.
Sin embargo, no es fácil explicar estas prácticas y herramientas a los responsables de la toma de decisiones presupuestarias. Esto se debe a que es jerga técnica para unos líderes que quieren entender el retorno de la inversión y el impacto empresarial de las inversiones en aprendizaje automático e inteligencia artificial y que preferirían mantenerse al margen de los entresijos técnicos y operativos.Ciclo de vida del aprendizaje automático
Como desarrollador o científico de datos dispones de un proceso de ingeniería para llevar las nuevas ideas desde el concepto hasta la entrega de valor empresarial. Ese proceso incluye definir el planteamiento del problema, desarrollar y probar modelos, desplegar modelos en entornos de producción, supervisar modelos en producción y permitir el mantenimiento y las mejoras. Llamamos a esto un proceso de ciclo de vida, sabiendo que el despliegue es el primer paso para hacer realidad el valor empresarial y que, una vez en producción, los modelos no son estáticos y requerirán un apoyo continuo.“El aprendizaje automático es en gran medida el mismo proceso de observación, conclusiones en cascada y conocimiento compuesto a medida que su algoritmo se entrena”En ocasiones, los líderes empresariales no entiendan el término ciclo de vida porque entienden el trabajo de la ciencia de datos como inversiones de una sola vez. Marcus Merrell, vicepresidente de Estrategia tecnológica de Sauce Labs, sugiere ofrecer a los directivos una analogía del mundo real para explicar el trabajo de la ciencia de datos.
.
“El aprendizaje automático es en cierto modo análogo a la agricultura: Los cultivos que conocemos hoy son el resultado ideal de generaciones anteriores que notaron patrones, experimentaron con combinaciones y compartieron información con otros agricultores para crear mejores variaciones utilizando el conocimiento acumulado”, dice. “El aprendizaje automático es en gran medida el mismo proceso de observación, conclusiones en cascada y conocimiento compuesto a medida que su algoritmo se entrena”.MLops
Por otra parte, la mayoría de los desarrolladores y científicos de datos piensan en MLops como el equivalente de DevOps para el aprendizaje automático. La automatización de la infraestructura, la implementación y otros procesos de ingeniería mejora la colaboración y ayuda a los equipos a centrar más energía en los objetivos empresariales en lugar de realizar tareas técnicas manualmente. Pero todo esto está en la maleza para los ejecutivos de negocios que necesitan una definición simple de MLops..
“MLops, u operaciones de aprendizaje automático, es la práctica de colaboración y comunicación entre la ciencia de datos, TI y el negocio para ayudar a gestionar el ciclo de vida de extremo a extremo de los proyectos de aprendizaje automático”, dice Alon Gubkin, CTO y cofundador de Aporia. “MLops consiste en reunir a diferentes equipos y departamentos dentro de una organización para garantizar que los modelos de aprendizaje automático se desplieguen y mantengan de manera efectiva”.Desviación de datos
Siempre que se puedan utilizar palabras que transmitan una imagen, es mucho más fácil relacionar el término con un ejemplo o una historia. “La deriva de los datos se produce cuando los datos que el modelo ve en producción ya no se parecen a los datos históricos con los que fue entrenado”, comenta Krishnaram Kenthapadi, director de IA y científico de Fiddler AI. “Puede ser brusco, como los cambios en el comportamiento de compra provocados por la pandemia. Independientemente de cómo se produzca la deriva, es fundamental identificar estos cambios rápidamente para mantener la precisión del modelo y reducir el impacto en el negocio”. . El mensaje importante que deben transmitir los responsables de la ciencia de datos es que, dado que los datos no son estáticos, hay que revisar la precisión de los modelos y volver a entrenarlos con datos más recientes y relevantes.Supervisión del ML
Por otra parte, para medir la calidad antes de que los productos se empaqueten y envíen a minoristas y clientes, los fabricantes utilizan diferentes herramientas para identificar defectos. Si pensamos en un modelo de ML como una pequeña planta de fabricación que produce previsiones, entonces tiene sentido que los equipos de ciencia de datos necesiten herramientas de supervisión de ML para comprobar si hay problemas de rendimiento y calidad. Katie Roberts, arquitecta de soluciones de ciencia de datos en Neo4j, afirma: “La supervisión de ML es un conjunto de técnicas que se utilizan durante la producción para detectar problemas que pueden afectar negativamente al rendimiento del modelo, dando lugar a perspectivas de baja calidad”.Modelops
Por último, el MLops se centra en equipos multidisciplinares que colaboran en el desarrollo, despliegue y mantenimiento de modelos. Pero ¿cómo deben decidir los directivos en qué modelos invertir, cuáles requieren mantenimiento y dónde crear transparencia en torno a los costes y beneficios de la inteligencia artificial y el aprendizaje automático? Estas son preocupaciones de gobernanza y parte de lo que las prácticas y plataformas modelops pretenden abordar. Los directivos quieren modelops, pero no comprenderán plenamente la necesidad y lo que ofrece hasta que se aplique parcialmente. . Esto es un problema, especialmente para las empresas que desean invertir en este tipo de plataformas. Nitin Rakesh, consejero delegado y director general de Mphasis, sugiere explicar modelops de esta manera. “Al centrarse en modelops, las organizaciones pueden garantizar que los modelos de aprendizaje automático se desplieguen y mantengan para maximizar el valor y garantizar la gobernanza de las diferentes versiones”. Ashton sugiere incluir un ejemplo de práctica. “Modelops permite a los científicos de datos identificar y remediar los riesgos de calidad de datos, detectar automáticamente cuando los modelos se degradan y programar el reentrenamiento del modelo”.Fuente: Ciospain.es
22 de marzo 2023
