Cuatro factores para el éxito con los modelos de ML

Por Jason Revelle, CTO, Datatron

Expertos, analistas y aquellos con experiencia en la implementación de modelos de aprendizaje automático (ML) alaban sus beneficios, lo que lleva a un aumento en el número de empresas que adoptan ML para diversas aplicaciones. Su fama se debe a la idea de que puede computerizar la cognición humana y permitir la transformación digital. Sin embargo, aunque el ML tiene un gran potencial, también tiene un lado negativo: para los equipos que deben gestionarlos en producción, el trabajo puede ser un desafío difícil.

Las empresas están implementando ML para diversas tareas, como clasificar riesgos para la salud, procesar documentos, predecir precios, detectar fraude, mantenimiento preventivo y más. Los equipos entrenan y evalúan modelos con datos históricos hasta que parecen cumplir con los objetivos de rendimiento y precisión. Las empresas están ansiosas por obtener los beneficios de alto valor que el ML promete al predecir, clasificar o prescribir resultados futuros y actuar en función de esas predicciones.

Todo este valor empresarial, sin embargo, conlleva un alto costo operativo. Una vez que un modelo está “listo”, su automatización a través de mecanismos de entrega confiables crea complejidades y riesgos operativos que requieren vigilancia. Para que estos proyectos sean eficientes y efectivos, los equipos de entrega y operaciones deben gestionar holísticamente el ciclo de vida de ML. Los datos deben estar disponibles y tener la calidad esperada en comparación con los utilizados para el entrenamiento.

Pronto se hace evidente que esto no es como otros esfuerzos de ingeniería, y debes comenzar a pensar en los desafíos de una nueva manera para convertirte realmente en una empresa impulsada por la inteligencia artificial. Aquí hay cuatro cosas que debes considerar para el éxito con el aprendizaje automático, y específicamente con los modelos de ML.

1. Cómo poder desplegar rápidamente múltiples versiones detrás de las escenas

Los modelos de aprendizaje automático requieren un proceso iterativo que depende de datos de producción reales. Realiza inversiones enfocadas para tener objetivos de despliegue que puedan ejecutarse y registrar resultados sin que los sistemas de producción o los clientes vean esos resultados. Necesitas la capacidad de desplegar de esta manera fácil y fluidamente hasta que tengas el modelo que te guste. A largo plazo, es mucho más efectivo y económico asumir que habrá mucho ajuste de tus modelos, así como una necesidad de comparar versiones actuales con nuevos candidatos que prometen mejores resultados.

2. Entender que lo que tu equipo promete normalmente no se ajustará a las políticas de software aprobado tradicionales y centradas en aplicaciones.

A medida que el 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 el equipo de TI necesita mantener el soporte adecuado, las escaneos de seguridad y los controles para tus entornos de operación. Pero ten cuidado: aplicar los mismos controles y procesos para gobernar la tecnología de alojamiento de operaciones o productos a tu práctica de ML probablemente disminuirá significativamente tus posibles rendimientos antes de haber cruzado la línea de partida.

También es importante tener en cuenta que los científicos de datos están en alta demanda. No es difícil para ellos encontrar otro trabajo si sienten que están siendo presionados para entregar mejores y mejores resultados sin cambiar la tecnología que utilizan o cómo pueden utilizarla.

3. Entender que el ciclo de vida del desarrollo de modelos de ML no es el mismo que el ciclo de vida del desarrollo de software

El desarrollo de software y la creación de modelos de ML son procesos muy diferentes; intentar tratar al último como el primero es una receta para el desastre. Las empresas que tratan la entrega de modelos como solo otro lanzamiento de software terminan con brechas en capacidades transversales como el monitoreo y el análisis, y un alto costo para la transferencia de conocimientos entre creadores y operadores, con tiempos extendidos y secuenciales. Los especialistas que despliegan y soportan tus modelos necesitan comprender cómo funciona el modelo y los datos, no solo solucionar la confiabilidad del servicio y los códigos de error. El talento adecuado, equipos híbridos compuestos por especialistas en datos y operaciones, junto con las herramientas adecuadas, te permitirán probar e interpretar no solo si el software se ejecuta, sino también cuán precisas y explicables son las respuestas.

También es importante adoptar un enfoque basado en el éxito para auditar los modelos de ML porque son falibles. Si deseas que los científicos de datos de tu empresa confíen en las predicciones de los modelos de ML incluso cuando las cosas salen mal (reconociendo que esto sucederá), entonces el proceso de auditoría de ML debe diseñarse de manera que permita iterar y mejorar los modelos de ML.

4. Planificar para la escalabilidad.

Deberás desplegar herramientas de inteligencia de máquina que tengan un sistema de despliegue automatizado como Kubernetes o Docker Swarm. Esto te ayudará a lograr múltiples objetivos. Podrás iniciar dinámicamente las cargas de trabajo de ML y monitorear tareas automáticamente en clusters para detectar fallos utilizando algoritmos de IA – alertando a los operadores de cualquier problema potencial antes de que surja. También podrás consolidar informes de análisis de múltiples fuentes en un panel de control centralizado para asegurarte de que los modelos de ML estén funcionando como se espera.

Domina la curva de aprendizaje

Antes de comenzar un proyecto de ML, es crucial entender que aunque los modelos de ML pueden ofrecer enormes ventajas y eficiencias a tu organización, pueden tomar una vida propia si no se gestionan adecuadamente. Conoce los riesgos y las complejidades operativas desde el principio, teniendo en cuenta las cuatro sugerencias anteriores. Con una base sólida en su lugar, podrás crear y cambiar fácilmente tus modelos de ML para que sirvan a tus objetivos empresariales.