Diez consejos para comenzar con el Machine Learning

Autor: José Luis Becerra Pozas
Categorías relacionadas:
Administración de proyectos, Aplicaciones, Cómo hacerlo, Desarrollo, Destacado, Inteligencia Artificial, Inteligencia Artificial, Inteligencia Artificial, Lo más reciente, Lo más reciente, Management, Mejores prácticas, Personal TI, Software empresarial, Tendencias

diez-lecciones-machine-learning

[widget id="text-55"]

liston-luto-nacionalEl Machine Learning (ML) se está convirtiendo rápidamente en una prueba decisiva para los CIO avanzados. Las empresas que no adoptan el aprendizaje automático o de máquinas para el desarrollo de productos o las operaciones de negocios corren el riesgo de quedar por detrás de competidores más ágiles en la próxima década. Así lo afirma Dan Olley, CTO de Elsevier, la unidad de información científica y de salud de RELX Group, que aumentado la adopción de tecnologías ML en los últimos años: “Creo que estamos en un punto de inflexión con el aprendizaje automático, el cual cambiará la forma en que interactuamos con el mundo digital durante la próxima década”.

Es una suposición razonable. El crecimiento en el poder de cálculo, la creciente sofisticación de algoritmos y modelos de entrenamiento y una fuente aparentemente ilimitada de datos han facilitado importantes innovaciones en la Inteligencia Artificial (IA).

La IA, que incluye cualquier tecnología en la que una máquina pueda imitar el comportamiento de la mente humana, incluye subcampos tales como ML, en los que los algoritmos basados ​​en estadísticas automatizan la ingeniería del conocimiento. 

Google, Amazon, Baidu y otros están dedicando más dinero en AI y ML. Por otra parte, la actividad empresarial desencadenada por estos acontecimientos atrajo tres veces más inversión en 2016 –entre 26,000 y 39,000 millones de dólares, según el McKinsey Global Institute.

El tiempo para adoptar IA y ML es ahora

La adopción de IA fuera del sector de la tecnología se encuentra en su mayor parte en una fase temprana, experimental, con pocas empresas que la despliegan a escala, informa McKinsey.

Las empresas que aún no han adoptado la tecnología de la IA a escala o como parte central de su negocio no están seguras de los beneficios que pueden esperar de tales inversiones, de acuerdo con McKinsey. Pero Olley, cuyos esfuerzos de ML en Elsevier han ayudado a clientes farmacéuticos a descubrir fármacos y entregar información médica relevante, afirma que los casos de uso de ML abundan en gestión del talento, ventas y marketing, atención al cliente y otras áreas.

Dan Olley y Gartner ofrecen los siguientes consejos:

  1. Entender dónde encaja la ciencia de datos

No es necesario centralizar su ciencia de datos y las operaciones ML. De hecho, puede tener sentido integrar la ciencia de los datos y el aprendizaje automático en cada departamento, incluyendo Ventas, Marketing, Recursos Humanos y Finanzas.

  1. Comenzar

Gartner dice que debe fomentar pequeños experimentos en diferentes áreas de negocio con tecnologías de IA particulares para propósitos de aprendizaje, no ROI.

  1. Trate sus datos como si fuera dinero

Los CIO deben tratar sus datos como si fueran dinero administrándolos, protegiéndolos y obsesionándolos.

  1. Deja de buscar personas perfectas para el puesto

Los científicos de datos tienden a ser las personas que tienen una alta aptitud en matemáticas y estadísticas y son expertos en encontrar ideas en los datos, no necesariamente ingenieros de software que pueden escribir algoritmos y productos de “artesanía”.

  1. Construir un currículo de formación en ciencias de los datos

No todo el mundo que practica la ciencia de los datos se convertirá en un científico de datos o requerirá una cinta negra en la materia. Gartner le aconseja identificar el conocimiento de AI y las brechas de talento, para luego desarrollar un plan de formación y contratación para construir sus capacidades.

  1. Endorse la ciencia de los datos y las plataformas ML

Las empresas que se ponen al día con IA y ML o que son inseguros acerca de cómo abordar un problema de ciencia de datos puede volcar sus datos en las plataformas de ciencias de datos.

  1. Cuidado con los “datos derivados”

Si va a compartir sus algoritmos con un socio, tenga en cuenta que éste verá sus datos y que éstos son la nueva moneda.

  1. No siempre hay que tratar de resolver el problema completo

Resuelva el problema por segmentos. Obtenga más datos; construya y avance poco a poco.

  1. No piense demasiado en sus modelos de datos

Es más importante obtener los conjuntos de entrenamiento adecuados que perfeccionar los modelos de datos.

  1. Eduque al CEO y a la junta sobre sus pruebas piloto

 No deje de recordarles que estas pruebas son prioritarias para la organización.

Clint Boulton, IDG.es

Deja un comentario