El 87% de los proyectos de ciencia de datos nunca llegan a producción. Algunos fracasan por falta de apoyo de la dirección; otros, por no contar con datos de calidad ni con la infraestructura adecuada. Las organizaciones que quieren extraer valor de la IA y el aprendizaje automático deben conocer los escollos habituales al definir y gestionar proyectos de IA. Dicho así suena fácil, pero no lo es. Incluso quienes dominan la implantación de proyectos de software tradicionales pueden toparse con dificultades al implementar proyectos de IA por su naturaleza particular.
¿Qué diferencia a los proyectos de IA de los proyectos de software tradicionales?
En un proyecto de software tradicional, una persona programadora codifica de forma explícita la lógica del programa, que recibe una entrada y produce una salida. Por ejemplo, un software bancario que reduce la puntuación crediticia de un solicitante (salida) cuando pide un préstamo elevado (entrada).
En cambio, los proyectos de IA que emplean aprendizaje automático no requieren una lógica codificada de forma explícita. Los algoritmos aprenden de manera sistemática el patrón entre la entrada y la salida y, a partir de ahí, predicen una salida en función de una entrada. Por ejemplo, estimar el riesgo de impago de un prestatario en función de su puntuación crediticia y del importe de los préstamos contraídos.
Esto puede introducir una inercia considerable cuando una organización empieza a implantar y gestionar proyectos de IA. Por eso, este artículo ofrece pautas para tu próximo proyecto de IA desplegable y rentable.
Tres características para los primeros proyectos de IA
Estas tres características allanan el camino para el éxito de los primeros proyectos de IA de una empresa. He aquí el porqué.
Los proyectos de IA deben ser viables
Antes de iniciar nuevos proyectos de IA, las organizaciones deben evaluar su madurez en datos antes de comprometer recursos que podrían destinarse a proyectos inviables. Los pilares de la madurez en datos abarcan infraestructura, personas, herramientas, organización y procesos. Plantear preguntas útiles sobre estos pilares ayuda a priorizar qué proyectos son más viables:
- ¿La empresa es capaz de recopilar datos de forma fiable?
- ¿Cuenta con la infraestructura para almacenar y depurar los datos?
- ¿El equipo tiene las competencias necesarias para ofrecer resultados de modelo fiables y precisos?
- ¿La empresa dispone de procesos, herramientas y habilidades para monitorizar modelos en producción?
Los proyectos de IA deben ser sencillos
Un proyecto técnicamente sencillo es más manejable para una organización con una madurez en datos relativamente baja. Un proyecto simple y rápido de entregar genera victorias tempranas que hacen crecer la experiencia del equipo. Esto impulsa el ritmo de futuros proyectos de IA y crea un círculo virtuoso que despierta interés en la compañía y facilita el apoyo a iniciativas técnicamente más avanzadas. A medida que la empresa madura en IA, podrá pasar de los frutos más accesibles a proyectos más complejos.
Los proyectos de IA deben aportar valor
Harvard Business Review sostiene que una de las señas de identidad de un buen proyecto de IA es el valor que genera. Esto puede materializarse de tres formas: ayudar a tomar mejores decisiones, reducir costes automatizando tareas manuales repetitivas o incorporarse a nuevos productos. El valor derivado de proyectos de IA con éxito puede convencer a los stakeholders de invertir en las capacidades de IA de la empresa.
Encontrar un proyecto sencillo, valioso y viable no es trivial. Para dar con iniciativas que cumplan estos requisitos, Veljko Krunic, autor de Succeeding with AI, propone los siguientes pasos.
- Identificar problemas de negocio.
- Proponer soluciones de IA a esos problemas.
- Estimar la viabilidad técnica y la complejidad del proyecto.
- Definir métricas de negocio para medir el valor del proyecto de IA.
- Estimar el valor de negocio en función de esas métricas.
En teoría es sencillo, pero en la práctica tiene matices. En particular, la elección de las métricas de negocio puede no ser obvia. En la siguiente sección vemos cómo seleccionarlas.
Medir los proyectos de IA con métricas de negocio
El valor empresarial de un proyecto de IA puede medirse con las métricas adecuadas. Aun así, para muchos profesionales de IA resulta contraintuitivo evaluar el rendimiento de un sistema de IA con métricas de negocio.
Los modelos de aprendizaje automático se miden normalmente con métricas de evaluación que reflejan su rendimiento técnico sobre un conjunto de datos, no con métricas que cuantifiquen su impacto en el negocio. Esta es una práctica habitual en el mundo académico, donde el avance de los algoritmos se vincula a referencias técnicas objetivas y cuantificables. Sin embargo, los sistemas de IA en el mundo real se asocian a resultados tangibles que van más allá de la precisión, como ingresos, costes y satisfacción del cliente.
Por tanto, es necesario conectar el rendimiento técnico de los sistemas de IA con métricas de negocio. A menudo, esa conexión no es evidente. Líderes de negocio y expertos en IA deben colaborar y consensuar una métrica empresarial con la que medir y optimizar el rendimiento de un sistema de IA, como señala Andrew Ng, cofundador de Google Brain.
En este proceso, el uso de una curva de beneficio puede ayudar a establecer de forma cuantitativa la relación entre métricas de negocio y métricas técnicas, tal y como propone el libro Data Science for Business. Así se traduce el progreso técnico a términos de negocio, permitiendo responder a preguntas como: «¿cuántos ingresos adicionales generamos con un aumento del 1% en la precisión?»
Figura 1: ilustración de una curva de beneficio que vincula la precisión de un sistema de IA con el beneficio resultante
Cómo comunicar el valor de un proyecto de IA
Entre profesionales de aprendizaje automático es normal hablar con jerga técnica sobre los modelos, y con razón. Sin embargo, eso no tiene sentido para una audiencia no técnica, a la que le importa mucho más el impacto en el negocio que una mejora incremental del 1% en la precisión.
Quien trabaja en IA puede evitar esa trampa teniendo siempre presente a su audiencia al comunicar avances del proyecto. En particular, debe recordar que, para los responsables de negocio, la mejora de las métricas empresariales tiene prioridad sobre la de las métricas técnicas. También es útil apoyarse en técnicas de data storytelling para contar cómo los proyectos de IA ayudan a mover las métricas del negocio: mejora de la experiencia del cliente, aumento de la retención o reducción de costes.
La implantación de sistemas de IA y las canalizaciones de machine learning van de la mano
Ya hemos visto cómo un sistema de IA difiere de un sistema de software tradicional. En particular, un sistema de IA no requiere que una persona programadora codifique su lógica de forma explícita, ya que aprende patrones a partir de datos. Para que esto ocurra, primero hay que construir la canalización que ingiere los datos necesarios, los transforma y se los entrega al sistema de IA.
Así, los sistemas de IA no solo incluyen el algoritmo de aprendizaje automático, sino también una canalización de machine learning (ML). Esta canalización describe el flujo de datos de principio a fin: cómo se obtienen, se transforman, se usan, se presentan y se monitorizan.
Las canalizaciones de aprendizaje automático forman parte de un sistema de software más amplio. Los procedimientos para desarrollar una canalización de machine learning y los de un sistema de software típico son en gran medida similares. Entre otros aspectos, se repiten temas como la necesidad de ingenieros de datos competentes, el uso de procesos de desarrollo cercanos a DevOps y la importancia de la seguridad, tanto en proyectos de IA como de software.
Este es un ejemplo de canalización ML de un sistema de visión por computador que detecta anomalías en un proceso de fabricación de teléfonos. Esta canalización simplificada detecta defectos en los teléfonos a partir de fotos y facilita el trabajo del equipo de control de calidad.
Figura 2: canalización ML simplificada de un fabricante de teléfonos
Como se ve en el ejemplo, el diseño de una canalización de aprendizaje automático depende en gran medida de los datos, del algoritmo y del caso de uso de negocio. Rara vez existe una canalización válida para todo.
Una canalización completa también incluye recopilación de datos, extracción de características, verificación de datos, monitorización de resultados, entre otros elementos, lo que la convierte en algo amplio y muy complejo, según un influyente artículo de Google. Por ello, suele haber un equipo de Machine Learning Engineering dedicado a construir y mantener la canalización.
Diseña sistemas de ML robustos desde el principio para evitar cambios costosos
El despliegue de sistemas de aprendizaje automático puede no ir como se esperaba, quizá por cambios en los datos, debilidades del modelo o fallos en la canalización. Cuando esto sucede, quienes quieren mejorar el sistema pueden proponer cambios drásticos en la canalización existente, solo para descubrir con frustración que las canalizaciones de ML se vuelven rápidamente resistentes al cambio una vez implantadas.
Veljko Krunic denomina a este fenómeno la «osificación de las canalizaciones de ML». La inercia al cambio surge de la dificultad de modificar el código de un proyecto tan técnico y complejo. Los equipos de negocio, que prevén el efecto dominó de los cambios en la canalización sobre las operaciones, también pueden oponerse. En el ejemplo de la Figura 2, si la capacidad del algoritmo para marcar automáticamente teléfonos defectuosos cae en picado, cubrir con personal adicional la inspección manual podría llevar semanas.
Introducir cambios drásticos en proyectos de IA ya osificados sale caro. A veces hay que rehacer la canalización cuando se ha implantado en producción una prueba de concepto no escalable. Aun así, la osificación de las canalizaciones de ML suele ser inevitable.
Por ello, las empresas que quieran gestionar proyectos de IA deberían aspirar a implantar la canalización adecuada desde el primer día. La disciplina de MLOps (Machine Learning Model Operationalization Management) ayuda a lograrlo. Sus herramientas y prácticas proporcionan un proceso integral de desarrollo de machine learning para diseñar, construir y gestionar software basado en ML que sea reproducible, verificable e iterativo. Esto permite a los equipos de datos implantar integración y entrega continuas en sus canalizaciones, monitorizar derivas de datos y mantener la explicabilidad de los sistemas.
Desarrolla la capacidad de tu equipo para gestionar proyectos de IA con eficacia
Gestionar un proyecto de IA no es tarea fácil. A una organización no le basta con contar con talento técnico: también necesita una cultura de datos transversal y una fuerte competencia en datos para impulsar la adopción de la IA. Del mismo modo que implantar proyectos de IA lleva tiempo, los programas para enseñar competencia en datos son de largo recorrido.
Ahí es donde DataCamp for Business puede ayudarte con una plataforma de aprendizaje interactiva para empresas que necesitan formar y readaptar a su gente en habilidades de datos. Con temáticas que abarcan desde ingeniería de datos hasta aprendizaje automático, más de 1.600 empresas confían en DataCamp for Business para impulsar el desarrollo de su talento.
¿No tienes claro el nivel de competencias en datos de tu equipo? Haz nuestra evaluación de madurez en datos.
