¿Por qué las empresas fracasan haciendo Machine Learning?

Cassie Kozyrkov
Ciencia y Datos
Published in
7 min readJan 13, 2019

--

Traducido por Carlos Secada del original por Cassie Kozyrkov (editado por Felipe Chiriboga)

Me gustaría contarte un secreto: cuando la gente dice ‘machine learning’, o “aprendizaje automático” traducido al español, pareciese que se tratase de sólo una disciplina. Pero realmente son dos, y si las empresas no entienden la diferencia pueden meterse en un mundo de problemas.

El cuento de los dos “machine learning”

Imagina contratar a un chef para que te fabrique un horno, o un ingeniero eléctrico para hornear pan. Éste es el tipo de error que veo cometer a las empresas una y otra vez, cuando se trata de machine learning.

Si estás abriendo una panadería, es una buena idea contratar a un maestro panadero con mucha experiencia preparando deliciosos panes y pasteles. Y también querrás tener un horno. Si bien el horno es un componente crítico, te apuesto a que no le encargarías a tu maestro panadero la tarea de construir ese horno. Entonces, ¿por qué tu empresa pretende hacer algo similar al tratarse de machine learning? ¿Estás en el negocio de hacer pan? ¿O de hacer hornos?

¡Son diferentes empresas! Desafortunadamente, demasiados proyectos de Machine Learning fracasan porque el equipo no sabe si deben hacer el horno, la receta o el pan.

Investigación de machine learning

Lo que nadie te cuenta es que en todos esos libros y cursos de machine learning que se ofrecen, te enseñan cómo construir hornos desde cero (y microondas, licuadoras, tostadoras, hervidores … y hasta ¡el lavadero de la cocina!). No te enseñan cómo cocinar e innovar con nuevas recetas.

Si creas algoritmos de machine learning, tu enfoque debe estar en las herramientas para que otros las puedan usar (utensilios y aparatos de cocina, si prefieres la analogía). Esta actividad se denomina investigación de machine learning y generalmente se realiza en lugares como la academia o Google.

Cuando se trata de machine learning, muchas organizaciones están andando como zombis.

Se necesita mucha educación para dedicarse a investigación de machine learning, porque hay ya una larga historia por recorrer. Algunos algoritmos populares han existido durante siglos. Por ejemplo, el método de mínimos cuadrados para regresión fue publicado en 1805. Créeme, la humanidad ha avanzado mucho en 200 años.

Hoy en día hay algunos aparatos muy sofisticados dando vueltas… ¿cómo vas a construir un mejor microondas si no sabes cómo funciona? ¡Necesitarás esos pesados y largos años de estudio! Convertirse en un investigador lleva mucho tiempo y hay una buena razón por la cual se empieza aprendiendo conceptos básicos de cálculo.

Machine learning aplicado

La mayoría de las empresas solo quieren empezar a cocinar, para resolver sus problemas de negocio. No les interesa vender hornos o microondas y, sin embargo, a menudo cometen el error de intentar construir estos aparatos desde cero. Es difícil culparlos: la moda actual y el modelo de educación se centran principalmente en la investigación, en lugar de la aplicación.

Si estás innovando con nuevas recetas, no reinventes la rueda. Esos hornos microondas ya existen. Hasta los puedes obtener gratis en muchos lugares. Y si armar tu propia cocina de machine learning suena titánico, proveedores como Google Cloud Platform te permiten usar la suya, completa con electrodomésticos, ingredientes, y libros de recetas.

Si estás innovando en la cocina, no reinventes la rueda.

Para la mayoría de las aplicaciones, tu equipo no necesita entender las matemáticas de retro-propagación en redes neuronales, más de lo que un chef necesita saber sobre el diagrama de cableado de un microondas. Pero hay muchas cosas que sí debe saber si está planeando administrar una cocina a gran escala: todo, desde escoger los ingredientes hasta verificar que los platos estén bien, antes de servirlos.

¿Cuál de éstos estás vendiendo? El equipo adecuado a contratar, depende de tu respuesta.

Fallar estrepitosamente con machine learning

Desafortunadamente, veo que muchas empresas no logran obtener valor del machine learning, porque no se dan cuenta de que la aplicación es una disciplina muy diferente a la investigación de algoritmos. En cambio, los líderes intentan armar sus cocinas contratando a aquellas personas que han estado construyendo partes de microondas toda su vida, pero nunca han cocinado nada. ¿Qué podría salir mal? Si les llega a funcionar, es porque tuvieron suerte y contrataron accidentalmente a un ingeniero que resultó un gran cocinero.

Pero por lo general uno no tiene tanta suerte. La vida es muy corta, y si uno se la pasa aprendiendo cómo se construye un microondas, tiene menos tiempo para dominar el arte de la pastelería, o los negocios. ¿Cuándo (¿y dónde?) tu experto en investigación de Inteligencia Artificial, habrá aprendido las habilidades necesarias para hacer machine learning aplicado? Si pones todas tus esperanzas en un híbrido, un experto tanto en investigación como en aplicación, no es de extrañar que luego te estés quejando por la escasez de talentos.

Si intentas comenzar un restaurante contratando a personas que han estado construyendo hornos toda su vida, pero nunca han cocinado nada … ¿qué podría salir mal?

¿A quién deberías contratar? Al igual que en una cocina industrial, necesitas un equipo interdisciplinario con liderazgo, y que entienda el negocio. De lo contrario, los proyectos avanzan como zombis y no llegan a ningún lado.

Contratar al equipo adecuado para el trabajo

Si estás vendiendo modernos aparatos de cocina, contrata investigadores. Si estás innovando con recetas para vender comida a gran escala, necesitas personas que descubran qué vale la pena cocinar / cuáles son los objetivos (tomadores de decisiones y gerentes de producto), personas que entienden a los proveedores y los clientes (expertos en su campo y científicos sociales), personas que pueden procesar ingredientes a gran escala (ingenieros de datos y analistas), personas que pueden probar muchas combinaciones diferentes de ingredientes y aparatos para generar nuevas recetas (ingenieros de ML aplicado), personas que pueden verificar que la calidad de la receta es lo suficientemente buena para ser servida (estadísticos), personas que convierten una receta en millones de platos servidos de manera eficiente (ingenieros de software), personas que mantienen al equipo interdisciplinario enfocado (gerentes de proyecto / programa) y personas que aseguran que los platos se mantengan con calidad de primera, incluso si el camión de compras te trae una tonelada de papas en lugar del arroz que se le pidió (ingenieros de confiabilidad).

Si bien no es necesario que todos los puestos sean personas distintas, asegúrate de que tienes cada rol cubierto. Y antes de que me lances un tomate por brindarte una imagen tan incompleta, tengo que admitir que hay mucho más que decir sobre los equipos y la contratación para hacer machine learning aplicado. Lo que sucede es que lo he tercerizado a otras publicaciones, incluida esta.

Hablando de tercerización, si tu equipo ha probado todas las herramientas existentes y no logra hacer una receta que cumpla con los objetivos de tu negocio, tiene sentido que pienses en sumarle nuevas habilidades para la creación de tus platos/recetas (investigador). Si contratas a una persona con esas habilidades como personal permanente, o si tercerizas ese trabajo a una firma de investigación de algoritmos con experiencia, dependerá de la escala y la madurez de tu operación.

Otra razón para conectarse con investigadores sería si el tamaño de tu operación es tan grande, y tus prototipos tan exitosos, que fabricar dispositivos hechos a la medida tiene sentido (si es así, ¡vaya suerte que tienes!).

Inteligencia de decisión

Los expertos deberían hablar de esto, pero no lo hacen. No se dan cuenta de que realmente hay dos machine learning, por lo que el mundo está capacitando a las personas en la construcción de todos estos algoritmos, pero no en su uso.

Mi equipo está trabajando en corregir esto. Hemos creado una nueva disciplina para cubrir la aplicación, y ya hemos capacitado a más de 15,000 miembros del personal en ello. Lo llamamos ingeniería de inteligencia de decisión, y abarca todos los aspectos aplicados del machine learning y la ciencia de datos.

Para decirlo de otra manera, si el machine learning de investigación consiste en crear microondas y el machine learning aplicado es usar los microondas, la ingeniería de inteligencia de decisión está utilizando microondas de forma segura para lograr tus objetivos, y usando otras cosas cuando lo que necesitas no es un microondas.

¡Buena suerte y que te diviertas!

Cuando se trata de machine learning aplicado, lo más difícil es saber qué quieres cocinar y cómo planeas probarlo, antes de servirlo a tus clientes. Esa parte no es tan difícil, sólo no te vayas a olvidar de hacerlo.

En cuanto al resto, resolver problemas empresariales con machine learning es mucho más fácil de lo que la mayoría de la gente cree. Esas cocinas relucientes están esperando que empieces a cocinar en ellas. Métete con todo como lo harías en una cocina real. ¡Empieza a cortar, revolver y experimentar! Cada vez que me encuentro con alguien que cree que para empezar, es necesario tomar un curso de algoritmos de machine learning o incluso seguir una carrera completa (¡por Dios!), no puedo evitar imaginarme que es como negarse a usar el microondas hasta que hayan primero construido uno. No te dejes engañar cuando escuches que se necesita un doctorado para hacer cosas increíbles con machine learning. Por el contrario, lo que realmente necesitas es un poco de creatividad humana. ¡Buena suerte y que te diviertas!

Obtenga más información sobre ciencia de datos e inteligencia artificial en español aquí.

--

--

Cassie Kozyrkov
Ciencia y Datos

Head of Decision Intelligence, Google. Hello (multilingual) world! This account is for translated versions of my English language articles. twitter.com/quaesita