Cuatro pasos para acelerar su trayecto en el aprendizaje automático

  • Opinión

  • Hace 3 semanas

  • octubre 1, 2020

  • 6 minutos de lectura

Convierte a Computerworld Colombia en tu fuente de noticias tecnológicas.

Esta es la época de oro del machine learning (ML). Esta tecnología se está convirtiendo en una parte esencial de los negocios. Desde el cuidado de la salud a la agricultura, de la tecnología a los medios de comunicación y el entretenimiento, es muy prometedora para todas industrias. 

Aunque los proyectos de machine learning pueden parecer desalentadores, es fundamental inculcar una mentalidad de este aprendizaje en los espacios de trabajo. En 2018, según el informe “Estado de la Inteligencia Artificial en la Empresa” de Deloitte Insights, el 63% de las empresas invirtieron en machine learning para ponerse al día con sus rivales o para reducir su ventaja. IDC estima que para 2021, el gasto mundial en IA y otras tecnologías cognitivas superará los 50.000 millones de dólares.

Por lo tanto, la pregunta ya no es si su empresa debe tener una estrategia de ML, sino más bien, ¿cómo puede su empresa poner en marcha esa estrategia de la manera más rápida y eficaz posible?

Ya sea que su empresa esté recién comenzando con ML, o en medio de su primera implementación, aquí están los cuatro pasos que debe seguir para tener un viaje exitoso.

  • Ponga sus datos en orden

Cuando se trata de adoptar el ML, los datos se citan a menudo como el desafío número uno. En nuestra experiencia con los clientes, más de la mitad del tiempo de construcción de modelos de ML se puede dedicar a la discusión y limpieza de datos y las etapas de preprocesamiento. Si no se invierte en establecer una estrategia de datos sólida, cualquier talento de ML que se contrate, se verá obligado a pasar una proporción significativa de su tiempo ocupándose de la limpieza y la gestión de datos, en lugar de inventar nuevos algoritmos.

Al empezar, las tres preguntas más importantes que hay que hacer son: ¿Qué datos están disponibles hoy en día? ¿Qué datos pueden estar disponibles? Y dentro de un año, ¿qué datos desearíamos haber empezado a recopilar hoy?

Para determinar qué datos están disponibles hoy, tendrá que superar el apego al dato, la tendencia de los equipos a guardar los datos con los que trabajan más estrechamente y a no compartirlos con otros grupos de la organización. Dividir los silos entre los equipos para tener una visión más amplia del panorama de los datos es crucial para el éxito a largo plazo. Y a lo largo del camino, necesitarán asegurarse de que tienen el control de acceso y el gobierno de datos correctos.

Además de eso, necesitará saber qué datos son realmente importantes. Cuando planifique su estrategia de datos, piense en las mejores formas de almacenar los datos e invierta pronto en las herramientas de procesamiento de datos para la desidentificación y/o anonimización si es necesario. Por ejemplo, Cerner necesitaba abordar este desafío para aprovechar eficazmente sus datos para la predicción y el diagnóstico digital. Hoy en día, la empresa utiliza un servicio totalmente gestionado para construir, desplegar y gestionar modelos de machine learning a escala.

  • Identificar los problemas comerciales correctos
Te puede interesar:  Facilidades para llevar sus procesos contables desde casa

Cuando evalúe en qué y cómo aplicar el aprendizaje automático, debe centrarse en la evaluación del problema en tres dimensiones: preparación de los datos, impacto en los negocios y aplicabilidad del aprendizaje automático, es decir, las posibilidades de éxito basadas en las habilidades de su equipo.

Equilibrar la velocidad con el valor comercial es clave. En lugar de intentar embarcarse en un proyecto de ML de tres años, céntrese en un grupo de casos de uso comercial críticos que podrían resolverse en un período de entre 6 y 10 meses. Primero, debe buscar lugares donde ya tenga muchos datos sin explotar. A continuación, evalúe si el área se beneficiará del ML, o si se encuentra arreglando algo que no está realmente roto. Evite escoger un problema que sea llamativo pero que tenga un valor comercial poco claro, ya que terminará convirtiéndose en un experimento aislado que nunca verá la luz del día.

Un buen ejemplo de cómo resolver los problemas correctos se puede ver en la Fórmula 1. Dicho deporte buscaba nuevas formas de proporcionar métricas de carreras que pudieran cambiar la forma en que los aficionados y los equipos experimentan las carreras, pero tenía más de 65 años de datos históricos sobre las carreras para depurar. Después de alinear a sus expertos técnicos y de dominio para determinar qué tipo de datos sin explotar tenían el mayor potencial para ofrecer valor a sus equipos y aficionados, los científicos de datos de Fórmula 1 utilizaron entonces Amazon SageMaker para aplicar modelos de aprendizaje profundo (deep learning, en inglés) sobre estos datos históricos para extraer estadísticas de rendimiento críticas, hacer predicciones sobre las carreras y transmitir a sus aficionados ideas atractivas sobre las decisiones y estrategias adoptadas por los equipos y los pilotos en fracciones de segundo.

  • Defiende una cultura de aprendizaje automático

Luego, para pasar de unos pocos pilotos al ML en escala, es necesario defender una cultura de machine learning. Tanto los líderes como los desarrolladores deben pensar siempre en cómo pueden aplicarlo en varios problemas empresariales. 

Un error común que muchas compañías cometen es ubicar a los expertos en tecnología en un equipo que trabaje por separado. Trabajando en un silo, pueden terminar construyendo modelos de machine learning mayormente como prueba de conceptos, pero no resuelven efectivamente los problemas reales de los negocios. En su lugar, las empresas necesitan combinar expertos técnicos y de dominio para trabajar detrás del problema del cliente. Reunir un grupo adecuado de personas también ayuda a eliminar la barrera cultural de la adopción con una aceptación más rápida dentro de la empresa.

Del mismo modo, los líderes deben encontrar formas de facilitar a sus desarrolladores la aplicación del ML. La construcción de la infraestructura para hacer el machine learning a escala es un proceso que requiere mucha mano de obra y que frena la innovación. Deberían animar a sus equipos a no centrarse en las partes indiferenciadas del “levantamiento pesado” de la construcción de modelos de ML. Al utilizar herramientas que cubren todo el flujo de trabajo de ML para construir, capacitar y desplegar modelos de ML, las empresas pueden llegar a la producción más rápidamente con mucho menos esfuerzo y a un menor costo. 

Por ejemplo, Intuit quería simplificar el proceso de clasificación de gastos para sus clientes autónomos de TurboTax para ayudar a identificar las posibles deducciones. Utilizando Amazon SageMaker para su herramienta ExpenseFinder, que extrae automáticamente el valor de un año de transacciones bancarias, el algoritmo de machine learning de Intuit ayuda a sus clientes a descubrir un promedio de 4.300 dólares en gastos comerciales y su tiempo para construir modelos ML disminuyó de 6 meses a menos de una semana.

Este es otro ejemplo de cómo las herramientas de machine learning ya están marcando una gran diferencia para las empresas de casi todos los sectores. Ya no es una tecnología con aspiraciones para casos de uso marginal, el ML está haciendo posible una transformación significativa hoy en día. Habrá dolores de crecimiento, pero en el fondo, el ML es una experimentación que mejora con el tiempo, por lo que su organización también debe aceptar los fracasos y adoptar una visión a largo plazo de lo que es posible. Si sigue estos pasos, la cultura de machine learning que construya desempeñará un papel vital en la creación de su organización para el éxito a largo plazo.

  • Desarrolla tu equipo
Te puede interesar:  La nube para impulsar la innovación

Por último, para construir una cultura de ML exitosa, necesita enfocarse en el desarrollo de su equipo. Esto incluye la construcción de las habilidades correctas de sus ingenieros y asegurar que los líderes de su línea de negocios también reciban la capacitación necesaria para entender el machine learning. Reclutar talentos muy experimentados en un campo ya limitado es muy competitivo y a menudo demasiado caro, por lo que a las empresas les viene bien desarrollar también el talento interno. Se pueden cultivar las habilidades de ML de los desarrolladores a través de sólidos programas de formación interna, que también ayudan a atraer y retener el talento.

Otro enfoque utilizado por Morningstar – una empresa de servicios financieros globales – fue la formación práctica de sus empleados con AWS Deep Racer para acelerar la aplicación del machine learning en todos los productos, servicios y procesos de inversión de la empresa. Más de 445 empleados de Morningstar participan actualmente en la Liga AWS DeepRacer, que ha creado una forma atractiva de mejorar las habilidades y unir a sus equipos globales.