Cuatro factores para el éxito con los modelos ML

Por Jason Revelle, CTO, Datatrón

Expertos, analistas y aquellos con experiencia de implementación de primera mano alaban el aprendizaje automático (ML), lo que ha llevado a un número cada vez mayor de empresas a adoptar ML para una variedad de usos. Su fama radica en la idea de que informatizaría la cognición humana y permitiría aún más la transformación digital. Sin embargo, aunque el ML es muy prometedor, tiene un inconveniente: para los equipos que deben gestionarlo en producción, el trabajo puede convertirse en una tarea difícil.

Las empresas están implementando ML para innumerables tareas, como la clasificación de riesgos para la salud, el procesamiento de documentos, la predicción de precios, la detección de fraudes, el mantenimiento preventivo y más. Los equipos entrenan y evalúan modelos en datos históricos hasta que parecen ajustarse a los objetivos de rendimiento y precisión. Las empresas están ansiosas por cosechar los beneficios de alto valor que promete ML al predecir, clasificar o prescribir resultados futuros y actuar sobre esas predicciones.

Sin embargo, todo este valor comercial tiene un alto costo operativo. Una vez que un modelo está "listo", su automatización a través de mecanismos de entrega confiables crea complejidades operativas y riesgos que requieren vigilancia. Para que estos proyectos sean eficientes y efectivos, los equipos operativos y de entrega deben administrar de manera integral el ciclo de vida de ML. Los datos deben estar disponibles y tener la calidad esperada en comparación con lo que se utilizó para la capacitación.

Pronto se hace evidente que esto no es como otros esfuerzos de ingeniería, y debe comenzar a pensar en los desafíos de nuevas maneras para convertirse realmente en una empresa impulsada por IA. Aquí hay cuatro cosas a considerar para tener éxito con el aprendizaje automático, y específicamente con los modelos ML.

1. Cómo poder implementar rápidamente múltiples versiones detrás de escena

Los modelos de aprendizaje automático requieren un proceso iterativo que se base en datos de producción reales. Haga inversiones enfocadas para tener objetivos de implementación que puedan ejecutar y registrar resultados sin que los sistemas de producción o los clientes vean esos resultados. Necesita la capacidad de implementar de esta manera con facilidad y fluidez hasta que tenga el modelo que le gusta. A largo plazo, es mucho más efectivo y económico asumir que habrá muchos ajustes en sus modelos, así como la necesidad de comparar las versiones actuales con nuevos candidatos que prometen mejores resultados.

2. Comprenda que lo que su equipo promete normalmente no se ajusta a las políticas tradicionales de "software aprobado" centradas en las aplicaciones.

A medida que ML crece y se diversifica rápidamente, cuenta con una lista en constante expansión de proveedores de tecnología, tanto grandes como pequeños. Es un hecho que TI necesita mantener un soporte adecuado, escaneos de seguridad y controles para sus entornos operativos. Pero tenga cuidado: aplicar los mismos controles y procesos para gobernar la tecnología operativa o de hospedaje de productos a su práctica de ML probablemente disminuirá significativamente sus ganancias potenciales antes de que haya cruzado la línea de partida.

También es importante tener en cuenta que los científicos de datos tienen una gran demanda. No es difícil para ellos encontrar otro trabajo si sienten que están siendo presionados para obtener mejores y mejores resultados sin cambiar la tecnología que usan o cómo pueden usarla.

3. Comprender que el ciclo de vida de desarrollo de modelos de ML no es lo mismo que el ciclo de vida de desarrollo de software

El desarrollo de software y la creación de modelos ML son procesos muy diferentes; intentar tratar a los segundos como a los primeros es una receta para el desastre. Las empresas que tratan la entrega de modelos como una versión más del software terminan con brechas en las capacidades transversales, como el monitoreo y el análisis, y altos gastos generales para la transferencia de conocimientos entre creadores y operadores, con cronogramas extendidos y secuenciales. Los especialistas que implementan y respaldan sus modelos deben comprender cómo funcionan el modelo y los datos, no solo evaluar la confiabilidad del servicio y los códigos de error. El talento adecuado, equipos híbridos compuestos por especialistas operativos y de datos, junto con las herramientas adecuadas le permitirán probar e interpretar no solo si el software se está ejecutando, sino también qué tan precisas y explicables son las respuestas.

También es importante asumir un enfoque basado en el éxito a auditar modelos de aprendizaje automático porque son falibles. Si desea que los científicos de datos de su empresa confíen en las predicciones de su modelo de aprendizaje automático incluso cuando las cosas salgan mal (sabiendo que esto sucederá), entonces el proceso de auditoría de ML debe diseñarse de manera que permita iterar y mejorar los modelos de aprendizaje automático.

4. Plan de escala.

Deberá implementar herramientas de inteligencia artificial que tengan un sistema de implementación automatizado, como Kubernetes o Docker Swarm. Esto le ayudará a lograr múltiples objetivos. Podrá acelerar dinámicamente las cargas de trabajo de aprendizaje automático y monitorear las tareas automáticamente en los clústeres en busca de fallas utilizando algoritmos de IA, alertando a los operadores de cualquier problema potencial antes de que surja. También podrá consolidar informes analíticos de varias fuentes en un tablero centralizado para asegurarse de que los modelos de aprendizaje automático funcionen como se espera.

Domina la curva de aprendizaje

Antes de comenzar un proyecto de ML, es crucial comprender que, aunque los modelos de ML pueden ofrecer enormes ventajas y eficiencias a su organización, pueden cobrar vida propia si no se administran adecuadamente. Conozca los riesgos y las complejidades operativas desde el principio, teniendo en cuenta los cuatro consejos anteriores. Con una base sólida establecida, podrá crear y cambiar fácilmente sus modelos de ML para que sirvan a sus objetivos comerciales.