Empleo del aprendizaje profundo para predecir el tráfico de compradores en la industria retail

Article
por ShopperTrak Editors on 04-04-16

DeepMind es una compañía de inteligencia artificial (IA) que Google adquirió en el 2014 y que recientemente dio mucho de qué hablar por haber obtenido un logro sumamente importante en el campo de la IA. DeepMind creó un programa de aprendizaje automático llamado AlphaGo, que recientemente superó a Lee Sedol, uno de los mejores jugadores de un antiguo juego de estrategia llamado “Go”. Este juego originado en Asia consta de dos participantes que mueven piedras blancas y negras por un tablero cuadrado. Es un juego extremadamente difícil de dominar y se considera mucho más complicado que el ajedrez. También es considerado un juego que va más allá de la agudeza mental, “Es un juego de psicología, de filosofía… ¡es arte!”.

Ciertas cualidades intangibles (como la sabiduría y la intuición) que las personas que dominan el Go adquieren a través de años de capacitación intensa, hacen que sea extremadamente difícil que un sistema de IA pueda derrotar a un experto humano. De hecho, hasta hace unas cuantas semanas, se predecía que tendrían que pasar décadas antes de que un programa de IA pudiera vencer a un experto. El éxito de AlphaGo destaca la capacidad y el potencial de un tipo específico de programa de aprendizaje automático: el aprendizaje profundo.

 

El aprendizaje profundo: qué es y por qué es tan importante

Aunque todavía es un término nuevo en el mundo de la tecnología, el aprendizaje profundo cada vez es más popular en los medios de comunicación. A diferencia del IoT, la nube y los macro datos (big data), el aprendizaje profundo todavía no pasa por todas las fases del ciclo de sobreexpectación de Gartner. Por ahora, las personas que conocen el significado del aprendizaje profundo son fundamentalmente aquellas que se desarrollan en el campo de la ingeniería, pero pronto este término llegará a ser parte de la cultura popular.

El aprendizaje profundo es una rama del aprendizaje automático que se especializa en crear y enseñar a las redes neuronales artificiales a llevar a cabo tareas complicadas. Las empresas de tecnología más importantes compiten por agregar funciones de aprendizaje automático a sus plataformas de software y reconocen que la verdadera ventaja del aprendizaje profundo se revela cuando una red neuronal logra analizar cantidades masivas de datos y reconocer patrones.  Apenas recientemente ha sido posible alcanzar este logro, gracias al poder de las unidades de procesamiento gráfico (GPUs por sus siglas en inglés) para juegos de gama alta y a otras tácticas y algoritmos matemáticos innovadores.

 

Redes neuronales: definición

Las redes neuronales artificiales se encuentran en el centro del aprendizaje profundo. Usted interactúa habitualmente con una red neuronal artificial cuando le hace una pregunta a Siri, o cuando Google le responde “¿Quizás quiso decir…?” al realizar una búsqueda.

Las redes neuronales artificiales reciben este nombre porque tratan de imitar las funciones del cerebro humano. El cerebro recibe un estímulo (lo que vemos) y produce nuestra interpretación a dicho estímulo (cómo razonamos/concebimos/reaccionamos a lo que vemos/olemos/respiramos).

Nuestro cerebro pasa los estímulos a través de una jerarquía de niveles neuronales y cada uno de estos niveles crea una interpretación de dichos estímulos. Estas interpretaciones pasan después por una jerarquía de niveles neuronales hasta que se emite un juicio o se realiza una acción. Lo más sorprendente de esta red de interpretaciones, es que puede “reconfigurarse” a sí misma a medida que el cerebro le proporciona “retroalimentación” de los resultados de cada interpretación.

Por ejemplo, un niño ve que la comida tiene vapor cuando la retiran de la estufa. Los datos de entrada “estufa + comida” dan como resultado “come ahora”. Si el niño toca la comida caliente y se quema, el resultado del estímulo “estufa + comida” puede reconfigurarse de tal manera que ahora produce el resultado “precaución”.

 

El poder de las redes neuronales artificiales: reemplazar lo biológico

Para replicar artificialmente el proceso de reflexión en el ejemplo anterior sobre “estufa + comida”, los científicos dedicados al aprendizaje artificial crean redes neuronales artificiales que son como una serie de cajas negras que contienen algoritmos. Estas cajas negras están ordenadas de la misma manera en que se cree que los procesos de las redes neurológicas biológicas procesan los estímulos antes de recibir “entradas”. Estas “entradas” o vectores de números, varían desde pixeles en una imagen, hasta el tráfico de clientes en una tienda.

A medida que los vectores de números pasan por cada caja negra, se lleva a cabo una transformación separada del valor de la entrada y luego se propaga mediante una red de ecuaciones matemáticas que manipula la información.

Cuando los resultados de la información manipulada no coinciden con lo que el programador desea, se introducen más datos de entrada, lo que permite “volver a intentarlo” ajustando cada caja negra de la red y “reconfigurando” la red hasta que se produzca el resultado esperado. Esto sucede una y otra vez hasta que el modelo evalúe correctamente los resultados del mundo real partiendo de una serie de estímulos.

 

Las redes neuronales en acción: un ejemplo de ShopperTrak

La mejor manera para demostrar cómo ShopperTrak utiliza el aprendizaje profundo es plantear una situación hipotética:

Digamos que después de crear varias redes neuronales, ingresamos entradas que indican que el tráfico en el 2015 fue de 450 personas por tienda. También podemos ingresar datos de entrada especificando que el clima estaba soleado y cálido y que el tráfico se mantuvo estable desde el 2014.

Luego, obtenemos una predicción: si la red predice que el tráfico será de 800, cuando en realidad fue de 400, utilizamos una técnica llamada retro propagación para regresar por todos los pasos, hacer correcciones y ajustar las ponderaciones para obtener un resultado más preciso la siguiente vez. Este proceso se repite millones de veces, y en cada ocasión nuestro sistema predice el tráfico de manera más inteligente.

El proceso que crea el aprendizaje profundo moderno consiste en pasar entradas de información mediante redes neuronales, ajustar las ponderaciones y reconfigurar utilizando la retro propagación.

 

El rol de la intuición al hacer predicciones

En el supuesto anterior, el acto de “ajustar ponderaciones” sugiere que los sistemas de aprendizaje profundo tratan de replicar ciertas cualidades exclusivas de los humanos: concretamente la sabiduría y la intuición que a los expertos en Go les toma toda una vida desarrollar.

Cuando AlphaGo derrotó a Lee Sedol, sacudió a la comunidad de la IA porque esta derrota demostró evidentemente que una computadora que utiliza el aprendizaje profundo podría “aprender” o adoptar cualidades que se consideran intrínsecamente humanas. Sin embargo, se podría decir que AlphaGo ha “aprendido” a tener intuición humana, es decir pensamientos o acciones que son el resultado de años de experiencia y sabiduría adquirida.

 

La intuición y ShopperTrak

Bill Martin, veterano en la industria y fundador de ShopperTrak, contribuyó a la creación de una industria totalmente nueva en el monitoreo y análisis del tráfico de compradores. Durante sus 20 años de experiencia, Martin desarrolló la habilidad intuitiva para entender, analizar y predecir las tendencias del tráfico de consumidores en la industria. Cuando se retiró a principios de este año, se llevó consigo también su intuición. Afortunadamente, hemos pasado varios años creando un modelo de aprendizaje profundo que predice las tendencias del tráfico.

Para hacerlo, tomamos las series de datos de varios billones de conteos de tráfico de decenas de miles de sitios, para llevar a cabo aprendizaje profundo que nos permite hacer un mejor cálculo del tráfico. Al hacerlo, utilizamos dos componentes específicos del aprendizaje profundo moderno que son fundamentales para lograr el éxito:

  • Una serie de datos sumamente grande (exclusiva de ShopperTrak)
  • Informática moderna de peso

Estos dos criterios permitieron que ShopperTrak replicara la sabiduría de su fundador. Ahora procesamos las series de datos a un ritmo que hasta hace algunos años resultaba imposible, utilizando sofisticadas unidades de procesamiento gráfico (GPUs) para juegos. Además, estamos a punto de utilizar técnicas que van más allá de las estadísticas fundamentales y regresiones lineares del pasado. Estas técnicas estadísticas son nódulos de nuestra jerarquía de redes neuronales y nos permiten probar y ajustar con rapidez nuestros programas, utilizando las maniobras más innovadoras del aprendizaje profundo.

A continuación, se ilustra la habilidad que nuestro modelo tiene para predecir el tráfico, basándose simplemente en tráfico rezagado de la misma tienda. Al incluir entradas como tráfico promedio, superficie y la incomparable serie de datos sobre el tráfico de ShopperTrak, obtenemos una predicción muy acertada sobre las tendencias del tráfico en el futuro. Y cuando agregamos datos sobre eventos, como promociones y campañas, obtenemos un modelo aún más preciso.

El equipo de ShopperTrak ofrece servicios de asesoría que ponen en práctica nuestra experiencia en el aprendizaje profundo, utilizando la información sobre el tráfico de compradores de los minoristas.

¿Desea obtener más información? Contáctenos: insights@shoppertrak.com.

¿Quiere llevar su negocio al próximo nivel?

Haga clic a continuación para empezar.

Empiece ya
Lea más artículos de ShopperTrak Editors