¿Cómo entender un proyecto de IA en una empresa?

Cómo entender un proyecto de IA en una empresa – Parte 2/3

La vocación de la IA es reemplazar o mejorar las tareas que suelen realizar los humanos. Un proyecto de IA en una empresa es ante todo un proyecto empresarial, Por tanto, es fundamental contar en el equipo de proyecto con personas que dominen perfectamente las tareas a realizar. Esto permitirá monitorear el aprendizaje de la IA y validar o no su correcto funcionamiento antes de un posible lanzamiento de producción.

Un proyecto de IA es 70% empresarial y 30% técnico

Las diferentes etapas de un proyecto de IA

Estudios funcionales

Cualquiera que sea el proceso a automatizar, es importante definir claramente el problema empresarial objetivo y, posteriormente, garantizar el cumplimiento de los resultados obtenidos. Esta misión no requiere las habilidades del Data-Scientist, por lo que la integración de un experto en negocios en el proyecto es esencial.

Este último debe participar desde la fase de estudio y también tendrá un papel estratégico en la calificación de datos para la fase de aprendizaje.

Validación de datos

A la hora de configurar un nuevo modelo de IA, es fundamental poder seleccionar datos limpios y suficientemente cuantitativos para llevar a cabo las primeras sesiones de entrenamiento del algoritmo. Los datos de calidad aleatoria pueden sesgar un modelo y simplemente hacer que el proyecto falle.

Elección de algoritmo

Con la democratización de la IA, los tipos de algoritmos se han multiplicado. Dependiendo de los objetivos planteados, no es necesario elegir un algoritmo complejo. Por el contrario, cuanto más evolucione el algoritmo, más larga será la fase de aprendizaje.

Creación de prototipos

Un proyecto de IA debe verse como un proyecto de innovación, para lo cual será necesario proceder por iteración. De hecho, es imposible saber cuando se lanza el proyecto si los resultados obtenidos serán positivos o no. Para no movilizar un equipo y presupuestos sustanciales sin garantía, es preferible realizar un prototipo del proyecto. Esto último permitirá probar el modelo (algoritmo + datos) en un perímetro restringido y sin restricciones externas. A continuación, se lanza el proceso iterativo, y solo después de la validación de los resultados del prototipo se desarrolla el proyecto en su conjunto.

Aprendiendo

Aprender y elegir los conjuntos de datos utilizados permitirá optimizar los modelos para aproximarse a los resultados esperados. Por ejemplo, en un proyecto de predicción de ventas para un sitio de comercio electrónico, los datos de ventas reales se compararán con los datos propuestos por el algoritmo. Siempre que estos no sean lo suficientemente cercanos, el modelo se entrenará con datos reales de las estadísticas del sitio.

Implementación técnica

Las soluciones de IA consumen mucha RAM y CPU. La complejidad del algoritmo, la cantidad de datos procesados, pero también los parámetros externos como la necesidad de trabajar en tiempo real, pueden tener un fuerte impacto en la necesidad de recursos.

Este punto es más fácil de abordar si llama a un jugador en la nube con quien pueda adaptar su infraestructura. Si elige una instalación en su centro de datos, deberá anticipar los requisitos de recursos de su solución y dimensionar la arquitectura del servidor asociado.

Seguimiento del proyecto

Si bien el aprendizaje inicial es el más significativo, es importante que su solución de inteligencia artificial evolucione con el tiempo con una noción de aprendizaje permanente. De hecho, si este último se congela sin utilizar nuevos datos, los resultados obtenidos se superarán rápidamente.

Como cualquier solución de software (empresarial + técnica), un equipo debe estar a cargo de su operación para garantizar el correcto funcionamiento con la validación de los resultados de salida y la realización de cualquier ajuste en el modelo (algoritmo, conjuntos de datos, etc.) en función. de eventos contextuales.

¿Qué recursos debo planificar en mi equipo?

Varios perfiles son relevantes para tener el espectro más completo posible, en particular:

Científico de datos : Está en el corazón del proyecto e interviene en la selección, la curación de datos pero también en la construcción de los algoritmos utilizados. Estos son perfiles con una gran demanda en el mercado … pero es complicado hacer IA sin Data-scientist …
Experto en negocios : Es el garante funcional de la solución. Por tanto, estas misiones serán definir los objetivos a alcanzar, y verificar que los resultados obtenidos sean válidos y cumplan con las expectativas.
Desarrollador : Trabajará en colaboración con Data-Scientist para desarrollar algoritmos de IA e implementar conectores con las bases de datos y aplicaciones de la empresa.

La semana que viene, descubre la 3ª y última parte del artículo: Factores a tener en cuenta durante un proyecto de IA en una empresa.

Fuentes

Este artículo de 3 partes fue escrito en coautoría con Alban Costa, emprendedor apasionado por la inteligencia artificial, cofundador de la startup Wikit (www.wikit.ai)

parte 1: qué es la IA en los negocios.