Cómo gestionar proyectos de IA: de punto de vista a una solución lista para ejecutar
Publicado: 2020-03-17La cuestión de si la IA permite o no a las empresas optimizar sus procesos y ayudarlas a ofrecer soluciones proactivas ha sido respondida y desempolvada por el mundo digital.
Casi no hay ningún operador de la industria en el mundo de hoy que sea ajeno al alto potencial de ingresos y oferta de valor que ofrece la inteligencia artificial. Un hecho declarativo que es evidente a partir de las prometedoras tendencias tecnológicas de IA para 2020 y posteriores.
Esta adopción rápida, si bien por un lado ha traído muchos beneficios tanto para las empresas como para los usuarios finales, por otro lado se encuentra en una etapa muy nativa. Es decir, las empresas aún deben encontrar casos de uso concretos y efectividad de retorno. Esta combinación de incipiente y beneficio ha dado lugar a una serie de consultas sobre cómo administrar sus proyectos de IA .
Al ver cómo la complejidad se encuentra en el centro mismo de las soluciones de gestión de proyectos de IA, es importante comprender las complejidades de la gestión de proyectos de IA .
En este artículo, respondemos todas las preguntas y elementos relacionados con la forma en que nosotros, en Appinventiv, realizamos la gestión de proyectos de IA y los pasos que seguimos para transformar con éxito una prueba de valor (POV) en una solución y servicios de IA eficientes .
Tabla de contenidos
- ¿En qué se diferencia un proyecto de IA de los proyectos tradicionales?
- División de la IA en dos categorías distintas
- Un ligero desvío: comprensión de los pilares del éxito de los proyectos de IA
- Los desafíos del desarrollo de proyectos de IA: por qué fallan los proyectos de IA
- Respondiendo a la pregunta del momento: cómo administrar sus proyectos de IA
- Preguntas frecuentes sobre los pasos de la gestión de proyectos de IA
¿En qué se diferencia un proyecto de IA de los proyectos tradicionales?
La gestión de proyectos de IA exige un enfoque diferente cuando se establecen paralelos entre ellos y la gestión de proyectos de aplicaciones móviles tradicional. Es decir, las diferencias entre los proyectos de IA y los proyectos de TI tradicionales son múltiples.
El proceso tradicional de desarrollo de aplicaciones móviles es una solución especificada. Cada vez que se hace difícil especificar una solución, los resultados se vuelven inciertos y arriesgados. Este tipo de desarrollo cae dentro de la programación de arriba hacia abajo.
Por el contrario, en el caso de la Prueba de valor (POV) de los proyectos de IA, se sigue un enfoque ascendente. En ese caso, la IA saca conclusiones de sus propias reglas y procesos de trabajo con un extenso conjunto de datos.
El panorama de desarrollo de IA también tiende a abrir varias oportunidades a medida que el ciclo madura. Es decir, para que un proyecto se considere completo, debe atravesar varias etapas de exploración, aciertos y pruebas. Si bien el resultado del enfoque es casi siempre favorable a los altos ingresos, a menudo conduce a un alto costo de desarrollo y plazos de desarrollo prolongados.
La última parte de la pregunta sobre cómo administrar sus proyectos de IA radica en hacer que la gestión de cambios sea una parte integral del proceso Agile. El principio en el que generalmente trabajan los gerentes de programas de IA es a prueba de fallas, donde la idea es explorar rápidamente y fallar correctamente al comienzo de un enfoque incorrecto, en lugar de en una etapa posterior del proceso de desarrollo.
División de la IA en dos categorías distintas
La primera parte de la planificación de su proyecto de IA comienza cuando nuestro equipo comprende la categoría a la que pertenece. La categoría uno se ocupa de proyectos que son de naturaleza común, como traducir un idioma a otro o convertir imágenes en palabras. La categoría dos es más compleja. Maneja tareas como detectar los latidos del corazón o monitorear el sueño.
Las dos categorías requieren dos soluciones distintas: la incorporación de una IA existente o la creación de soluciones de gestión de proyectos de IA personalizadas .
Soluciones de inteligencia artificial existentes
Hay una serie de eventos en los que la inclusión de la IA se ha vuelto común y corriente. Es decir, hay herramientas listas para usar que nuestros ingenieros solo tienen que integrar AI en las aplicaciones . Algunas de las plataformas que generalmente usa nuestro equipo incluyen Microsoft Azure AI, Google AI Platform y Amazon Machine Learning, etc.
Soluciones de inteligencia artificial personalizadas
En caso de que haya un proyecto complejo en la mano, como recientemente creamos una aplicación de atención médica impulsada por una red neuronal que brindó a los usuarios información sobre su salud en función de su voz, tenemos que recurrir al desarrollo de soluciones de IA personalizadas. Para facilitar el proceso, Android 11 utilizará su nueva API de redes neuronales 1.3, como un esfuerzo para que sus aplicaciones de aprendizaje automático funcionen sin problemas en los dispositivos.
Un ligero desvío: comprensión de los pilares del éxito de los proyectos de IA
Nuestro viaje con la inteligencia artificial comenzó en 2019. Nos tomó un cronograma de entrega extendido para comprender que el secreto del éxito de un proyecto de IA se encuentra en dos pilares: personas y datos. Solo en presencia de los dos pilares, la IA puede mejorar la experiencia del cliente en su totalidad.
Comenzamos trayendo expertos de diferentes secciones a las que se adhirió la aplicación, independientemente de si tenían o no experiencia técnica. Era necesario introducir datos específicos del dominio en el algoritmo para que el sistema de IA fuera eficiente e imparcial.
La siguiente parte, el segundo pilar, eran los datos. Los datos, cuando no se almacenan correctamente o cuando no en su totalidad, son completamente inútiles. Ahora, hay dos tipos de datos que expulsa una empresa: estructurados (como fecha de nacimiento, dirección, etc.) y datos no estructurados (facturas, grabaciones de voz, correos electrónicos, etc.). Cuando se encuentra en el proceso de gestión de proyectos de IA, debe considerar ambos tipos de datos.
Hay ciertos pasos por los que deben pasar los datos para convertirse en uno que pueda usarse para el aprendizaje profundo o la inteligencia artificial. Aquellas en las que trabaja nuestro equipo de ingenieros de datos cuando desarrollamos soluciones de inteligencia artificial (IA) para empresas en expansión y clientes empresariales .
Cuanto más rápido encuentren los datos un lugar en esta pirámide, que se basa en las necesidades de la jerarquía de Maslow , más rápido comenzará a funcionar su proyecto de IA y mayor será la posibilidad de que los ingenieros trabajen en el modelado en lugar de concentrarse en la filtración de datos.
El resultado de nuestro viaje de exploración fue una comprensión de los diferentes problemas que surgen al responder qué crea una solución de IA valiosa . Permítanos contrarrestar esos problemas antes de guiarlo a través de las etapas de la gestión de proyectos de IA de manera que su Prueba de valor (POV) se refleje en el sistema final.
Los desafíos del desarrollo de proyectos de IA: por qué fallan los proyectos de IA
Si nos sentamos a hacer una lista de a qué retos se enfrentan las empresas a la hora de implantar IA , la lista será muy extensa. Pero en el centro de todo por qué falla la prueba de valores , se encuentran dos causas principales: expectativas desalineadas y capacidades de gestión de datos insuficientes. Las causas que impiden que las empresas ganen dinero en IA .
Expectativas desalineadas
La mayoría de las veces, la mayoría de los proyectos de IA no ven la luz del día debido a la desalineación adjunta en las expectativas. La causa raíz de los desafíos de la inteligencia artificial en los negocios a menudo surge debido a las mayores expectativas a corto plazo de una tecnología que opera inherentemente en un modo a largo plazo.
El siguiente ejemplo de expectativas desalineadas se puede ver en las empresas que asumen que su solución basada en IA será lo suficientemente precisa como para satisfacer las diferentes percepciones de los usuarios. Por ejemplo, en el caso de una aplicación de transmisión de música, asumir que la "próxima canción" que su IA sugiere es exactamente lo que el usuario cree que pertenece al género es un área problemática. Esta es la razón por la cual las empresas a menudo usan la palabra "puede" cuando muestran productos o servicios que podrían interesar a sus usuarios, a continuación.
Gestión de datos ineficiente
La IA tiende a tomar decisiones equivocadas sobre la base de conjuntos de datos incorrectos. El problema en las soluciones de gestión de proyectos de IA surge cuando los datos son incorrectos o están incompletos; en resumen, no están preparados para encajar en el modelo de IA.
Para que un sistema de IA funcione como se espera, es necesario tener datos refinados que el sistema pueda usar para aprender y analizar patrones. Cuando construimos un conjunto de datos listo para IA, nuestro enfoque es principalmente dividir la información estructurada y no estructurada siguiendo la estrategia moderna de recopilación de datos .
Respondiendo a la pregunta del momento: cómo administrar sus proyectos de IA
1. Identificación del problema
El primer paso para nosotros cuando se trata de gestionar proyectos de IA es identificar el problema. Comenzamos haciendo dos preguntas a nuestros socios: "¿qué es lo que está dispuesto a resolver?" y “¿cuál es el resultado deseado para usted?”
Al decidirse por la declaración de un problema, es importante comprender que la IA en sí misma no es una solución, sino un medio/herramienta para satisfacer la necesidad. Teniendo en cuenta que elegimos múltiples soluciones, que se pueden construir con la ayuda de la IA y no depender de ella.
2. Prueba del ajuste de la solución del problema
Esta etapa responde idealmente a cómo iniciar un proyecto de IA . Antes de iniciar el proceso de desarrollo del proyecto de IA, primero es importante probar y asegurarse de que las personas estén dispuestas a pagar por lo que está construyendo.
Probamos el ajuste problema-solución a través de una serie de técnicas como el enfoque tradicional Lean y Product Design Sprint .
Una de las mejores cosas de la tecnología de IA es que es bastante fácil crear una versión de nivel base de una solución utilizando humanos reales o MVP. El beneficio de esto no es solo un análisis fácil de una solución, sino también una garantía de tiempo de que el producto realmente necesita una solución de IA.
3. Preparación y gestión de datos
Habiendo llegado al punto en el que sabemos que existe una base de clientes para su solución y tiene la confianza de que se puede construir la IA, iniciamos la gestión de proyectos de aprendizaje automático mediante la recopilación de datos y el manejo de su gestión.
Comenzamos dividiendo los datos disponibles en formas estructuradas y no estructuradas. Aunque la etapa es bastante fácil cuando estamos trabajando con una startup o una empresa que no tiene múltiples datos, crear múltiples soluciones de IA aplicadas para empresas es lo complicado. En general, las grandes empresas tienen enormes bases de datos propietarias que podrían estar listas para la IA y lo que podría dificultarlo aún más es el hecho de que los datos pueden almacenarse en silos.
Nuestros ingenieros de datos comienzan organizando y limpiando los datos, donde, en principio, definen un orden cronológico y agregan etiquetas donde sea necesario.
4. Elegir el algoritmo correcto
Aunque, para mantener la esencia del artículo, no mencionaremos aquí los aspectos técnicos de los algoritmos de IA, pero lo que es importante saber es que existen diferentes tipos de algoritmos, que varían según el aprendizaje que realice.
- Aprendizaje supervisado
En esencia, la clasificación predice una etiqueta y la regresión predice la cantidad. Por lo general, elegimos algoritmos de clasificación cuando queremos comprender las posibilidades de que ocurra un evento, por ejemplo, la posibilidad de que llueva mañana.
Por otro lado, utilizamos algoritmos de regresión cuando tenemos que cuantificar el escenario, por ejemplo, cuando queremos saber la probabilidad de que un área se inunde.
Hay varios otros algoritmos que nuestros ingenieros eligen según los requisitos del proyecto: clasificación ingenua de Bayes, bosque aleatorio, regresión logística y máquina de vectores de soporte.
- Aprendizaje sin supervisión
La elección del algoritmo sería muy diferente aquí ya que los datos no están organizados o siguen un cierto tipo. Podríamos usar algoritmos de agrupamiento para agrupar objetos o algoritmos de asociación para encontrar vínculos entre diferentes objetos, etc.
5. Entrenando los Algoritmos
Una vez que hemos seleccionado el algoritmo, pasamos a entrenar el modelo en el que ingresamos datos en el modelo, teniendo en cuenta la importancia de la precisión del modelo.
Nuestro equipo de ingenieros comprende que establecer el umbral mínimo aceptable y aplicar la disciplina estadística son los pasos clave para acelerar el desarrollo de la IA , de manera que requiera un ajuste mínimo posterior.
Para entrenar los algoritmos y dar los siguientes pasos de desarrollo, empleamos expertos en tecnología que son expertos en Python, R, Java y C++. Según las necesidades del proyecto, también involucramos a expertos que entienden Julia, el lenguaje principal para el desarrollo de aplicaciones de aprendizaje automático .
6. Despliegue del Proyecto
Por lo general, recomendamos a nuestros socios que opten por plataformas listas para usar, como Machine Learning as a Service, para sus necesidades de lanzamiento e implementación de productos. Estas plataformas se desarrollan para simplificar y facilitar la inteligencia artificial y ayudar en la fase de implementación de un proyecto de IA . También proporcionan análisis avanzados basados en la nube que se pueden usar para agregar diferentes idiomas y algoritmos.
[Lea también: Considere los pasos importantes para escribir un plan de proyecto maestro]
Preguntas frecuentes sobre los pasos de la gestión de proyectos de IA
P. Cómo comenzar con la inteligencia artificial y el aprendizaje automático
Hay seis pasos que se cubren en el proceso de gestión de proyectos de IA: identificación del problema, prueba del ajuste de la solución del problema, gestión de datos, selección del algoritmo correcto, entrenamiento del algoritmo e implementación del producto en la plataforma correcta.
P. ¿Qué es una buena idea para un proyecto de inteligencia artificial?
AI ha obtenido un alcance en una serie de industrias. Lo que es necesario es encontrar un caso de uso que incorpore la tecnología de manera que los datos generados se organicen y se conviertan en análisis procesables. Es importante ser realista acerca de sus expectativas de las soluciones de IA en términos de tratarlas como una herramienta que ayuda en el avance de su servicio, en lugar de convertirse en un servicio en sí mismo.
P. ¿Los proyectos de IA son mejores que los proyectos de TI tradicionales?
Depende de una situación a otra. De hecho, hay algunos proyectos a los que les va mejor con la inclusión de IA, mientras que hay otras aplicaciones que se vuelven innecesariamente complejas con la integración de la tecnología. En última instancia, depende del caso de uso y de cuán valorado sería con la inteligencia artificial.