Cuatro factores para el éxito con modelos de ML

Por Jason Revelle, CTO, Datatron

Los expertos, analistas y aquellos con experiencia de primera mano en la implementación cantan las alabanzas de la inteligencia artificial (ML), lo que lleva a un número creciente de empresas a adoptar ML para una variedad de usos. Su fama se basa en la idea de que computerizaría la cognición humana y permitiría una transformación digital adicional. Sin embargo, aunque ML tiene un gran potencial, hay un lado negativo: para los equipos que deben gestionarla en producción, el trabajo puede convertirse en una tarea 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 ML promete al predecir, clasificar o prescribir resultados futuros, y actuar en función de esas predicciones.

Sin embargo, todo este valor comercial 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 ser de la calidad esperada en comparación con lo que se utilizó 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 considerar para el éxito con el aprendizaje automático, y específicamente con los modelos de ML.

1. Cómo poder implementar rápidamente múltiples versiones en segundo plano

Los modelos de aprendizaje automático requieren un proceso iterativo que depende de datos de producción reales. Realiza inversiones enfocadas para tener objetivos de implementación que puedan ejecutarse y registrar resultados sin que los sistemas de producción o los clientes vean esos resultados. Necesitas la capacidad de implementar de esta manera de forma fácil y fluida 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 prometan mejores resultados.

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

A medida que ML crece y se diversifica rápidamente, cuenta con una lista cada vez más larga de proveedores de tecnología, tanto grandes como pequeños. Es un hecho que IT necesita mantener un soporte adecuado, análisis de seguridad y 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 se les presiona para entregar mejores y mejores resultados sin cambiar la tecnología que utilizan o cómo pueden utilizarla.

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

El desarrollo de software y la creación de modelos de ML son procesos muy diferentes; intentar tratar al segundo 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 monitoreo y análisis, y una alta sobrecarga para la transferencia de conocimientos entre creadores y operadores, con tiempos extendidos secuenciales. Los especialistas que implementan 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 modelos de aprendizaje automático porque son falibles. Si deseas que los científicos de datos de tu empresa confíen en las predicciones de sus modelos de aprendizaje automático incluso cuando las cosas salen mal (reconociendo que esto ocurrirá), entonces el proceso de auditoría de ML debe estar diseñado de una manera que permita iterar e mejorar los modelos de aprendizaje automático.

4. Planificar para la escalabilidad.

Deberás implementar herramientas de inteligencia de máquina que tengan un sistema de implementación automatizado como Kubernetes o Docker Swarm. Esto te ayudará a lograr múltiples objetivos. Podrás iniciar dinámicamente cargas de trabajo de aprendizaje automático y monitorear tareas automáticamente en clusters para detectar fallos utilizando algoritmos de inteligencia artificial, 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 aprendizaje automático 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 ventajas y eficiencias tremendas para tu organización, pueden adquirir 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, podrás crear y cambiar fácilmente tus modelos de ML para que sirvan a tus objetivos comerciales.