Mover Proyectos de Aprendizaje Automático desde la Experimentación a la Implementación

En los últimos meses, parece que la inteligencia artificial (IA) agente está acaparando la atención en el ámbito empresarial. Las empresas están emocionadas de utilizarla para automatizar tareas, orquestar flujos de trabajo y interactuar con sistemas y clientes. Pero el aprendizaje automático (ML), el hermano mayor de la IA agente, merece atención por su papel crucial en permitir que los flujos de trabajo de IA agente vayan más allá de las reglas estáticas.

En muchos casos de uso empresariales, el ML puede proporcionar las predicciones, clasificaciones, recomendaciones y puntuaciones de riesgo que ayudan a los agentes de IA a decidir qué acción tomar a continuación. Por ejemplo, si utiliza un agente de IA para responder a consultas de clientes, el ML podría informar al agente con señales de que un cliente podría abandonar pronto, lo que desencadenaría flujos de mensajería relevantes.

Sin embargo, demasiadas organizaciones están luchando por implementar proyectos de ML que se consideran básicos, y este retraso las está frenando para lograr el éxito de la IA agente. Las cifras varían, con tasas de fracaso para proyectos de ML que llegan hasta el 85% según algunas referencias de la industria.

Muchos equipos no saben por dónde empezar a implementar el aprendizaje automático, cómo concebir un experimento de ML de manera que sea deployable a escala, o cómo involucrar a los stakeholders adecuados en el proyecto. En este artículo, compartiré algunos consejos para configurar proyectos de ML para maximizar las posibilidades de éxito.

¿Por qué tantos proyectos de ML no logran lanzarse?

Hay dos razones principales para las bajas tasas de éxito de los proyectos de ML: o el caso de uso no se considera con la perspectiva adecuada, o los stakeholders no están a bordo y hunden la idea.

Estas razones suelen ir de la mano. El aprendizaje automático requiere una gestión cuidadosa para lograr buenos resultados. Al mismo tiempo, muchas personas en el mundo empresarial son escépticas que temen el cambio, desconfían del aprendizaje automático o generalmente quieren empujar su proyecto fuera de la mesa.

Si no configura su piloto de manera rigurosa, no ganará apoyo en su organización. El éxito de ML requiere llegar a los detalles específicos.

El diablo está en los detalles

Los modelos de ML están diseñados para resolver problemas específicos y repetitivos que están estrechamente definidos, como predecir la churn de clientes, detectar fraude o predecir la demanda. No están diseñados para comprender el contexto amplio o realizar múltiples tareas, pero demasiados proyectos de ML tienen ambiciones grandiosas y objetivos generales como “mejorar este departamento”.

Esto hace que sea fundamental configurar casos de prueba experimentales relevantes que conviertan a los escépticos en campeones. Un piloto exitoso le da las conclusiones del análisis de datos que necesita para guiar la toma de decisiones de IA agente y empresariales, así como para demostrar el valor comercial.

Para la mayoría de las organizaciones, el principal obstáculo es encontrar el caso de uso adecuado. Un concepto de experimento viable debe ser específico y relevante para los objetivos comerciales. Por ejemplo, analizar transacciones para identificar posibles fraudes, o decidir cuándo programar el mantenimiento para diferentes tipos de maquinaria.

Aquí hay cuatro preguntas para hacer para superar la lucha y encontrar el caso de uso adecuado que ayude a avanzar en la adopción de ML.

¿Cuáles son las apuestas?

La primera preocupación es cuánto espacio tiene para cometer errores, porque su tolerancia al fracaso es al menos tan importante como el rendimiento del modelo. Los diferentes casos de uso tienen diferentes consecuencias cuando el modelo se equivoca, lo que afecta su idoneidad para la implementación.

Cuando el costo de los errores es menor, tiene más espacio para experimentar con la lógica del modelo. Por ejemplo, un modelo que recomienda ofertas de marketing para diferentes audiencias puede tener un grado de precisión menor que uno que guía la atención médica de seguimiento.

Es mejor comenzar con casos de uso de bajo riesgo y alto valor que traten con áreas donde los errores pueden corregirse fácilmente y las consecuencias de los errores son limitadas. A medida que aumentan los riesgos comerciales, regulatorios o de reputación, también debe aumentar la supervisión humana.

¿Tiene los datos adecuados?

Los datos son vitales para cada proyecto de ML efectivo. Más experimentos fallan debido a la falta de datos que debido a modelos débiles, así que asegúrese de que sus datos sean refinados, relevantes, bien etiquetados y recopilados consistentemente. La colaboración entre el equipo comercial y el equipo de datos es clave aquí.

Los datos de producción pueden diferir de los datos experimentales, lo que hace que los modelos fallen en producción incluso cuando funcionaron bien en el piloto. A veces, los datos del mundo real son demasiado ruidosos, retrasados o inaccesibles para respaldar el modelo.

Los datos y las señales no son lo mismo. Las señales predictivas son vitales para resolver un problema comercial, así que sus datos deben incluir patrones históricos y características relevantes para ser capaces de respaldar predicciones confiables. Algunos problemas simplemente no son predecibles, así que priorice los casos de uso que ya tienen fuentes de datos gobernadas, repetibles y accesibles.

¿Cuáles son las métricas de éxito?

Tendrá problemas para demostrar el éxito si no está seguro de qué se parece el éxito, así que defina sus objetivos de antemano. Quiere entregar ROI comercial, no solo un modelo muy preciso, así que vincule el rendimiento del modelo al impacto comercial real. Esté claro sobre sus objetivos comerciales e identifique los KPI que demuestran un logro real.

Asegúrese de que pueda medir y confirmar la contribución realizada por su intervención de ML. Por ejemplo, si está probando un proyecto de ML para reducir la churn, ¿puede demostrar que la retención aumentada se debe a la capacidad del modelo para identificar a los clientes insatisfechos lo suficientemente antes de que hayan decidido abandonar y no a otros factores, como promociones generales, demanda estacional o cambios de precios?

Recuerde que, para los stakeholders de su proyecto, la confianza y la seguridad son a menudo tan importantes como el rendimiento. Necesitará poder demostrar la explicabilidad y la seguridad, así como el ROI y otros tipos de impacto comercial.

¿Qué hay detrás de los resultados que desea?

Los proyectos de ML tienen más éxito cuando están integrados en los procesos comerciales diarios, lo que significa que debe comprender completamente esos procesos. Mapee cómo se toman las decisiones en su organización, rastreando quién toma la decisión, qué información utilizan, qué reglas guían y dónde surge la fricción.

Los cuellos de botella a menudo son los mejores lugares para aplicar ML. Busque decisiones que se toman con frecuencia pero siguen patrones reconocibles o pautas, y luego piense en cómo las predicciones de ML encajan en este flujo de trabajo. Su modelo debe facilitar o automatizar un paso en el proceso en lugar de operar en aislamiento.

Es mejor reclutar la ayuda de los propietarios de procesos y expertos en dominio, porque son los más probablemente saber qué decisiones importan, cuándo surgen excepciones y dónde la implementación tendría el mayor impacto. Estas son también las personas más probablemente convertirse en campeones del proyecto cuando la dirección considere llevar su experimento a producción.

Lleve sus proyectos de ML a fruto

Construir el piloto adecuado es crucial para permitir que el ML vaya más allá de la experimentación a la implementación. Encontrar casos de uso específicos que tengan métricas de éxito claras, riesgos bajos, una base de datos sólida y un papel claro en los procesos comerciales más amplios puede ayudarlo a demostrar el ROI, obtener el apoyo de los stakeholders y impulsar el éxito comercial. al encontrar el piloto adecuado es crucial para permitir que el ML vaya más allá de la experimentación a la implementación. Encontrar casos de uso específicos que tengan métricas de éxito claras, riesgos bajos, una base de datos sólida y un papel claro en los procesos comerciales más amplios puede ayudarlo a demostrar el ROI, obtener el apoyo de los stakeholders y impulsar el éxito comercial.