Centrarse en los modelos de (estudiantes) débiles.
Ese es el core del boosting, un concepto de machine learning.
Por partes:
En la disciplina de machine learning (es decir, aquellos algoritmos diseñados para que las máquinas aprendan) hay dos tipos de estudiantes (así les llaman): los algoritmos débiles,que son los que tienen una tasa de predicción baja (en esencia, que fallan frecuentemente) o los algoritmos fuertes, que tienen una capacidad de predicción más alta (los que aciertan, vaya).
Pues bien, el boosting (que es una de las técnicas más efectivas que existen) se centra en: juntar a todos los estudiantes débiles (si fueran meteorólogos/as, esos/as que nunca aciertan con el tiempo del fin de semana) para que tomen las decisiones de predicción de manera conjunta. Y así, ¿aciertan más? – se pregunta una. Pues parece que sí. Puesto que unen aprendizajes (teoría de sabiduría de multitudes) y pasan de ser un conjunto de estudiantes débiles a un único estudiante fuerte.
Nos compartía esta reflexión nuestra amiga de la casa Carme Montserrat Querol, socia en la firma Martínez-Comín, auditora y a su vez experta en la ciencia de datos e inteligencia artificial. (un saludo desde aquí Carme, que sabemos que eres una incondicional del Journal)
Ay, << Test Nombre >>. Como lovers que somos de la estrategia empresarial, el concepto de boosting del machine learning nos despierta múltiples aprendizajes aplicables a las compañías. Compartimos 3.
(1) Elementos débiles de negocio combinados con otros elementos débiles puede generar un conjunto ganador (por elemento entendemos: una área, una línea de negocio o un indicador) . (p.e unimos dos líneas de negocio que no funcionan solas, buscamos las sinergias, las potenciamos y tenemos una línea de negocio fuerte, operando y generando revenue).
(2) Managers, equipos, personas «débiles» (es decir que generar interrogantes sobre su capacidad o no) combinadas con otras personas pueden convertirse en un «estudiantes» fuertes. No subestimar, por un lado, el potencial – más o menos oculto – que tienen las personas, plus el potencial que puede surgir si se hacen las combinaciones correctas de personas. (p.e ¿no has visto alguna vez que una persona según con quien trabaja saca lo mejor de ella o la peor parte?)
(3) A veces lo que más funciona no es lo más obvio. Porque lo obvio sería eliminar a los algoritmos débiles y dejar solo los fuertes. Pero esto, que sonaría bien en una escuela de negocio, suele tener otras implicaciones a nivel de clima, cultura, motivación y fricción que dañan más de lo que generan. El boosting enseña que, a veces (y puntualizamos a veces, puesto que hay otros mecanismos de machine learning), unir y transformar es la fórmula ganadora.
¿Qué elementos débiles tenéis en la compañía? ¿Los podéis boostear? Si no estamos ya haciéndolo juntos (que con muchos de los que nos leéis ya es así), hablemos. 2025 suena a boosting.
Unir y transformar es la fórmula ganadora.
A veces.
– Verónica Ferrer, partner y directora de estrategia de pitaya/pitayanext