Cómo encontrar Casos de Uso de Inteligencia Artificial
Traducido por Daniel Entin del original por Cassie Kozyrkov (editado por Carlos Secada)
¡Emocionate! El futuro está aquí: el Machine Learning (ML) y la Inteligencia Artificial (IA) te permiten automatizar lo inimaginable. Suena increible… solo si sabes cómo identificar un buen caso de uso.
Para ayudarte a aprovechar esta increíble tecnología, tengo un excelente truco que puedes usar para identificar las tareas que son perfectas para aplicar Machine Learning e Inteligencia Artificial. ¡Es una especie de meditación guiada diseñada para que logres tu momento oooohhmmmm!
Imagina que la Inteligencia Artificial es una farsa
Quiero que imagines por un momento que no existe Machine Learning. Todo es un engaño; solo hay una isla en algún lugar remoto en medio del océano, con un grupo de mis amigos detrás de las pantallas de las computadoras que fingen ser la Inteligencia Artificial. Cuando les envías un dato, rápidamente te devuelven una decisión.
Por ejemplo, envías una foto de un gato y ellos escriben ‘gato’ rápidamente, para que parezca que fuese una aplicación de Machine Learning quién lo está haciendo.
Aquí viene la parte divertida. Voy a dejar que tomes prestada mi isla para usarla en tu negocio. Gratis. Solo hay un problema: no puedes darles instrucciones a mis amigos. Solo puedes enseñarles dándoles ejemplos pero, eso si, son rápidos y son muchos. No vale la pena invertir tiempo en enseñarles si lo que vas a hacer es una tarea de una sola vez. Así que mejor enfócate en las tareas repetitivas y monótonas que te gustaría eliminar de tu vida. ¿Para qué usarías esta isla?
¿Qué trabajo pesado simplificarías?
Al responder esta pregunta, estás en el camino correcto para encontrar las aplicaciones adecuadas para ML e IA. (Puedes empezar sin saber la diferencia entre ML e IA). Se trata de etiquetar cosas y una vez que logras ser creativo con esta idea, ¡te das cuenta de lo mucho que puedes lograr con ella!
Aquí hay algunos ejemplos de “etiquetado” o clasificaciones con Machine Learning que he visto en la vida real:
- Botella de vino: ¿me gustará o no?
- Videojuego: ¿movimiento de joystick?
- Grabación de sonido: ¿subtítulos de los textos correctos?
- Letra de una canción: ¿idioma?
- Usuario del baño: ¿Se lavaron las manos?
- … la lista continúa al final del artículo …
Todas estas son “etiquetas” (pequeñas decisiones) y la isla puede aprender a hacer todas estas cosas para ti … si le das suficientes ejemplos primero. Los trabajadores están dispuestos a aprender y tienen todo el tiempo del mundo disponible.
¿Pero están muy borrachos?
¡Pero espera! Antes de pasarles todo tu trabajo a esta isla, pregúntate: ¿Qué tan borrachas están están las personas en esta isla? ¿Están en condiciones de hacer el trabajo? No confíes en ellos con un trabajo importante. La confianza ciega !no es algo muy recomendable! Oblígalos a ganarse tu confianza verificando primero que hagan su trabajo lo suficientemente bien.
La confianza ciega ¡no es algo recomendable! El Machine Learning debe ganarse tu confianza teniendo un buen desempeño cuando lo pones a prueba.
No podrás hacer esto a menos que puedas expresar qué significa hacer tu tarea correctamente. Un error común que cometen las empresas es asumir que el Machine Learning es mágico, por lo que está bien no pensar qué significa hacer correctamente la tarea.
Necesitas saber qué significa hacer tu tarea correctamente
Espera un momento, ¿te interesa que tu tarea se realice correctamente y, sin embargo, no puedes saber si realmente fue así? ¡Suena a un problema serio! Antes de que estés listo para pensar en los datos, asegúrate de haber pensado cómo sabrás si una unidad del trabajo se realizó correctamente. En otras palabras, si una etiqueta que te da la isla es correcta.
Machine Learning solo te servirá si el responsable de la toma de decisiones de negocio de tu proyecto es capaz de articular cómo evaluar el desempeño. No estarás listo para empezar un proyecto serio de Machine Learning, hasta que tengas en la mano un documento que describa:
- ¿Qué significa hacer tu tarea correctamente?
- ¿Qué errores son peores que otros errores?
- Si se ejecutaron 1,000 unidades de trabajo, algunas de manera imperfecta, ¿cómo asignas un puntaje a todo ese trabajo? (Eso depende totalmente de tu líder de negocio).
Los proyectos de IA deben comenzar con el responsable de la toma de decisiones de negocio
Espero que veas que no necesitas tener un doctorado en Machine Learning para hacer dicho documento. Mas bien, necesitas comprender lo que es importante para tu negocio. Cada proyecto de Ciencia de Datos comienza con un tomador de decisiones de negocio, y Machine Learning no es la excepción. No te preocupes, yo te cuido las espaldas. Pronto compartiré guías para ayudar a los tomadores de decisiones de negocios a comenzar, diseñar métricas de rendimiento y establecer criterios.
Una breve título para comenzar
Mientras tanto, toma lápiz y papel. Olvídate de las máquinas e imagina una Isla de trabajadores (¿borachos?). ¿Con qué tareas repetitivas quisieras que te ayuden ? ¿Puedes expresar las recetas para hacer las tareas? Si la respuesta es sí, simplemente haz que un ingeniero de software te traduzca esas instrucciones en un programa de software. Si la respuesta es no, ¿puedes decir cómo asignarías un puntaje a 1,000 unidades de trabajo imperfectas? Si no lo sabes, sigue meditando. Si lo sabes, ¡bienvenido a Machine Learning!
(Ya que este es siempre el primer paso en un proyecto de Machine Learning, si alguien te pregunta si estás haciendo ML / IA, puedes decirle “¡Sí!” con la conciencia limpia. ¡Felicidades!)
Para más inspiración
Aquí hay algunos ejemplos. del etiquetado de Machine Learning que he visto en la vida real:
- Ingrediente de alimentos para bebés: ¿ seguro o malogrado?
- Paciente: ¿dosis de medicación ideal?
- Correo electrónico: ¿ spam o legítimo?
- Llamada grabada al call center: ¿tema de conversación?
- Botella de vino: ¿me gustará o no?
- Volante/timón: ¿izquierda o derecha?
- Foto: ¿Qué animal es?
- Pieza de juego: ¿Qué ubicación en el tablero?
- Comienzo de una oración: ¿fin de esa oración?
- Productos: ¿Qué precio poner mañana?
- Transacción: ¿legítima o fraudulenta?
- Sistema de enfriamiento del data center: ¿ más caliente o más frío?
- Máquina: ¿ cuándo necesitará mantenimiento?
- Inventario: ¿ cuándo reponer?
- La temperatura de hoy: ¿ temperatura de mañana?
- Subasta: ¿cuánto ofertar?
- Película: ¿te gustará o no?
- Conferencia en vivo: ¿subtítulos del texto?
- Poema: ¿Cómo suena en voz alta?
- Imagen de una factura: ¿ importe total en dólares?
- Solicitud de servicio: ¿tiempo de espera?
- Reporte de gastos: ¿centro de costos?
- Grabación de sonido: ¿transcripción de texto correcto?
- Letra de la canción: ¿idioma?
- Oración en inglés: ¿traducción en chino?
- Formulario con errores: ¿campos correctos?
- Artículo de ropa: ¿falda o blusa o…?
- Video: ¿Qué actores?
- Videojuego: ¿movimiento de joystick?
- Usuario del baño: ¿Se lavaron las manos?
Obtenga más información sobre ciencia de datos e inteligencia artificial en español aquí.
