilancia.

Empresa: Tesla

Vehículos Autónomos (Automotriz): Tesla utiliza CNN para detectar peatones, vehículos y señales de tráfico para garantizar una navegación segura en los autos autónomos.

Empresa: Zebra Medical Vision

Análisis de Imágenes Médicas (Salud): Zebra Medical Vision utiliza CNN para detectar enfermedades como el cáncer o fracturas en imágenes médicas.

Empresa: Amazon Go

Análisis en Retail (E-commerce): Amazon Go utiliza detección de objetos con CNN para identificar y seguir los artículos que los clientes toman en tiendas sin cajero.

Empresa: Face++

Seguridad (Vigilancia): Face++ utiliza CNN para detectar caras y personas en sistemas de seguridad y vigilancia.

Empresa: Fanuc

Detección de Defectos en Manufactura (Manufactura): Fanuc utiliza CNN para detectar defectos en los productos durante los procesos de control de calidad en las líneas de ensamblaje.

5. Filtrado Basado en Contenido y Colaborativo

El filtrado basado en contenido recomienda ítems similares a lo que le ha gustado al usuario según características. El colaborativo utiliza similitudes entre usuarios o entre ítems basándose en historiales compartidos. Ambos pueden combinarse en sistemas híbridos.

Empresa: Netflix

Recomendación de Películas (Streaming): Netflix utiliza filtrado colaborativo y basado en contenido para recomendar películas y programas según las preferencias de los usuarios y las características del contenido.

Empresa: Amazon

Recomendación de Productos (E-commerce): Amazon utiliza ambos métodos para sugerir productos, considerando las compras y el historial de navegación del usuario.

Empresa: Spotify

Recomendación de Música (Streaming): Spotify utiliza filtrado colaborativo (basado en preferencias de usuarios) y basado en contenido (según género, artista, etc.) para recomendar canciones.

Empresa: LinkedIn

Recomendación de Empleos (LinkedIn): LinkedIn utiliza filtrado colaborativo para sugerir empleos según lo que usuarios similares han solicitado, además de filtrado basado en contenido según el perfil del usuario.

Empresa: Google News

Recomendación de Noticias (Medios): Google News utiliza ambas técnicas para recomendar artículos basados en el historial de lectura (colaborativo) y el tema de interés (basado en contenido).

6. Embeddings de Palabras

Los embeddings de palabras son representaciones vectoriales densas de palabras, que capturan su significado semántico y contextual en un espacio continuo. A diferencia de las representaciones categóricas tradicionales (como one-hot encoding), los embeddings permiten medir similitudes entre palabras y entender relaciones lingüísticas (por ejemplo, “rey” – “hombre” + “mujer” ≈ “reina”). Herramientas como Word2Vec, GloVe y BERT han revolucionado el procesamiento de lenguaje natural (NLP), y se utilizan en motores de búsqueda, chatbots, análisis de sentimientos y sistemas de recomendación.

Empresa: Sephora

Soporte al Cliente (E-commerce): Sephora utiliza embeddings de palabras para entender las consultas de los clientes en chatbots, mejorando la precisión de las respuestas y la interacción.

Empresa: Twitter

Análisis de Sentimientos (Marketing): Twitter utiliza embeddings de palabras para analizar el sentimiento público sobre marcas, productos y eventos basándose en el contenido generado por los usuarios.

Empresa: Google

Optimización de Búsquedas (Google Search): Google utiliza embeddings de palabras para mejorar los resultados de búsqueda, comprendiendo el significado semántico detrás de las consultas de búsqueda.

Empresa: Amazon

Análisis de Reseñas de Productos (Retail): Amazon aplica embeddings de palabras para analizar reseñas de productos y agrupar comentarios por temas o características de los productos.

Empresa: Google Translate

Traducción (Google Translate): Google Translate utiliza embeddings de palabras para mejorar la calidad y precisión de las traducciones entre idiomas.

7. Reconocimiento de Entidades Nombradas (NER)

El NER (Named Entity Recognition) identifica y clasifica entidades clave en un texto, como nombres de personas, organizaciones, ubicaciones, fechas o cantidades monetarias. Esta técnica es esencial en el procesamiento de lenguaje natural para estructurar información no estructurada. Se usa en automatización de procesos legales y financieros, análisis de medios, extracción de información de contratos, y en la mejora de motores de búsqueda y asistentes virtuales.

Empresa: Reuters

Categoría de Noticias (Medios): Reuters utiliza NER para extraer y clasificar entidades como empresas, ubicaciones y personas en artículos de noticias.

Empresa: LexisNexis

Revisión de Documentos Legales (Derecho): LexisNexis utiliza NER para identificar entidades legales relevantes y términos dentro de grandes volúmenes de documentos legales.

Empresa: Amazon

Análisis de Retroalimentación de Clientes (E-commerce): Amazon utiliza NER para identificar nombres de productos, características y problemas en las reseñas de clientes.

Empresa: Mayo Clinic

Procesamiento de Documentos Médicos (Salud): Mayo Clinic utiliza NER para extraer términos médicos y condiciones de los registros de pacientes y notas clínicas.

Empresa: Bloomberg

Análisis de Noticias Financieras (Finanzas): Bloomberg utiliza NER para identificar entidades financieras clave, como acciones y empresas, en artículos de noticias para análisis financiero.

8. Rank Boosting

Utilizado en problemas de ranking, este enfoque adapta técnicas de boosting para ordenar elementos de forma óptima. Algoritmos populares incluyen RankNet, LambdaRank y LambdaMART, especialmente en motores de búsqueda y sistemas de recomendación.

Empresa: SearchCo

SearchCo aplica técnicas de rank boosting para mejorar la relevancia de los resultados en motores de búsqueda, aumentando la satisfacción y el compromiso del usuario.

Empresa: ECommPlatform

ECommPlatform utiliza rank boosting para optimizar las recomendaciones de productos, incrementando las tasas de clics y conversiones en ventas.

Empresa: AdMarket

AdMarket emplea rank boosting para mejorar la segmentación y efectividad de campañas publicitarias en línea, mejorando el retorno sobre la inversión.

Empresa: JobPortal

JobPortal usa rank boosting para priorizar ofertas de trabajo según su relevancia para los perfiles de usuario, mejorando el compromiso de los buscadores de empleo.

Empresa: MediaStream

MediaStream aplica rank boosting para crear feeds de contenido personalizado, incrementando la retención de usuarios y el tiempo en la plataforma.

9. Deep Reinforcement Learning

Combina el poder del aprendizaje profundo con el aprendizaje por refuerzo para resolver tareas complejas y de alta dimensionalidad. Algoritmos destacados son Deep Q-Networks (DQN), A3C, PPO (Proximal Policy Optimization) y DDPG (Deep Deterministic Policy Gradient).

Empresa: FinTech Innovations

FinTech Innovations emplea aprendizaje por refuerzo profundo para desarrollar algoritmos de trading que aprenden estrategias óptimas mediante prueba y error, con el objetivo de maximizar los rendimientos en mercados financieros dinámicos.

Empresa: AutoPilot

AutoPilot utiliza aprendizaje por refuerzo profundo para mejorar la navegación de vehículos autónomos, permitiendo que estos aprendan y se adapten a entornos de conducción complejos.

Empresa: RoboticsInc

RoboticsInc aplica aprendizaje por refuerzo profundo para entrenar robots en tareas complejas como el ensamblaje y la inspección, mejorando la eficiencia y la precisión.

Empresa: GameDev Studios

GameDev Studios emplea aprendizaje por refuerzo profundo para crear comportamientos de IA adaptativos en videojuegos, ofreciendo experiencias dinámicas y desafiantes para los jugadores.

Empresa: LogiTrans

LogiTrans utiliza aprendizaje por refuerzo profundo para optimizar operaciones logísticas como la planificación de rutas y la gestión de inventarios, aumentando la eficiencia y reduciendo costos.

10. Valores de Shapley y LIME para Interpretabilidad

Estas técnicas explican predicciones de modelos complejos. Los valores de Shapley se basan en teoría de juegos para repartir “la contribución” de cada variable, mientras que LIME construye modelos locales interpretables alrededor de predicciones específicas.

Empresa: HealthPredict

HealthPredict integra valores de Shapley y LIME (Explicaciones Locales Interpretable Model-agnostic) para interpretar modelos de aprendizaje automático que predicen la mortalidad de pacientes. Estas técnicas ofrecen información sobre cómo las características individuales influyen en las predicciones, mejorando la confianza y la transparencia en la toma de decisiones en salud.

Empresa: CyberSecure

CyberSecure emplea valores de Shapley y LIME para interpretar modelos de detección de anomalías, facilitando la comprensión y explicación de amenazas de ciberseguridad.

Empresa: FinRisk

FinRisk utiliza valores de Shapley para interpretar modelos de scoring crediticio, proporcionando transparencia en las decisiones de préstamo y aumentando la confianza del cliente.

Empresa: RetailAnalytics

RetailAnalytics aplica LIME para interpretar modelos de pronóstico de demanda, ayudando a los minoristas a entender los factores detrás de las predicciones.

11. Modelos Causales y Cálculo Do (Do-Calculus)

Se usan para razonar sobre relaciones causa-efecto entre variables. El cálculo Do, introducido por Judea Pearl, permite responder a preguntas contrafactuales y estimar efectos causales mediante gráficos dirigidos acíclicos (DAGs) y reglas formales.

Empresa: Amazon

Amazon utiliza inferencia causal para evaluar el efecto de la membresía Prime en el comportamiento de compra de los clientes, yendo más allá de la correlación para estimar el impacto causal real.

Empresa: Uber

Uber emplea modelado causal para evaluar el impacto de promociones e incentivos en la actividad de los conductores y la retención de usuarios.

Empresa: Meta

Meta aplica cálculo do para inferir los efectos de los cambios en algoritmos sobre el compromiso de los usuarios, asegurando que las modificaciones produzcan resultados causales positivos.

Empresa: Netflix

Netflix utiliza inferencia causal para medir la efectividad de los cambios en las recomendaciones sobre el tiempo de visualización.

Empresa: Microsoft

Microsoft aprovecha modelos causales en experimentos de producto para evaluar los efectos directos de cambios en la interfaz de usuario sobre la retención de usuarios.

12. Redes Bayesianas

Son modelos probabilísticos que representan relaciones de dependencia condicional entre variables mediante grafos dirigidos. Se usan algoritmos como el de eliminación de variables y el de muestreo de Gibbs para inferencia y aprendizaje estructural.

Empresa: GE Healthcare

GE Healthcare utiliza redes bayesianas para modelar la progresión de enfermedades y asistir en la toma de decisiones clínicas en radiología y diagnóstico.

Empresa: Allstate Insurance

Allstate Insurance aplica redes bayesianas para evaluar riesgos y modelar dependencias entre factores de siniestralidad en seguros.

Empresa: Siemens

Siemens emplea redes de creencias bayesianas para mantenimiento predictivo en IoT industrial, modelando dependencias causales entre componentes de maquinaria.

Empresa: LinkedIn

LinkedIn usa redes bayesianas para mejorar las probabilidades de coincidencia entre candidatos y empleos, capturando relaciones inciertas entre habilidades, empresas y roles.

Empresa: Philips Healthcare

Philips Healthcare aplica razonamiento bayesiano en sistemas de soporte a decisiones clínicas para ayudar a los médicos en el diagnóstico.

13. Metropolis-Hastings y Cadenas de Markov Monte Carlo (MCMC)

Son técnicas de muestreo utilizadas para estimar distribuciones complejas. Metropolis-Hastings propone nuevas muestras y decide aceptarlas o no, mientras que MCMC es un marco más amplio que incluye este y otros métodos como el muestreo de Gibbs.

Empresa: Pfizer

Pfizer aplica técnicas MCMC para simular ensayos clínicos y modelar incertidumbre en la efectividad de medicamentos y la respuesta de los pacientes.

Empresa: Airbnb

Airbnb Utiliza MCMC en modelos bayesianos para optimización de precios y estimación de incertidumbre en previsiones de demanda.

Empresa: Netflix

Aplica métodos MCMC para estimar distribuciones posteriores de preferencias de usuario en modelos de recomendación probabilísticos.

Empresa: Stitch Fix

Usa MCMC para inferir distribuciones posteriores sobre estilos de ropa y personalizar recomendaciones.

Empresa: NASA - National Aeronautics and Space Administration

Emplea MCMC en evaluaciones de riesgo probabilístico para la planificación de misiones y la fiabilidad de sistemas satelitales.

14. Detección de Anomalías

Busca identificar patrones inusuales que no se ajustan al comportamiento esperado. Algoritmos populares incluyen Isolation Forest, One-Class SVM, Autoencoders y técnicas estadísticas como Z-Score o IQR.

Empresa: PayPal

Utiliza detección de anomalías para identificar transacciones fraudulentas en tiempo real, analizando desviaciones del comportamiento típico del usuario.

Empresa: IBM

La aplica en productos de ciberseguridad para detectar actividades anómalas del sistema o del usuario indicativas de brechas de seguridad.

Empresa: Tesla

Emplea detección de anomalías en procesos de fabricación para identificar defectos de producción a partir de datos de sensores.

Empresa: Cloudflare

Detecta ataques DDoS identificando patrones inusuales en el tráfico de red.

Empresa: GE Aviation

Aplica detección de anomalías para mantenimiento predictivo, monitoreando la telemetría de motores de avión.

15. Generación Aumentada por Recuperación (RAG) para LLMs

RAG combina la recuperación de documentos relevantes con la generación de lenguaje natural. Utiliza un componente tipo retriever (como DPR) junto con un generador (como BART o T5) para mejorar respuestas basadas en conocimiento externo.

Empresa: Workday

Utiliza RAG para la comprensión de documentos empresariales, permitiendo a los empleados obtener respuestas en tiempo real basadas en políticas y documentos internos.

Empresa: Bloomberg

Integra RAG para responder preguntas financieras basándose en documentación y conjuntos de datos de Bloomberg Terminal.

Empresa: Thomson Reuters

Utiliza RAG para mejorar herramientas de investigación legal recuperando jurisprudencia y datos regulatorios antes de generar respuestas.

Empresa: Morgan Stanley

Implementa RAG en herramientas internas de búsqueda de conocimiento para que asesores financieros encuentren rápidamente políticas e información de inversión.

Empresa: Atlassian

Emplea RAG en sistemas de soporte para proporcionar mejores respuestas documentales a desarrolladores, usando datos de Confluence y Jira.

16. Chatbots basados en LLMs

Utilizan modelos de lenguaje como GPT o Claude para generar respuestas conversacionales de manera coherente. Estos sistemas pueden integrarse con bases de conocimiento, memoria conversacional y personalización para mejorar la experiencia del usuario.

Empresa: JPMorgan Chase

Ha desarrollado un asistente personalizado potenciado por GPT ("IndexGPT") para ayudar a los empleados a generar ideas de inversión y automatizar documentación financiera.

Empresa: Duolingo

Usa chatbots con tecnología GPT para ofrecer práctica de idiomas interactiva y atractiva con retroalimentación en tiempo real.

Empresa: KLM Royal Dutch Airlines

Emplea chatbots impulsados por IA para gestionar consultas de clientes sobre vuelos, retrasos y documentación de viaje.

Empresa: ServiceNow

Integra chatbots en sistemas de gestión de servicios de TI para responder consultas de soporte interno con modelos de lenguaje grande.

Empresa: Instacart

Utiliza chatbots con IA para asistir a los compradores con recomendaciones, sustituciones y problemas durante el proceso de compra.

17. Detección de Anomalías en Series Temporales

Se enfoca en identificar puntos atípicos en datos temporales. Métodos comunes incluyen Prophet, Autoencoders secuenciales, LSTM, ARIMA y técnicas basadas en distancia como Dynamic Time Warping (DTW).

Empresa: Datadog

Utiliza detección de anomalías en series temporales para alertar a equipos DevOps sobre comportamientos inusuales de aplicaciones y tiempos de inactividad.

Empresa: Amazon Web Services (AWS)

CloudWatch Anomaly Detection detecta patrones de uso inesperados mediante aprendizaje automático aplicado a datos de series temporales.

Empresa: Uber

plica detección de anomalías en series temporales (a través de su plataforma de código abierto M3) para monitorear métricas operativas en tiempo real.

Empresa: Intel

Usa aprendizaje automático en series temporales para detectar anomalías en temperatura del procesador y consumo de energía, mejorando la fiabilidad del hardware.

Empresa: Alibaba

Detecta anomalías en flujos de transacciones durante eventos masivos de ventas (como el Día del Soltero), permitiendo una intervención rápida.

18. Pruebas A/B y Algoritmos de Multi-armed Bandits

Las pruebas A/B comparan el rendimiento de dos o más variantes. Por su parte, los Multi-armed Bandits, como UCB, Epsilon-Greedy y Thompson Sampling, ajustan dinámicamente las decisiones para maximizar recompensas y reducir pérdida de oportunidades.

Empresa: Google

Utiliza algoritmos bandit en AdWords para optimizar la colocación de anuncios y probar diseños con el mayor retorno posible.

Empresa: Spotify

Aplica bandits para probar continuamente diferentes portadas de playlists o el orden de las canciones para aumentar el compromiso del usuario.

Empresa: LinkedIn

Combina pruebas A/B con bandits contextuales para mostrar los modelos de ranking de feeds más efectivos a cada usuario.

Empresa: Booking.com

Usa bandits para experimentar con precios e interfaces en millones de listados hoteleros, mejorando la tasa de reservas.

Empresa: Netflix

Ejecuta pruebas basadas en bandits para adaptar dinámicamente miniaturas y avances en función del comportamiento de clics de los usuarios.

19. Redes Neuronales Multimodales

Procesan y combinan múltiples tipos de datos como texto, imagen y audio. Modelos como CLIP (que asocia imágenes con descripciones en texto) y Flamingo o Gemini combinan entrada multimodal para tareas complejas de comprensión e interacción.

Empresa: Meta (Facebook)

Utiliza transformadores multimodales (como FLAVA) para procesar datos de imagen + texto y mejorar la moderación de contenido y recomendaciones.

Empresa: Pinterest

Combina modalidades de imagen y texto para mejorar la búsqueda de productos y las experiencias de recomendación visual.

Empresa: Adobe

Emplea aprendizaje multimodal en herramientas de Creative Cloud (por ejemplo, Firefly) para interpretar comandos de lenguaje natural y generar contenido visual.

Empresa: Tesla

Usa modelos multimodales que integran video, radar y LiDAR para la toma de decisiones en conducción autónoma.

Empresa: YouTube (Google)

Utiliza modelos multimodales para comprender contenido, combinando video, audio y metadatos para mejorar las recomendaciones.

20. Redes Neuronales de Grafos (GNNs)

Diseñadas para aprender sobre datos estructurados como grafos (redes sociales, moléculas, rutas). Modelos como Graph Convolutional Networks (GCN), Graph Attention Networks (GAT) y GraphSAGE permiten realizar clasificación y predicción sobre nodos y estructuras.

Empresa: Twitter/X

Aplica GNNs para recomendar usuarios a seguir modelando el grafo social y las interacciones.

Empresa: Alibaba

Utiliza GNNs para detección de fraude en comercio electrónico, modelando conexiones entre cuentas, pagos y transacciones.

Empresa: LinkedIn

Implementa GNNs en la funcionalidad “Personas que podrías conocer”, utilizando estructuras de grafos sociales y profesionales.

Empresa: Zillow

Emplea GNNs para modelar relaciones entre propiedades y similitudes entre vecindarios, mejorando la estimación de precios y recomendaciones de inmuebles.

Empresa: Tencent

Aplica GNNs para mejorar la recomendación de juegos en su extensa red de usuarios e interacciones.

21. Descomposición en Valores Singulares (SVD)

Técnica de factorización matricial utilizada en reducción de dimensionalidad y sistemas de recomendación. En recomendadores colaborativos, permite descomponer matrices usuario-producto y predecir preferencias faltantes.

Empresa: Netflix

Popularizó originalmente el uso de SVD en la competencia Netflix Prize para reducir la dimensionalidad en matrices de interacción usuario-producto.

Empresa: Spotify

Utiliza SVD en filtrado colaborativo para recomendaciones musicales basadas en interacciones entre usuarios y canciones.

Empresa: Amazon

Aplica SVD para análisis semántico latente en reseñas y filtrado colaborativo en la recomendación de productos.

Empresa: LinkedIn

Usa SVD en modelado de temas e inferencia de habilidades basadas en perfiles de usuarios y descripciones de empleos.

Empresa: Yahoo Japón

Utiliza SVD en recomendaciones personalizadas de noticias y contenido a partir del historial de navegación del usuario.

22. Análisis de Supervivencia

Se emplea para modelar el tiempo hasta que ocurre un evento de interés, como la muerte de una máquina o la deserción de un cliente. Los algoritmos más comunes incluyen el modelo de riesgos proporcionales de Cox y el análisis de Kaplan-Meier, además de técnicas más modernas como Random Survival Forests.

Empresa: ABC Telecom

ABC Telecom utiliza análisis de supervivencia para predecir la pérdida de clientes analizando el tiempo hasta que los clientes descontinúan sus servicios. Este enfoque ayuda a identificar clientes en riesgo y aplicar estrategias de retención.

Empresa: Predict Health, Inc.

Predict Health emplea análisis de supervivencia para estimar el tiempo hasta que los pacientes experimentan eventos adversos de salud, lo que permite intervenciones médicas proactivas y planes de tratamiento personalizados.

Empresa: BankSecure

BankSecure aplica análisis de supervivencia para predecir la duración de las relaciones con los clientes, informando estrategias para mejorar la retención y el valor del cliente a lo largo del tiempo.

Empresa: RetailX

RetailX utiliza análisis de supervivencia para prever el tiempo hasta el agotamiento del inventario, optimizando la gestión de inventarios y las operaciones de la cadena de suministro.

Empresa: InsureCo

InsureCo aprovecha el análisis de supervivencia para evaluar el riesgo de que los asegurados presenten reclamaciones a lo largo del tiempo, lo que ayuda en la tarificación y evaluación del riesgo.

23. Q-Learning

Es un algoritmo de aprendizaje por refuerzo que busca aprender la política óptima mediante la actualización iterativa de una función de valor Q. No requiere un modelo del entorno y es ampliamente usado en entornos discretos. Versiones avanzadas como Deep Q-Learning usan redes neuronales para aproximar la función Q.

Empresa: RetailX

RetailX emplea Q-learning, un tipo de aprendizaje por refuerzo, para optimizar estrategias de ventas aprendiendo las mejores acciones para maximizar el rendimiento en distintas condiciones del mercado.

Empresa: FinTech Innovation Lab

FinTech Innovations aplica Q-learning para desarrollar estrategias de inversión personalizadas, adaptándose a la dinámica cambiante del mercado para maximizar los rendimientos.

Empresa: Logitrans Logistics

LogiTrans utiliza Q-learning para optimizar rutas y horarios de entrega, reduciendo costos de transporte y mejorando la eficiencia del servicio.

Empresa: Edutech

EduTech implementa Q-learning para personalizar las trayectorias de aprendizaje de los estudiantes, adaptando el contenido según el progreso y el nivel de compromiso individual.

Empresa: GameDev

GameDev Studios utiliza Q-learning para desarrollar comportamientos adaptativos de IA en videojuegos, mejorando la experiencia del jugador mediante personajes no jugables más responsivos.

24. Modelado de Temas de Textos

El modelado de temas (topic modeling) es una técnica de NLP para descubrir automáticamente los temas o tópicos latentes presentes en grandes colecciones de textos. Algoritmos como LDA (Latent Dirichlet Allocation) o NMF (Non-negative Matrix Factorization) identifican patrones semánticos sin necesidad de supervisión. Es útil para analizar encuestas, categorizar contenido, monitorear redes sociales, o explorar documentos en investigación y compliance.

Empresa: BBC

Categoría de Contenido (Medios): BBC utiliza modelado de temas para categorizar artículos de noticias en temas como política, deportes y entretenimiento.

Empresa: Amazon

Análisis de Reseñas de Clientes (E-commerce): Amazon utiliza modelado de temas para extraer los temas clave y preocupaciones de los clientes en las reseñas de productos.

Empresa: ROSS Intelligence

Investigación Legal (Derecho): ROSS Intelligence utiliza modelado de temas para clasificar casos legales y opiniones jurídicas en temas relevantes para la investigación.

Empresa: PubMed

Revisión de Literatura Médica (Salud): PubMed utiliza modelado de temas para categorizar y organizar artículos científicos según su contenido.

Empresa: Google Scholar

Análisis de Investigación Académica (Educación): Google Scholar utiliza modelado de temas para agrupar artículos académicos en disciplinas o tendencias de investigación.

25. Pronóstico de Series Temporales (Multivariable)

El pronóstico de series temporales multivariable implica predecir valores futuros teniendo en cuenta no solo la evolución pasada de la variable objetivo, sino también otras variables relacionadas (exógenas). Modelos como VAR (Vector Autoregression), LSTM (Long Short-Term Memory) o Prophet (con múltiples regresores) permiten incorporar efectos cruzados y estacionales. Es clave en planificación financiera, supply chain, demanda de energía, ventas y gestión de riesgos.

Empresa: Goldman Sachs

Predicción del Mercado de Acciones (Finanzas): Goldman Sachs utiliza pronósticos multivariables de series temporales para predecir los precios de las acciones, considerando varios factores económicos.

Empresa: Walmart

Pronóstico de Ventas (Retail): Walmart utiliza modelos multivariables de series temporales para predecir las ventas de productos según factores como promociones, clima y datos económicos.

Empresa: Schneider Electric

Pronóstico de Consumo de Energía (Servicios Públicos): Schneider Electric utiliza pronósticos multivariables de series temporales para predecir la demanda futura de energía según el consumo pasado, la temperatura y otros indicadores.

Empresa: UPS

Optimización de la Cadena de Suministro (Logística): UPS utiliza pronósticos multivariables de series temporales para optimizar las rutas de entrega y la gestión de inventarios.

Empresa: Servicio Meteorológico Nacional

Predicción Meteorológica (Meteorología): Servicio Meteorológico Nacional utiliza modelos multivariables de series temporales para predecir los patrones meteorológicos futuros según datos históricos y otros factores como viento y humedad.

¿Dónde aprender más sobre estos temas?

En el Colegio de Matemáticas Bourbaki enseñamos con detalle las matemáticas y las bases para que nuestros estudiantes estén listos para aprender los modelos más avanzados de Inteligencia Artificial, Ciencia de Datos y Finanzas Cuantitativas. Estos son los dos cursos que están por comenzar y durarán todo el 2025.

• Track de Ciencia de Finanzas Cuantitativas (28 de Abril 2025, 49 semanas).

• Track de Ciencia de Datos (29 de Abril 2025, 49 semanas).