Los equipos de IA invierten mucho rigor en la definición de nuevas pautas de proyectos. Pero no ocurre lo mismo con la matanza de proyectos existentes. En ausencia de pautas claras, los equipos dejan que los proyectos inviables se prolonguen durante meses.
Organizaron un espectáculo de perros y ponis durante las reuniones de revisión de proyectos por temor a convertirse en mensajeros de malas noticias. Al agilizar el proceso para fallar rápidamente en proyectos inviables, los equipos pueden aumentar significativamente su éxito general con iniciativas de IA.
Para fallar rápidamente, las iniciativas de IA deben gestionarse como un embudo de conversión análogo a los embudos de marketing y ventas.
Los proyectos de IA son diferentes de los proyectos de software tradicionales. Tienen muchas más incógnitas: disponibilidad de conjuntos de datos correctos, entrenamiento de modelos para cumplir con el umbral de precisión requerido, equidad y solidez de las recomendaciones en producción, y muchas más.
Para fallar rápidamente, las iniciativas de IA deben gestionarse como un embudo de conversión análogo a los embudos de marketing y ventas. Los proyectos comienzan en la parte superior del embudo de cinco etapas y pueden caer en cualquier etapa, ya sea para ser congelados temporalmente o suspendidos permanentemente y agregados al cementerio de la IA. Cada etapa del embudo de IA define un conjunto claro de incógnitas que se validarán con una lista de criterios de éxito con un límite de tiempo.
El embudo del proyecto de IA tiene cinco etapas:
Créditos de imagen: Sandeep Uttamchandani
1. Definición del problema: “Si lo construimos, ¿vendrán?”
Esta es la parte superior del embudo. Los proyectos de IA requieren inversiones significativas no solo durante el desarrollo inicial, sino también en el seguimiento y el refinamiento continuos. Esto hace que sea importante verificar que el problema que se está resolviendo realmente vale la pena resolverlo con respecto al valor comercial potencial en comparación con el esfuerzo de construirlo. Incluso si vale la pena resolver el problema, es posible que la IA no sea necesaria. Podría haber heurísticas codificadas por humanos más fáciles para resolver el problema.
Desarrollar la solución de IA es solo la mitad de la batalla. La otra mitad es cómo se utilizará e integrará realmente la solución. Por ejemplo, al desarrollar una solución de inteligencia artificial para predecir la rotación de clientes, es necesario comprender claramente cómo incorporar predicciones de deserción en el flujo de trabajo del equipo de atención al cliente. Un proyecto de inteligencia artificial perfectamente potente no ofrecerá valor comercial sin este nivel de claridad de integración.
Para salir con éxito de esta etapa, las siguientes afirmaciones deben ser verdaderas:
El proyecto de IA producirá un valor comercial tangible si se entrega con éxito. No existen alternativas más baratas que puedan abordar el problema con el umbral de precisión requerido. Existe un camino claro para incorporar las recomendaciones de IA dentro del flujo existente para generar un impacto.
En mi experiencia, las primeras etapas del proyecto tienen una mayor proporción de aspiraciones en comparación con las realidades del terreno. Matar un proyecto mal formado puede evitar que los equipos creen “soluciones en busca de problemas”.
2. Disponibilidad de datos: “Tenemos los datos para construirlos”.
En esta etapa del embudo, hemos verificado que vale la pena resolver el problema. Ahora necesitamos confirmar la disponibilidad de datos para construir las capacidades de percepción, aprendizaje y razonamiento requeridas en el proyecto de IA. Las necesidades de datos varían según el tipo de proyecto de IA: los requisitos para una inteligencia de clasificación de construcción de proyectos serán diferentes de los que brindan recomendaciones o clasificación.
La disponibilidad de datos se traduce en términos generales en tener la calidad, cantidad y características adecuadas. La calidad correcta se refiere al hecho de que las muestras de datos son un reflejo preciso del fenómeno que estamos tratando de modelar y cumplir con propiedades como independientes e idénticamente distribuidos. Los controles de calidad comunes implican descubrir errores de recopilación de datos, semántica inconsistente y errores en muestras etiquetadas.
La cantidad correcta se refiere a la cantidad de datos que deben estar disponibles. Un error común es que se requiere una cantidad significativa de datos para entrenar modelos de aprendizaje automático. Esto no siempre es cierto. Al utilizar modelos de aprendizaje por transferencia prediseñados, es posible comenzar con muy pocos datos. Además, más datos no siempre significan datos útiles. Por ejemplo, los datos históricos que abarcan 10 años pueden no ser un reflejo fiel del comportamiento actual de los clientes. Finalmente, las características adecuadas deben estar disponibles para construir el modelo. Esto suele ser iterativo e implica el diseño del modelo ML.
Para salir con éxito de esta etapa, las siguientes afirmaciones deben ser verdaderas:
Source link