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 cómo lograr las métricas óptimas definidas anteriormente. Experimente con diferentes algoritmos e hiperparámetros para encontrar el que mejor se adapte al caso de uso de su piloto. Incluya a las partes interesadas para ganar su aceptación y aumentar su confianza al usar el modelo en producción.


7. Entrene y valide su modelo


Para entrenar y validar su modelo , se recomienda dividir sus datos en tres conjuntos: un conjunto de entrenamiento (~ 70%), un conjunto de prueba (~ 15%) y un conjunto de validación (~ 15%). Asegúrese de que su conjunto de entrenamiento sea lo suficientemente grande para ver resultados significativos cuando use el modelo en él.


El equipo de prueba es necesario para probar la precisión de su modelo. Solo los conjuntos de entrenamiento y prueba están disponibles para el equipo de creación de modelos (equipo creador) para evitar posibles sesgos de datos.


El conjunto de validación solo está disponible para un equipo diferente (equipo de verificación) que valida las métricas del modelo con el conjunto de validación. Este enfoque de verificador de fabricante proporciona un método adicional para reducir el sesgo en el modelo.


8. Implementar DevOps y MLOps


Construir un modelo es un trabajo a medio hacer, luego integrarlo en su ciclo de vida de un extremo a otro podría ser un desafío. A menudo, cuando los científicos de datos desarrollan modelos en sus computadoras portátiles, la integración en la producción se convierte en un desafío importante. Los equipos de operaciones y de desarrollo deben colaborar con los científicos de datos de forma iterativa. La automatización es clave, y la integración y la implementación continuas (CI / CD) pueden ayudar a que el modelo funcione rápidamente.


9. Mueva su modelo a producción


Una vez que el modelo se ha construido y probado a fondo, está listo para el lanzamiento de producción. Si es posible, implemente primero para una pequeña cantidad de usuarios. Supervise el rendimiento del modelo durante varios días. Asegúrese de incluir a las partes interesadas y las PYME en estas discusiones para evaluar los resultados y proporcionar comentarios continuos. Una vez que las partes interesadas han aceptado el desempeño del modelo, el modelo se puede implementar a una audiencia más amplia.


10. Mantenga su modelo relevante para el mundo real


Una vez que su modelo está en producción, debe monitorear y ajustar continuamente el rendimiento del modelo en función de su situación actual del mercado. Las condiciones del mercado pueden desencadenarse a través de varios eventos.


Por ejemplo, la industria minorista puede encontrar sus modelos significativamente afectados por eventos como el Black Friday o días festivos como Navidad. Con estos impactos, es posible que el modelo deba volver a capacitarse. De lo contrario, sus predicciones pueden volverse inexactas, dando como resultado un modelo desactualizado. La detección de deriva es una técnica que se puede utilizar para monitorear el mercado actual y las condiciones mundiales y ayudarlo a decidir cuándo es necesario volver a capacitarse.


11. Celebre el éxito y promueva el resultado.


Una vez que su proyecto piloto sea exitoso, promuévalo y publicítelo dentro de su organización. Utilice boletines internos, sitios web internos o incluso considere enviar un correo electrónico del patrocinador del piloto a las partes interesadas para promover los éxitos. Algunas organizaciones utilizan seminarios web internos que demuestran cómo la iniciativa ha ayudado a lograr un resultado en particular. ¡Aproveche cualquier oportunidad para aumentar la visibilidad de lo que ha hecho y muestre su éxito!


12. Establecer una comunidad de práctica (CoP)


Con el interés generado en torno al piloto, establezca una CoP en su organización. En esta comunidad, los miembros del equipo pueden discutir una variedad de temas relacionados con AI / ML, informarse entre sí sobre tendencias clave, discutir marcos y compartir detalles sobre proveedores potenciales. Las presentaciones periódicas de este grupo a la organización en general (como seminarios web o almuerzos y aprende) ayudarán a aumentar los intereses y las inversiones en la comunidad.


13. Considere la ética de AI / ML


Al implementar esta nueva tecnología, anticipe que los empleados podrían plantear inquietudes. ¿La tecnología AI / ML reemplazará al personal? ¿Qué decisiones tomará el modelo y quién podrá controlarlo? ¿Quién entrenará al modelo? ¿Existe sesgo en el conjunto de datos? ¿Cuáles son las implicaciones de un conjunto de datos limitado? ¿Cómo decidiré que el modelo está listo para entrar en producción y quién asumirá las consecuencias si las cosas salen mal?


Para abordar las preocupaciones éticas planteadas por la tecnología AI / ML, cree un recurso interno o nomine a una persona informada como "oficial de ética AI / ML" para responder a los impactos futuros de la tecnología AI / ML. Esto infunde confianza y demuestra que la organización está trabajando para abordar las preocupaciones de sus empleados.


Seleccionar las mejores herramientas para su organización


Con respecto a cómo implementar mejor sus objetivos de IA / ML, hay cientos de herramientas , marcos y plataformas disponibles. Puede ser un desafío decidirse por un conjunto en particular al comenzar su viaje. Siempre examine qué tipo de capacidades y habilidades tiene su equipo existente antes de comprar nuevas herramientas. Revise su estrategia de TI general en términos de software de código abierto versus software comercial, así como su estrategia de nube, si corresponde.


Estos son los criterios esenciales que quizás desee considerar en sus procesos de toma de decisiones. Antes de elegir cualquier herramienta, investigue su popularidad en el mercado y la disponibilidad de soporte de productos. Si depende de contratistas, verifique la disponibilidad del mercado, idealmente en su región local, para reducir los costos iniciales generales.


Recuerde siempre que emprender un viaje de IA / ML requerirá tiempo, esfuerzo y práctica. Es más que un cambio de tecnología; también es una nueva forma de trabajar. Requerirá modificar la forma en que los equipos colaboran y mejorar los procesos y la tecnología existentes. Brinde soporte a sus equipos, confíe en las pymes, haga muchas preguntas y documente los resultados para ayudar a garantizar que su viaje de AI / ML finalmente sea exitoso.


Próximos pasos


¡Permítanos ayudarlo a emprender este viaje! A través de nuestra residencia de AI / ML Red Hat Open Innovation Labs , trabajaremos con usted directamente para entrenar y orientar a su equipo en las mejores prácticas de AI / ML, revisar y mejorar sus procesos de MLOps y entregar un proyecto piloto a lo largo de la experiencia de residencia. Para obtener más información, comuníquese con nosotros a través del formulario en nuestra página de Open Innovation Labs .


Fuente: Blog de Red Hat.

4 vistas0 comentarios