Un aspecto importante de la investigación en machine learning y computación es poder trasladar el conocimiento más avanzado a la sociedad y poder mejorar el tejido productivo, las empresas y las instituciones.

En esta sección vamos a presentar nuestros servicios para crear valor utilizando la investigación en machine learning y computación.

Machine learning & Business

Formación avanzada en deep learning

Este servicio consiste en una formación avanzada que permite, partiendo de 0, tener tanto un conocimiento teórico y práctico de las principales técnicas de deep learning.

En una primera parte se presenta una base teórica de estadística y matemáticas.

La segunda parte consiste en el dominio de una librería de deep learning basándonos en nuestro curso de deep learning con PyTorch.

En la tercera parte se estudian los campos específicos de aplicación como procesamiento de lenguaje, visión artificial y series temporales.

Esta formación se imparte teniendo en cuenta el sector, negocio, procesos y capital humano de la empresa o institución.

Mejora de la cadena de valor usando algoritmos y deep learning

Este servicio realiza un análisis de la cadena de valor de la empresa o institución para identificar los procesos donde los algoritmos pueden aportar valor.

Para ello se analizan los procesos de negocio de la empresa y se identifican las actividades donde un algoritmo o un algoritmo diferenciable (deep learning) pueden realizar una tarea que mejore el proceso.

Una vez identificadas las tareas a desarrollar usando algoritmos se define y ejecuta el plan de desarrollo e implantación: fuentes de datos, flujo de datos, algoritmos a utilizar, entrenamiento, prubas y paso a producción.

Posteriormente se evalua periódicamente la actividad automatizada para detectar mejoras en cada uno de los componentes.

Machine learning para predicción de activos

En varios posts hemos tratado el uso de machine learning en inversión. Vimos como la disponibilidad de nuevas fuentes de datos y las nuevas técnicas para analizarlos y aprender de ellos pueden aportar ventajas competitivas a los inversores. Siempre hay que tener en cuenta que el objetivo es encontrar una estructura que nos ayude a hacer predicciones, e.g. variables de entrada que determinan el precio de un activo.

Nuestra propuesta de valor la describimos en dos dimensiones:

  • Accesibilidad y conocimiento de la información por el resto de los participantes.
  • Relevancia de la información con la función objetivo, que usando teoría de la información denominaremos información mutua.

El mix de información no descontada y relevante junto con los algoritmos adecuados para predecir el precio de los activos son las claves del éxito.

De esta forma, primero identificamos todas las fuentes de datos que no estén descontadas y supongan una ventaja competitiva en la predicción del precio del activo: información no estructura, información desagregada, grafos estáticos y dinámicos, etc.

Posteriormente definimos los algoritmos de deep learning que vamos a usar para realizar las predicciones y realizamos las pruebas.

Por ejemplo, usamos GNNs (graph neural networks) para analizar información estructurada en forma de grafo de una empresa y predecir el comportamiento de sus acciones.

Deep learning en procesos clave del sector pharma

En el sector farmacéutico desde la idea de usar un nuevo compuesto hasta su desarrollo y aprobación pueden pasar más de 10 años en un proceso con muchas etapas y riesgos. Una forma de mejorar la eficiencia y disminuir el riesgo es usar técnicas de machine learning en cada etapa.

Existen diversos ejemplos de aportaciones clave:

  • Mejorar el proceso de búsqueda en la literatura científica de relaciones entre compuestos clave y enfermedades usando técnicas de procesamiento de lenguaje natural. E.g. usando word embeddings para mejorar el proceso de búsqueda.
  • Mejorar el contraste y validación de hipótesis con métodos bayesianos adicionales a los métodos clásicos. Esto ayudará a afinar más a la hora de validar si una hipótesis es cierta (efecto beneficioso de un medicamento).
  • Uso de simulaciones y técnicas avanzadas de muestreo para seleccionar a los pacientes con los que se va a probar el tratamiento.