Escalar IA para ganancias reales de negocio: estrategias probadas para éxito operacional

La inteligencia artificial (IA) está impulsando una nueva normalidad para empresas en todas las industrias. Los minoristas pueden, por ejemplo, usar IA para predecir órdenes de compra en datos de inventario histórico para impulsar decisiones inteligentes de reabastecimiento. Los equipos de soporte al cliente pueden usar IA para responder y enrutar automáticamente tickets de soporte de alta prioridad a los equipos correctos. Hay un mundo de posibilidades donde puedes usar IA, y específicamente ML, para impulsar resultados de negocio prácticos.

Según Deloitte Insights, el 83 % de los primeros adoptantes empresariales de IA vieron un retorno de inversión (ROI) positivo de proyectos en producción. Estos incluyeron ejemplos como implementación de software empresarial de terceros usando IA, uso de chatbots y asistentes virtuales, y motores de recomendación para plataformas de e-commerce. El 83 % de las empresas encuestadas planeaba aumentar el gasto en IA en 2019. De las empresas invirtiendo en IA, el 63 % había adoptado ML.

Construir una estrategia para usar pragmáticamente IA y ML para lograr objetivos de negocio es una prioridad máxima para muchas empresas. Para muchas, el principal desafío para operacionalizar ML con éxito es entender, planificar y ejecutar la gestión de un despliegue holístico de ML en toda la organización.

Principales consideraciones para operacionalizar ML

La forma 'correcta' de abordar el ciclo de vida de la ciencia de datos difiere de una organización a otra. Se han hecho muchos intentos para codificar y estandarizar procedimientos del ciclo de vida de la ciencia de datos. Sin embargo, ningún enfoque incorpora las necesidades de cada empresa.

Adoptar una estrategia sostenible y mantenible para datos y ciencia de datos es un ejercicio en constante evolución distinto para cada empresa. Dado que las necesidades, estructura y capacidades de cada empresa son únicas, las partes interesadas de toda la empresa deben ser consultadas para construir un modelo ML flexible y escalable y ejecutar una estrategia holística de ciencia de datos.

Los desafíos operacionales y cambios en infraestructura y prácticas de desarrollo que cada empresa debe abordar diferirán.

Es crítico que tu organización tenga en cuenta su cultura, sistemas y necesidades al definir y evolucionar el ciclo de vida de la ciencia de datos. Tener un marco base para presentar entre equipos ayuda a desarrollar una base común para la comunicación mientras continúas desarrollando y evolucionando tu operacionalización de ML.

Recorramos un marco estándar que puede ayudar a tu organización a empezar su viaje de ML.

Fase uno: Define tu problema

En el núcleo de cualquier iniciativa de ML hay dos preguntas:

1. ¿Qué problema intentas resolver?

2. ¿Por qué crees que ML y una mejor comprensión de tus datos pueden ayudarte a resolver el problema en cuestión?

Las respuestas a estas preguntas dependen de cómo tu empresa piensa sobre estrategia y evalúa problemas de negocio.

Durante la fase uno, las partes interesadas clave deben reunirse para definir el alcance inicial del problema y sus requisitos.

Fase dos: Entiende tus datos

¿Cuál es la historia de tus datos? ¿De dónde vienen tus datos y cuántas fuentes de datos son relevantes para ayudarte a resolver tu problema de negocio específico?

Durante esta fase, las empresas se centran en:

• Mapear fuentes de datos relevantes y los entornos donde viven (tales entornos pueden ser on-premise o en la nube, configurados como data warehouse, data lake o plataformas de streaming de datos)
• Definir qué pipelines de datos existen actualmente y cuáles necesitan construirse para validación, limpieza y exploración de datos
• Entender con qué frecuencia se actualizan los datos
• Entender la fiabilidad de los datos
• Evaluar consideraciones y requisitos de privacidad de datos
• Habilitar exploración de datos a través de visualizaciones, propiedades estadísticas de datos brutos y transformados, etc.

Entender tus datos no es una tarea pequeña. Es importante abordar esta fase iterativamente. A medida que descubres más sobre tus datos, puedes descubrir problemas que impactan tu capacidad para resolver el problema, lo que puede requerir que redefinas o reajustes el alcance del problema de la fase uno.

Fase tres: Construye el modelo ML

Una vez que tienes los datos listos, es hora de que tus científicos de datos construyan un modelo ML. Pasos comunes para construir un modelo ML robusto incluyen:

• Extraer e ingeniar características (incluye discretización, blanqueo de datos y aplicación de transformaciones estadísticas)
• Seleccionar características
• Entrenar el modelo (incluye dividir los datos en cualquier número de conjuntos de entrenamiento, validación cruzada y validación)
• Ajustar hiperparámetros
• Evaluar el modelo
• Validar significancia estadística

Desarrollar un modelo requiere retroalimentación continua de las partes interesadas del negocio. Por ejemplo, el problema de negocio puede requerir afinidad hacia sensibilidad versus especificidad. Puedes intercambiar ligeramente rendimiento predictivo (ej. puntuación F1) por rendimiento operacional del modelo (ej. predicciones más rápidas) o explicabilidad del modelo.

El objetivo del científico de datos es construir un modelo que use datos para contar una historia clara relacionada con el problema de negocio. A medida que el problema evoluciona y los requisitos cambian, el enfoque de modelado también debe evolucionar para servir al contexto actual.

Fase cuatro: Despliega un modelo en evolución

Construir el modelo inicial es solo el comienzo del viaje de ML. Desplegar un modelo en evolución es un paso crucial para la creación de valor a largo plazo para la organización.

Desplegar un modelo en evolución requiere:

• Servir el modelo (hacer el modelo altamente disponible y escalable horizontalmente)
• Gestionar versiones del modelo (incluyendo rollbacks y despliegues canary/challenger)
• Reentrenar el modelo (modificar o construir un nuevo modelo a medida que nuevos datos entran en el sistema)
• Monitorear el modelo (rastrear métricas operacionales y de experiencia de usuario en tiempos de servicio y entrenamiento)

Monitorear la deriva de datos y modelos, requerir especialización de un modelo para casos de uso intra-organizacionales específicos, y mantener pipelines de datos (entre otros elementos de mantenimiento) son críticos para el éxito continuo de un modelo.

Los requisitos a nivel empresarial e industrial pueden evolucionar rápidamente e impactar fuentes y entradas de datos. Por ejemplo, gobernanza y cumplimiento a escala son consideraciones que abarcan todo el ciclo de vida de la ciencia de datos.

El cumplimiento de regulaciones —como el Reglamento General de Protección de Datos (GDPR) de la Unión Europea (UE)— requiere un nivel más profundo de trazabilidad en versionado de datos, versionado de modelos y capas de entrada de modelos. Construir una estrategia para responder a estos cambios y requisitos industriales a través de datos puede ayudar a las empresas a seguir aprovechando ML para impulsar mejores resultados de negocio como crecimiento de ingresos, reducción de costes y disminución de riesgo.

¿Qué sigue?

Operacionalizar ML de manera flexible, mantenible y escalable requiere muchos pasos y consideraciones más allá del alcance de alto nivel que hemos esbozado en este blog. El diablo está en los detalles.

En nuestro próximo blog, profundizaremos en consideraciones técnicas, desafíos que pueden surgir de una implementación ad-hoc de un sistema ML a gran escala, y cómo UiPath ayuda a abordar desafíos comunes para clientes empresariales.