7 cosas que todo ejecutivo debería saber sobre machine learning

13 1.474

Por Yotam Yarden, analista jefe de datos en AWS.

El Machine Learning (ML) abre las puertas a nuevas fuentes de ingresos y permiten ahorrar costes de forma drástica. Cada vez más, las empresas están recurriendo al ML para consolidar sus puntos fuertes en competitividad y estimular la innovación en sus actividades. ¿Están vuestras compañías entre las que están siguiendo esta tendencia o entre las que se quedan rezagadas? Si vuestra organización es de las que tienden más a la acción que la mayoría y ya habéis empezado a movilizarla hacia la transformación digital y ML, ¿tenéis la confianza de estar haciéndolo correctamente?

A lo largo de la última década, los datos han ido cobrando cada vez mayor protagonismo, hasta llegar al punto en el que se los ha descrito como “el nuevo petróleo”. Las organizaciones que cuentan con muchos datos provenientes de sus usuarios pueden valerse de ellos para aumentar sus ventas y potenciar la fidelización de los clientes. Los fabricantes de equipos y maquinarias pueden valerse de estos datos para mejorar la utilización de sus productos. Las imágenes provenientes de tomografías informatizadas pueden utilizarse para identificar posibles tumores cancerosos. Literalmente, no hay sector de actividad que no pueda valerse de los datos para mejorar sus modelos de negocio y crear otros nuevos. Y, por otro lado, hoy es más económico y sencillo que nunca almacenar, recabar, analizar y compartir grandes volúmenes de datos. Muchas empresas están creando enormes repositorios de datos precisamente con este fin. Pero y vuestra organización, ¿está sacando todo el partido que podría a sus datos? ¿Estáis satisfechos con la rentabilidad que generáis a partir de los mismos? ¿Encontráis dificultades a la hora de crear aplicaciones inteligentes a partir de vuestros repositorios de datos? ¿El Big Data no os permite obtener la información que buscabais? ¿Mucha palabrería pero pocos resultados?

Si ese es vuestro caso, os recomiendo que os planteéis seguir los siguientes consejos:

  1. Centrad vuestra atención en el cliente y en el negocio: ¿cuáles son los principales desafíos a los que se enfrenta vuestra organización? Partid de un desafío para vuestro negocio claramente definido y a continuación plantearos una solución. Hay demasiadas compañías intentando aplicar algoritmos de conducción autónoma o de secuenciado genético para resolver problemas de optimización en su captación de ventas simplemente porque contrataron a un experto en esos ámbitos, cuando hay modelos que se adaptan mejor a esa tarea y ofrecen mayor rentabilidad con menos gastos. Evitad mantener el análisis de datos limitado al departamento informático. De hecho, darle la responsabilidad del equipo de análisis de datos a un gestor con implicación en el negocio puede contribuir a fortalecer vuestra organización y abriros las puertas a nuevas fuentes de ingresos y de recortes de gastos.
  2. Una iteración rápida y sencilla: a la hora de llevar vuestro sistema de ML a producción, sed rápidos y decididos. Realizar pequeñas mejoras iterativas mediante rondas de testeo, pruebas de funcionamiento y experimentos piloto puede ayudar a vuestro equipo a acelerar el ciclo de producción de vuestros proyectos de ML y obtener mejores resultados. Aspirad a tener un prototipo del sistema listo en 3 semanas y una versión totalmente operativa en menos de 90 días. Incluso si vuestro sistema no utiliza un modelo de última generación, aprenderéis mucho más implementando y mejorando mediante pequeñas iteraciones que extendiendo innecesariamente el ciclo de desarrollo. Los procesos de transformación mediante ML se hacen realidad acumulando conocimiento y experiencia mediante pasos pequeños, rápidos y sencillos, no mediante ambiciosos planes que tardan años en hacerse realidad. Los rediseños son inevitables. Sólo mediante la experimentación, la experiencia y la adaptación podréis exprimir todo el potencial de vuestro producto de ML.
  3. ¿Equipos de machine learning centralizados o descentralizados? Centralizad vuestros equipos de ML cuando sea necesario, pero intentad descentralizadlos siempre que os sea posible. Las aplicaciones de ML, como cualquiera otra solución de software, requieren mantenimiento, actualizaciones y asistencia técnica. Un equipo centralizado puede ser muy efectivo en escalas pequeñas. Imaginaos un equipo de innovación de gran tamaño que trabaje en múltiples proyectos de innovación. Es inevitable que, en algún momento, una parte sustancial del trabajo del equipo sea simplemente mantener las operaciones de los proyectos activos. Pueden ser un buen momento para distribuir el equipo y asignarlo a donde realmente le corresponde: en la división de negocio a la que sirve. En ocasiones, puede resultarnos difícil deshacernos de nuestra preciada creación, pero hacerlo ayudará al equipo de ML a innovar para los clientes de nuestra empresa.
  4. Planteaos los mayores obstáculos que suelen encontrar los analistas de datos y desarrolladores de soluciones de datos: 1) datos “sucios”, conjuntos de datos no estructurados, a los que les faltan atributos y mezclan diferentes datos bajo la misma sección; 2) falta de personal especializado; 3) falta de apoyo financiero o de la directiva, ya que los proyectos de ML requieren mucha atención y fondos, las organizaciones suelen verse en dificultades para implementar proyectos de este tipo si no cuentan con el apoyo de la directiva; 4) falta de preguntas obvias a las que dar respuesta (las empresa busca mejorar pero carece de especificaciones y objetivos claros que alcanzar) 5) los datos no están disponibles o resultan difíciles de obtener. Si planeamos nuestro proyecto debidamente, veremos cómo resulta francamente sencillo superar la mayoría de estos obstáculos. ¿Falta de personal especializado? Contratad personal antes de que surja la necesidad; es preferible a tener los datos y no contar con especialistas. ¿Datos no disponibles? Comenzad a recabarlos antes incluso de arranque el proyecto. ¿No os resulta posible acceder a los datos? No pongais el proyecto en marcha hasta haber obtenido las primeras muestras de datos relevantes. ¿Falta de fondos o de apoyo de la directiva? Conseguid la aprobación financiera antes de emprender el proyecto. Buscad a valedores de vuestro proyecto que muestren entusiasmo sobre la IA y que puedan ayudaros a obtener luz verde para vuestro presupuesto; autorizar la contratación del personal necesario; daros acceso a los datos, y poneros en contacto con otras partes implicadas en el negocio
  5. ¡La separación entre el análisis de datos y los DevOps ha desaparecido! “Nuestros doctores en análisis de datos desarrollan modelos de ML y redactan especificaciones para que nuestros desarrolladores los implementen en C++.” Si las palabras de este cliente describen el funcionamiento de vuestra empresa, es hora de cambiar la estructura de vuestro equipo. Hay un amplio espectro de herramientas que permiten a los científicos de datos dar un paso más hacia la ingeniería y viceversa. La separación entre “ciencia” y “producción” puede prolongar los ciclos de desarrollo e innovación de vuestras compañías, lo que a su vez resulta en problemas de calidad y de responsabilidades no definidas claramente. Afortunadamente, la tecnología está evolucionando a un ritmo cada vez mayor y se comercializan nuevas herramientas continuamente. A los expertos nunca les ha resultado tan fácil expandir sus capacidades y adentrarse en nuevos ámbitos.
  6. Cómo mantener la proporción entre científicos e ingenieros de datos: ¿cuál es la proporción óptima de científicos e ingenieros de datos? Para la mayoría de clientes, la respuesta dependerá de la madurez del negocio. Si no os resulta posible acceder a vuestros datos o no mantenéis un seguimiento exhaustivo de los mismos, es probable que necesitéis más ingenieros que científicos. Por el contrario, si vuestros flujos, almacenes y repositorios de datos ya están bien definidos, necesitaréis más científicos y menos ingenieros. En algunos casos, vuestras empresas tendrán unas necesidades específicas que pueden afectar a las habilidades que necesitáis. Como regla de tres, tened entre 2 y 3 ingenieros por cada científico de datos en la fase de creación y pasad a un reparto equitativo una vez el sistema esté implementado.
  7. Tened claros vuestros KPI, (Key Performance Indicators o indicadores clave del rendimiento), que serán los que os permitan evaluar el éxito de vuestro proyecto. Tomemos como ejemplo imaginario un motor de recomendaciones para una compañía multimedia online. “Mejorar la experiencia del usuario” puede ser un objetivo encomiable, pero sin una forma de medir el éxito alcanzado, el objetivo resulta excesivamente ambiguo. Es posible incluso que las partes involucradas en el negocio discrepen sobre si los objetivos se han cumplido o no, lo que puede llevar a un mal uso de los recursos y un desarrollo poco eficiente. ¿Se puede medir la “mejora en la experiencia del usuario” según el tiempo invertido en la plataforma? ¿Según el número de vídeos vistos? ¿Según el número de nuevas categorías exploradas por el usuario? Cada una de estas medidas podría llevar a un sistema de recomendaciones diferente. Tener objetivos y KPI claramente definidos puede ayudaros a planificar y ejecutar vuestros planes con mayor eficacia.

Las iniciativas de ML son emocionantes y pueden ser muy fructíferas. Sin embargo, la falta de definición en los objetivos, unos recursos limitados y unas expectativas poco razonables pueden suscitar cierta ansiedad. Organizar un “taller de descubrimiento sobre el ML”, en el que todas las partes involucradas, tanto en el negocio como en el apartado técnico, puedan compartir ideas, conversar sobre los principales retos a los que se enfrenta la compañía y planificar el futuro, puede ser de gran ayuda. Durante este taller, podemos hacer una lista de todos los retos a los que nos enfrentamos, evaluar cuán factible resulta abordarlos, estimar los esfuerzos necesarios, hacer una lista de las herramientas y destrezas que nos faltan y de los proyectos que queremos emprender con su plan de ejecución correspondiente. Sin embargo, hasta el plan de ejecución más bien intencionado acabará fracasando si no mantenemos la vista puesta en alcanzar los objetivos. Con esto en mente, recordad: centrad vuestra atención en el cliente, iterad rápido, distribuid los análisis de datos cuando sean efectivos, tened en cuenta posibles obstáculos en vuestra planificación, contratad al personal necesario y elegid KPI que reflejen bien vuestros objetivos.

Diseño de Páginas Web prosinet.com

También podría gustarte
13 Comentarios
  1. @SantchiWeb dice

    RT @pabglindo: 7 cosas que todo ejecutivo debería saber sobre machine learning: https://t.co/sEr0gVxNCH. #Cloud #CloudComputing

  2. Jairo Iglesias (@Jairo_Church) dice

    7 cosas que todo ejecutivo debería saber sobre machine learning https://t.co/fh4086oofi https://t.co/FERCXCin3f

  3. @Cloud_Levante dice

    7 cosas que todo ejecutivo debería saber sobre machine learning https://t.co/SD4vmOtLRa #MachineLearning #Empresa

  4. 7 cosas que todo ejecutivo debería saber sobre machine learning https://t.co/Ll8pUG3mlR #Cloud #Tech

  5. Jose Descalzo (@jamdescalzo) dice

    7 cosas que todo ejecutivo debería saber sobre #machinelearning @revistacloud https://t.co/LszxQ755ME

  6. StackedCloud (@StackedCloud) dice

    7 cosas que todo ejecutivo debería saber sobre machine learning: Por Yotam Yarden, analista jefe de datos en AWS. E… https://t.co/KQU0fO1qtt

  7. @_yotam_ dice

    RT @jamdescalzo: 7 cosas que todo ejecutivo debería saber sobre #machinelearning @revistacloud https://t.co/LszxQ755ME

  8. @silvajesus82 dice

    7 cosas que todo ejecutivo debería saber sobre machine learning https://t.co/Xxtx2hlFPl #cloud #feedly

  9. EXEVI (@exevi) dice

    7 cosas que todo ejecutivo debería saber sobre machine learning https://t.co/r5LlrYuXQo

  10. 7 cosas que todo ejecutivo debería saber sobre machine learning https://t.co/YNXmUbgLcO

  11. @mirrau dice

    { Tecnología } La Nota ::. 7 cosas que todo ejecutivo debería saber sobre machine learning – Revista Cloud Computin… https://t.co/NlMQiGHOu4

  12. Santchi (@SantchiWeb) dice

    RT @mirrau: { Tecnología } La Nota ::. 7 cosas que todo ejecutivo debería saber sobre machine learning – Revista Cloud Computing https://t.…

  13. @SaraGomezAranci dice

    RT @magombau: 7 cosas que todo ejecutivo debería saber sobre machine learning https://t.co/YNXmUbgLcO

Deja tu comentario sobre esta noticia

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.