Machine learning transformara como se crea y evoluciona el software; los procesos de negocio evolucionaran con ello
"Si controlas el codigo, controlas el mundo", escribio el futurista Marc Goodman. Pero la forma de desarrollar software esta cambiando con una revolucion que puede tener implicaciones profundas para trabajadores del conocimiento y programadores.
Un articulo reciente en Wired destaca avances e implicaciones de machine learning. A diferencia de programacion tradicional, donde un ingeniero escribe instrucciones explicitas paso a paso, el machine learning no requiere codificar cada instruccion. En vez de programar computadoras, se entrenan.
Imagine que quiere ensenar a una red neuronal a reconocer un gato. Con machine learning no le indica buscar bigotes, orejas, pelo y ojos. Solo le muestra miles de fotos de gatos. Con el tiempo, el sistema entiende que hace que algo parezca gato. Si confunde zorros con gatos, no reescribe codigo: sigue entrenando.
Hoy, Facebook usa machine learning para seleccionar historias del News Feed. Google Photos lo usa para identificar rostros. Tambien impulsa Skype Translator de Microsoft para convertir voz entre idiomas en tiempo real. Los autos autonomos lo usan para evitar accidentes. Incluso el buscador de Google ya depende de redes neuronales profundas.
Ensenar a computadoras a "arrear gatos" (y procesar pagos)
Identificar videos de gatos o recomendar contenido en redes es una cosa, pero que pasa cuando se automatizan procesos intensivos en documentos e informacion, como procure-to-pay o procesamiento de ordenes de venta? Ahi comienza el verdadero desafio.
Hoy, las soluciones lideres de captura inteligente de documentos evolucionan hacia un enfoque de machine learning. Estas plataformas transforman imagenes escaneadas y archivos digitales, luego identifican informacion relevante y accionable. En facturas de proveedores, por ejemplo, el software puede: 1) convertir "imagenes" de palabras en texto real y 2) identificar datos como proveedor, direccion e importe para procesarlos.
Antes, la critica a estos sistemas era clara: costosos, complejos y rigidos. El resultado era demasiada personalizacion para implementarlos y, aun asi, funcionaban en parametros estrechos dependiendo del formato documental.
Crear sistemas de captura mas flexibles y adaptables que puedan "leer" facturas u otros documentos implica disenar adaptabilidad desde origen. Eso incluye facilitar plantillas para guiar identificacion de datos en contexto, interfaces amigables para validar resultados y permitir que el sistema aprenda de esa validacion. Tambien requiere bases de documentos y datos ya aprendidos para continuar mejorando frente a nuevos tipos y formatos.
Para organizaciones que buscan automatizar procesos con alto uso de datos y documentos, la captura inteligente permite eliminar tareas mas comunes, ineficientes y propensas a error: clasificacion/archivo documental y entrada manual de datos.
Ya existen soluciones adaptables para estas tareas. Aplicar machine learning a captura inteligente hara para procesamiento de informacion y data entry lo que los sitios basados en plantillas hicieron para programacion HTML y diseno web.
Para mas informacion sobre captura inteligente y automatizacion de procesos de negocio, visite el sitio de Artsyl Technologies en https://www.artsyltech.com/ .