Treo Blog

En este espacio puedes explorar las últimas tendencias y noticias en tecnología, seguridad informática e infraestructura TI.

  • Jonathan Rodriguez Paipa

Cómo comenzar su viaje AI / ML

Por: Sandra Arps



Crédito: Pexels

Aunque la inteligencia artificial y el aprendizaje automático (AI / ML) han existido durante algún tiempo, solo recientemente, cuando la potencia informática es asequible, las empresas han comenzado a invertir en AI / ML. Lo que antes era tecnología solo accesible y asequible para las empresas se ha vuelto más accesible.


Cuando se usa correctamente la tecnología AI / ML, las organizaciones pueden lograr una variedad de beneficios, como el mantenimiento predictivo del hardware en una fábrica, la venta cruzada de productos a los clientes existentes, la identificación de la pérdida de clientes antes de que suceda y la mejora de los servicios al cliente, solo por nombrar unos pocos.




Algunas organizaciones han implementado tecnología de aprendizaje automático, pero no han obtenido el retorno esperado de su inversión. Varios factores pueden afectar el éxito del aprendizaje automático en la optimización de las operaciones: calidad y disponibilidad de los datos, gestión del ciclo de vida del modelo, reentrenamiento de modelos y colaboración entre equipos y departamentos. Entonces, ¿cuáles son algunas de las cosas que puede hacer para ayudar a garantizar el éxito con su inversión en IA / ML?


Esta publicación proporcionará una hoja de ruta sobre cómo adoptar AI / ML en su organización.


1. Edúquese a sí mismo y a sus equipos


Este paso suena trivial, pero una comprensión general es vital para utilizar con éxito esta tecnología. Recomendamos profundizar en temas como MLOps, ciclo de vida de desarrollo de modelos y la importancia de los datos relativos. Trabajar en equipos multifuncionales también es una buena manera de familiarizarse con los conceptos básicos de AI / ML. También hay muchos cursos y charlas disponibles públicamente en Coursera y Udacity.


2. Seleccione un proyecto piloto


Empiece poco a poco al seleccionar su proyecto piloto. Evite intentar resolver el problema más complejo con la tecnología AI / ML en su organización. En su lugar, busque una pequeña iniciativa que pueda tener un impacto medible para un grupo o departamento en particular en su organización.


Hay toneladas de información, incluidos ejemplos de casos de uso de AI / ML disponibles en Internet que demuestran cómo la tecnología de AI / ML puede desempeñar un papel crucial en la resolución de problemas críticos. Algunos de estos ejemplos pueden inspirar configuraciones similares para resolver problemas existentes.


Recuerde, AI / ML no resolverá todos los problemas. En algunos casos, un enfoque tradicional basado en reglas puede resolver el problema dado con facilidad. Su proyecto piloto debe tener AI / ML en su núcleo para impulsar la tecnología AI / ML dentro de su organización.


Comience definiendo métricas simples para el éxito. Con métricas definidas, puede medir y demostrar el valor de AI / ML a varias partes interesadas más adelante.


3. Obtenga asesoramiento de expertos


Si su organización no tiene la capacidad interna, obtenga el asesoramiento de un experto externo. Es posible que necesite expertos que puedan ayudarlo con la colaboración entre equipos, definir nuevos procesos y recopilar asesoramiento tecnológico.


Asegúrese de que el equipo de su organización esté disponible durante esta colaboración para maximizar la transferencia de conocimientos. Una vez que el proyecto piloto se haya implementado con éxito, su equipo establecerá y hará crecer sus prácticas de IA / ML, incluso más allá de la implementación inicial.


4. Prepare sus datos


Los datos son la parte más crucial de su proyecto. Necesitará mucho. Cuantos más datos, mejor. Algunas organizaciones dedican mucho tiempo a la preparación de datos antes de usarlos para un proyecto o un caso de uso seleccionado.


Obtener sus datos para su proyecto piloto puede ser un desafío. Los datos pueden almacenarse en diferentes formatos (tanto estructurados como no estructurados) o ubicarse en varias ubicaciones y deben fusionarse. Los datos deberán limpiarse. Además, querrá considerar cómo las leyes de privacidad pueden afectar el acceso, cómo el sesgo de datos puede afectar los modelos de manera desfavorable y cómo el almacenamiento de datos puede complicar cuánto se puede obtener. Mantener el conocimiento de la calidad de los datos jugará un factor crítico en un proyecto de IA / ML exitoso.


5. Defina las métricas para su modelo


Esta es una de las fases más cruciales en las que los expertos en la materia (SME) definen cómo validar el éxito del modelo AI / ML. Hay muchas métricas disponibles, como precisión, recuperación y exactitud. Cada caso de uso es diferente y seleccionar la métrica de validación correcta es vital para un resultado exitoso. Un modelo creado para diagnósticos médicos tendrá consideraciones diferentes a la creación de un modelo para la detección de spam.


6. Explore datos con pymes y realice experimentos


Trabaje con pymes o expertos en el dominio para comprender mejor qué datos son útiles y c