El primer paso en Inteligencia Artificial ¡eres tú!
Traducido por Carlos Secada del original por Cassie Kozyrkov (editado por Felipe Chiriboga)
¡Bienvenidos a Inteligencia Artificial (IA)! ¡Bienvenido a Machine Learning! ¿Importa si no sabes la diferencia? No, porque empezarás proyectos aplicados en ambos, de la misma manera.
¿Cuál es esa manera? Sorprendentemente, tal vez ninguna de éstas:
- ¡Obtener un título en IA!
- ¡Contratar a un super experto en IA!
- ¡Seleccionar un algoritmo espectacular!
- ¡Empezar a bucear en los datos!
¡Es una trampa!
¿Te parece familiar? Estos tienden a ser los puntos de partida favoritos, pero son todas trampas. Muchas empresas se enamoran de ellos y fracasan haciendo Machine Learning, pero tu no. Tú empezarás bien.
Pero primero, ¿por qué son éstos los favoritos? Es una historia de zonas de confort.
Tu zona de confort puede llevarte por mal camino.
Si eres estudioso, tu instinto podría ser tomar un curso o inscribirte para obtener un título. Ten cuidado. Los cursos de IA clásicos que hay por ahí son probablemente inadecuados para tus necesidades. ¡Odiaría que termines con un título inadecuado!
Si eres un líder de negocio, tu instinto es contratar a alguien que parezca calificado. ¡Gran instinto! Excepto que la persona mejor calificada para comenzar un proyecto de IA aplicada no es alguien con un doctorado en IA. ¡Eres tú! ¡Touche! Contrátate primero y luego sigue leyendo para averiguar qué se supone que debes hacer antes de invitar a bordo a tu campeón de nerds.
No le pidas a un equipo de PhDs que vayan a “rociar Machine Learning por encima de los negocios para que.I.. sucedan cosas buenas”.
¿Extrañamente familiar?
Si eres un investigador de inteligencia artificial (recientemente contratado para rociar la magia de Machine Learning por encima de los negocios, ¿tengo razón?) querrás comenzar por donde te sientas más cómodo. Con el algoritmo, naturalmente. Acabas de pasar 10 años de tu vida estudiando cómo diseñar nuevos métodos de IA, así que ¿por qué tu líder querría que comiences en otro lugar? Vamos a elegir un algoritmo… mmmhhh, las redes neuronales están de moda. ¿Tal vez podamos descubrir cómo hacerlas aún más populares? ¡Creemos un nuevo método! Ahora bien, ¿qué datos podemos introducir en nuestra red-nuevoral? (Aquí es donde esperamos que terminemos teniendo algo que podamos “venderle” al líder para justificar los últimos seis meses que hemos dedicado a inventar cosas).
O tal vez eres un científico de datos (también una primera contratación clásica, ya que el mercado de hoy cree que los científicos de datos pueden caminar sobre el agua). Quizás también tengas un doctorado, pero tu Gran Amor no son los métodos. Son los datos. ¡Datos, datos, datos! ¿Qué datos tenemos? ¡Averigüemos qué apetitosos ingredientes podemos usar!
Espera … ¿usar para qué?
Si eres un científico de datos o un investigador de IA y esto te suena familiar, tu líder te ha dado un hueso sin carne. ¡Te han abandonado! Declárate en huelga hasta que hayan hecho su parte para arreglarlo.
Empieza con el que toma las decisiones
Líder, averigua quién es la voz cantante. Si eres tú, entonces te llamaremos el Toma-Decisiones para este proyecto. De lo contrario, delega la posición a otra persona y pídele que lea el resto de este artículo mientras tú te vas a tomar sol al jardín.
Empieza aquí
Bueno, Toma-Decisiones. Tomó un tiempo encontrarte, pero ya estás aquí. Entiendes el negocio y tienes mucha imaginación, así que estás calificado para esto. ¡Me alegra que alguien te haya enviado esta invitación! Vamos a orientarte sobre cómo configurar un proyecto de Machine Learning automático (o IA) para que sea exitoso.
El primer paso correcto es centrarse en los resultados y objetivos.
Imagina que este sistema de ML / IA ya está funcionando perfectamente. Pregúntate qué te gustaría producir cuando haga la próxima tarea. No te preocupes por el cómo lo hace. Imagina que ya funciona y que está resolviendo alguna necesidad que tu empresa tiene. (Por eso es que necesitabas esas calificaciones. Alguien recién egresado de un doctorado no entiende aún tu negocio, por lo que no está calificado para hacer esta tarea).
El problema con los enfoques discutidos anteriormente es que el orden de las operaciones está desordenado. La forma correcta de abordar un proyecto aplicado es cambiar el orden de algoritmos-entradas-salidas, de la siguiente manera: piense en las salidas, luego en las entradas, ¡luego en los algoritmos!
El orden de tus operaciones podría ser un desastre.
En este caso, una analogía con una cocina es muy útil. Si diriges un restaurante (en vez de una fábrica de electrodomésticos o un laboratorio de ciencias de la alimentación), ¿por qué pensarías en comprar, o peor, inventar, un horno de pizzas antes de siquiera considerar si agregar pizza a tu menú, tiene sentido? Eso suena como el error de un novato, de alguien que no sabe de qué se trata su negocio. Por el contrario, comienza con lo que tus clientes quieren y con qué calidad de comida estás dispuesto a ofrecer.
¡Define el éxito!
Definir qué es éxito puede no ser tan claro. ¿Cuál de estos tres crees es un buen comportamiento?
¿“Todos ellos ”? ¡Pero con seguridad no quieres que tu perro policía persiga ovejas! O viceversa. Una mejor respuesta es que depende de lo que quiera el dueño. ¡Pero el dueño eres tú! Sumergirse en algoritmos y datos antes de descubrir qué resultados contarán como buenos o malos comportamientos, es como poner a un cachorro en un sótano sólo con comida y agua, y luego sorprenderse porque con el pasar del tiempo no se convierte automáticamente en un buen perro policía. No puedes esperar simplemente rociar el Machine Learning en tu negocio, dejarlo macerar, y obtener algo útil.
I bite him — Le muerdo
bad man — hombre malo
he tasty — el sabroso
good boy — buen chico
good boy Peach — buen chico Peach
Se necesitó mucha planificación para que Peach fuera así de bueno como perro policía. ¡Incluso toma declaraciones a testigos! (Esta obra maestra hecha a pezuña proviene de oficiales de Policía frustrados por un aluvión de solicitudes al “Policía” Peach … a pesar que explicaron una y otra vez que Peach no era una persona).
La Analítica podría ser mejor para ti
La IA aplicada requiere que tengas una visión muy clara de tu expectativa sobre lo que tu modelo se convertirá (y por qué). Y luego debes entrenarlo para eso. Si no sabes lo que quieres, mejor dirígete a la fuente de inspiración: la analítica.
Dedica un poco de tiempo a descubrir qué parece lo suficientemente atractivo como para seguir, y luego vuelve al Machine Learning cuando estés listo.
Además, la analítica utiliza algunos de los mismos cálculos y matemáticas, por lo que no estarás mintiendo si les dices a tus amigos que estás usando algoritmos de ML / IA (aunque no estés creando sistemas de ML / IA). Muchas personas que piensan que quieren ML / IA en realidad sólo necesitan analítica. Esto último es una gran idea para todos los proyectos, mientras que lo primero es válido sólo para cierto tipo de proyectos. Si estás con dudas, anda por lo seguro.
Antes de hacer cualquier otra cosa
Los perros no nacen sabiendo que no te agrada su vocación por masticar el sofá. Depende de ti definir qué estás esperando de tu mascota para que puedas entrenarlo a que logre eso que esperas… antes de que averigües de qué está hecho el relleno de tu sofá.
El momento adecuado para pensar acerca de tus metas es desde el principio, ¡mientras que tu proyecto siga siendo un cachorro!
Lo que funciona para los cachorros funciona para los sistemas de ML / IA. Para definir qué es éxito, no necesitas comprender cómo aprende el cerebro del cachorro a partir de sus conexiones cerebrales. No necesitas pensar cómo se almacenan y procesan esas conexiones cerebrales (todavía). Lo que necesitas es saber que quieres de un perro pastor (y lo que eso significa para ti). Para hacer tu trabajo a fondo, también necesitas suficiente imaginación para definir qué comportamientos estás buscando y cuáles estás tratando de evitar.
Adicionalmente, es útil hacer una rápida verificación intuitiva de la realidad: verifica que los datos relevantes estén a tu alcance y que tengas el poder de procesamiento de hardware suficiente para procesarlo. Si estás entrenando a un perro pastor, ¿estás seguro de que puedes conseguir suficientes ovejas reales para entrenarlo? Incluso si tienes ovejas, el cerebro de tu cachorro debe poder asimilar y utilizar información sobre ellas. Si tu “cachorro” es en realidad una mosca, no podrás lograr cosas buenas con datos sobre ovejas (tampoco lo podrás hacer en tu empresa). No necesito decirte que estarás en problemas.
Lo que es obvio con los perros parece no serlo para muchos equipos de ML / IA que he visto. Algunos solo preguntan para qué sirve el perro cuando lo traen del sótano después de varios años. Bueno, ahora ya lo sabes.
El paso correcto dado por las personas incorrectas
Definir qué problema resolverá ML / IA, es el primer paso y el más importante en tu proyecto, pero desafortunadamente es hecho por las personas incorrectas en una organización. Si bien se supone que esta definición cae dentro de la competencia de los tomadores de decisiones, por alguna razón los líderes intentan evadir su responsabilidad contratando a un grupo de PhDs para luego enviarlos a “rociar Machine Learning por encima de nuestro negocio para que… sucedan cosas buenas “ ¿Qué podría salir mal?
Se necesita mucha sabiduría y conocimiento del negocio para definir correctamente qué se supone debe lograr un sistema de ML/ IA, y por qué vale la pena construirlo. Primero, concéntrate en esto antes de profundizar en la complejidad de los modelos, e incluso averiguar si el algoritmo que solucionará tu problema se considera IA o ML (eso lo verás mucho más adelante). Si no tienes mucho conocimiento de ML / IA, solucionar esta primera parte antes de contratar a un equipo de PhDs o de comprar un kit de ciencia ficción puede sonar muy intimidante, pero aquí estoy yo para ayudarte… ¡Aquí está una guía paso a paso!
Obtén más información sobre ciencia de datos e inteligencia artificial en español aquí.
