El aprendizaje automático (AA) plantea nuevos desafíos que el desarrollo tecnológico tradicional no siempre tenía.
Unas operaciones de aprendizaje automático (MLOps) eficaces requieren que los empleados de toda la empresa participen en el método y el proceso del AA para que se logre valor empresarial.
Las MLOps pueden ayudar a construir y transformar una empresa cuando se implantan técnicas de automatización, flujos de trabajo y sistemas. De lo contrario, pueden generar costes innecesarios, daños y una mala orientación y, en última instancia, malas decisiones.
¿Cómo se obtienen perspectivas continuas sobre su negocio que le ayuden a tomar decisiones con más información? Se analizan los datos con dificultad. O bien se deja que la inteligencia artificial (IA) y el aprendizaje automático (AA) lo hagan por usted.
La proliferación de datos, la facilidad de almacenamiento y la potencia de cálculo en la nube, la mayor adopción del AA y el auge del AutoML han hecho que el deseo de contar con modelos de AA se extienda en la toma de decisiones organizativas. Pero ¿qué sucede cuando estos modelos cuidadosamente creados no pueden escalarse fácilmente para satisfacer a todos los departamentos de una organización? ¿O cuando los modelos implantados quedan obsoletos o son ineficaces debido a patrones de datos en constante cambio?
Un algoritmo de AA no existe en el vacío o, más concretamente, en un silo dentro de una empresa, atendido por un grupo de brillantes expertos técnicos que escriben código. Al menos, no debería ser así. Los modelos de AA deben basarse en un enfoque de fábrica, con procesos repetibles, técnicas de automatización y los controles y contrapesos adecuados. Así es como los modelos de AA podrán escalar para alcanzar todo su potencial para una empresa con problemas reales que resolver.
Estas son las razones por las que las empresas tienen actualmente dificultades con este problema:
«Esperar los datos» es una queja habitual en los pasillos de la ciencia de datos. El tiempo y el esfuerzo dedicados a encontrar, obtener y depurar datos se repiten en distintos equipos de ciencia de datos de la misma organización. Esto supone cientos de horas de esfuerzo redundante que podrían haberse utilizado para descubrir nuevas aplicaciones de los datos.
La ingeniería de características es otro proceso intensivo en energía e iterativo que normalmente parte de cero en cada nuevo proyecto, aunque modelos de AA similares podrían beneficiarse de características similares y ahorrar tiempo y esfuerzo.
Una vez desarrollados los modelos, el foco se dirige a la fase de entrenamiento, prueba e implantación, cada una con sus propios desafíos. A diferencia de otras implementaciones tecnológicas, los modelos de AA no son una propuesta de «implantar y olvidar». Problemas como la deriva de datos y la deriva de modelos pueden hacer que los resultados de los modelos sean menos eficaces o incluso obsoletos.
Piense en lo que podría ocurrir con la compra de billetes de avión a lo largo de un año. El modelo de negocio que funciona en verano podría no funcionar en invierno. Mientras que la demanda de vuelos se dispara durante las temporadas festivas, las aerolíneas pueden tener dificultades para llenar los mismos asientos cuando los colegios están en periodo lectivo. Hay que prestar mucha atención a los modelos a lo largo del tiempo para garantizar que no tengan un efecto negativo en los ingresos.
MLOps: mirar con una nueva perspectiva
Muchos de estos desafíos pueden resolverse con modelos de desarrollo probados y contrastados que incorporan algunas disposiciones nuevas. Las MLOps se basan en los principios fundamentales de DevOps: automatización, implantación más allá del uso puntual, un proceso que incluye integración, pruebas y publicación, así como operaciones de infraestructura. No basta con centrarse en un desarrollo de modelos sofisticado. También es imperativo centrarse en construir cimientos para procesos fiables y repetibles. Aplicar las MLOps saca un modelo de aprendizaje automático del silo y lo lleva a toda la organización, donde resulta más útil. El modelo no puede desarrollarse por el mero hecho de desarrollarlo si va a crear valor. La empresa debe implicarse en él y utilizarlo.
Escalar muchos modelos y mantenerlos requiere un equipo de personas con capacidades en una amplia gama de conocimientos. En un extremo del espectro se encuentra el científico de datos, con experiencia en informática, modelización, estadística, analítica y matemáticas. En el otro extremo está el experto en el dominio, con conocimientos del sector específico, de la función empresarial y del usuario final. Entre ambos se sitúan los ingenieros de AA, los ingenieros de nube, los ingenieros de datos y los expertos en visualización, todos ellos trabajando hacia el objetivo común de utilizar los datos para transformar una empresa.
La implantación de las MLOps requiere un modelo de equipo situado en la intersección entre competencias y procesos. Reúne a un equipo con una variedad de competencias y se apoya en la automatización, los flujos de trabajo y los sistemas para generar impacto de forma sostenida. La disciplina importa más que el trabajo. Al final del día, su organización podría tener cientos de modelos.
Las MLOps también deben diseñarse para la innovación y el cambio, de modo que puedan reaccionar con rapidez a las condiciones del mercado. Piense en la pandemia, que provocó cambios importantes en el comportamiento de los consumidores y la necesidad de que las organizaciones respondieran a sus efectos. En 2020, en Grecia, los pasajeros que llegaban del extranjero fueron examinados por un algoritmo de AA entrenado para asignar pruebas escasas del virus SARS-CoV-2 mediante el aprendizaje de qué pasajeros tenían más probabilidades de dar positivo. No solo aumentó notablemente la eficiencia de las pruebas, sino que contribuyó a la capacidad de Grecia para mantener sus fronteras abiertas de forma segura.
El poder de las actualizaciones continuas
El mayor riesgo del AA es que no se actualice, reentrene y valide de forma continua. Si no es así, el modelo no será tan pertinente como podría ser y, en última instancia, no generará un valor empresarial real. Crear un modelo de AA adecuado es un proceso integral que tiene en cuenta el contexto del problema que se aborda, los casos de uso deseados para el producto, el proceso de decisión del modelo y la visión del producto.
Es importante señalar que unas MLOps exitosas, una unión de personas, procesos, tecnología y modelos operativos, reflejan las posibilidades de la era del «con», en la que la colaboración entre humanos y máquinas, a través de activos y plataformas de nueva generación, predice lo que es posible y traduce la información en rendimiento. Esto tiene aplicaciones que van desde una empresa de ciencias de la vida que trabaja en el desarrollo de medicamentos vitales, hasta una cadena de restaurantes que quiere transformar sus precios, su rentabilidad y su experiencia de cliente, o incluso una institución que trabaja para proteger a las personas en una pandemia.
