Desarrollo exitoso de aprendizaje automático requiere un nuevo paradigma – Líderes de pensamiento

Por Victor Thu, presidente, Datatron

Las iniciativas que utilizan aprendizaje automático no pueden ser tratadas de la misma manera que los proyectos que involucran software convencional. Es fundamental moverse rápidamente para poder probar cosas, solucionar problemas y probarlas de nuevo. En otras palabras, debes ser capaz de fallar rápidamente, y hacerlo al principio del proceso. Esperar hasta más tarde en este proceso para encontrar problemas puede resultar muy costoso y consume mucho tiempo.

El aprendizaje automático requiere un enfoque nuevo

Al desarrollar software utilizando el método tradicional, se utiliza la lógica de decisión. Para ser lo más preciso posible, se incorpora la lógica que permite que el software funcione correctamente. Normalmente, no hay necesidad de cambios después de que se ha desarrollado la lógica de la aplicación, aparte de solucionar errores. Es un proceso de desarrollo muy metódico; avanzas gradualmente asegurándote de que cada paso en el proceso sea preciso antes de pasar al siguiente. Es una estrategia probada y verdadera que ha demostrado su eficacia para el desarrollo de software.

Pero no se puede utilizar la misma estrategia para proyectos de IA/ML porque simplemente no funcionará. En su lugar, debes tener la capacidad de iterar rápidamente y con frecuencia para encontrar el éxito con un proyecto de ML. Dado que el ML requiere entrenamiento inicial y es un proceso, debes abordarlo con el conocimiento de que no será preciso la primera vez que se despliegue.

Este proceso requiere múltiples iteraciones. La realidad es que tu primer modelo encontrará resultados inesperados el 99% de las veces. Incluso si pasas meses entrenando tu modelo en el laboratorio, sin duda cambiará una vez que se encuentre con datos y tráfico del mundo real.

No te esfuerces por la perfección inmediata

Entonces, para probar un modelo y determinar qué modificaciones son necesarias, debes ser capaz de ponerlo en producción rápidamente. Luego puedes hacer ajustes, lanzarlo de nuevo y refinarlo. Por esta razón, no debes esforzarte demasiado en tratar de hacer que tu modelo sea perfecto antes de probarlo en producción; el intento inicial no será perfecto, y nadie debería esperar que lo sea.

Mientras el modelo se desarrolla en el laboratorio, las mejoras adicionales del 92% al 95% de precisión pueden no ser significativas para algunos casos de uso. ¿Por qué? Solo una pequeña parte de los datos de entrenamiento se ha utilizado para entrenar tu modelo de IA. Puedes terminar invirtiendo mucho tiempo y dinero para obtener ese poco de precisión adicional, mientras renuncias a los beneficios que tu modelo podría ofrecerte mientras tanto.

Pasos efectivos en la implementación de ML

Dado que existe la posibilidad de que un modelo falle o produzca predicciones incorrectas, los científicos de ML a veces son reacios a poner un modelo en producción. Tiene sentido, hasta cierto punto. Necesitas un sistema que te permita ver los eventos a medida que ocurren en tiempo real. Con este enfoque, puedes retirar y actualizar tu modelo de inmediato y luego lanzar rápidamente un nuevo modelo. En lugar de quedar atrapado en la “parálisis del análisis”, este es el método más eficiente para poner modelos de aprendizaje automático en producción.

Es mucho mejor simplemente lanzar el modelo y dejar que gane experiencia. Esto no elimina la necesidad de que los científicos de datos creen el modelo lo más preciso posible desde el principio. Pero tan pronto como termines esa versión inicial, debes empezar a recopilar esos datos importantes de inmediato.

Puedes querer ejecutar tus modelos en modo de prueba A/B o en modo de sombra contra datos del mundo real como parte de este proceso. De esta manera, puedes comparar básicamente el rendimiento de los diferentes modelos y tener muchos datos y pruebas antes de decidir qué modelo promocionar o degradar.

Crear un modelo localizado en lugar de centrarse en crear un solo modelo global para predecir el comportamiento del entorno macro es otra de las mejores prácticas. Con un modelo local, puedes utilizar datos de situaciones específicas para que el modelo se comporte como se espera para cada una de esas situaciones. Esto ahorra tiempo, datos y esfuerzo en comparación con un modelo integral que requeriría una gran cantidad de estos recursos para asegurarse de que funcione.

Determinar la demanda de zapatillas personalizadas servirá como ejemplo aquí. El modelo global podría ser aplicable al resto de Norteamérica si se basara en la población de la ciudad de Nueva York. Sin embargo, probablemente no representaría con precisión la demanda en otras partes del país. Una estrategia de modelo localizado te habría permitido obtener mayores márgenes de beneficio, que ahora estás perdiendo.

Los modelos requieren actualizaciones regulares, por supuesto. Los modelos requieren actualizaciones continuas porque los datos del entorno siempre están cambiando, a diferencia del software tradicional que se puede configurar una vez y dejar solo. Los modelos de ML se deterioran con el tiempo si no se iteran con regularidad. Esto debe ocurrir durante la vida útil del modelo y debe ser monitoreado cuidadosamente.

El nuevo paradigma del aprendizaje automático

Comparar los modelos de aprendizaje automático con el software convencional no es sabio. Sin embargo, los expertos en ML se benefician de una técnica de despliegue rápido para los modelos de IA/ML, al igual que los ingenieros de software lo han hecho con DevOps. Para los proyectos de ML, necesitas un sistema que te permita lanzar modelos rápidamente. Debes ser capaz de comparar diferentes modelos, contrastando efectivamente uno que esté en vivo con otro que no. Estas y las otras mejores prácticas mencionadas anteriormente te ayudarán a evitar la parálisis del análisis y a fallar rápidamente y al principio para que puedas ampliar tu aprendizaje automático.