Cuándo y cuándo no utilizar el Aprendizaje Automático en tu estrategia empresarial

'Usos adecuados del Aprendizaje Automático en tu estrategia empresarial'

Ir a ciegas por una solución impulsada por ML puede conducir a peligros invisibles. Explora los beneficios y desafíos de adoptar modelos de aprendizaje máquina para tomar decisiones informadas

Foto de Juan Rumimpunu en Unsplash

No es una pregunta obvia. Para los científicos de datos novatos, utilizar modelos de aprendizaje máquina de inmediato puede ser un error.

De hecho, las soluciones más simples basadas en reglas pueden ser eficientes y más fáciles de implementar, ahorrando grandes sumas de dinero en el proceso.

A medida que aumenta la adopción del aprendizaje máquina en diversas industrias, hay una tendencia creciente a querer utilizar este enfoque en cualquier lugar donde sea aplicable.

El aprendizaje máquina ciertamente es poderoso, pero no es un hechizo mágico que puede resolver todos nuestros problemas.

En este artículo, hablaré sobre cuándo usar el aprendizaje máquina y las preguntas que vale la pena hacerse antes de comenzar un proyecto y explorar los diversos enfoques disponibles.

Antes de comenzar, analizaré qué hace una solución basada en aprendizaje máquina en general.

El aprendizaje máquina es un enfoque para aprender patrones complejos a partir de datos existentes. Luego utiliza estos patrones para hacer predicciones sobre datos desconocidos.

¿Qué significa aprender patrones? Comenzaré hablando sobre esta parte y luego abordaré el tema de los datos y la creación de predicciones.

Todo este viaje culminará con una explicación de los diferentes compromisos a considerar cuando se desarrolla un proyecto basado en aprendizaje máquina.

Comencemos.

Aprendizaje de patrones

Un modelo de aprendizaje máquina es un sistema que atrae tanto a tecnólogos como a no tecnólogos debido a su capacidad de “aprender” de los datos que observa (de ahí el término aprendizaje supervisado).

Si estás interesado en leer más sobre el aprendizaje máquina en general, lee el siguiente artículo 👇

Qué es el aprendizaje máquina: cómo explico el concepto a un principiante | por Andrea D’Agostino | Towards Data Science (VoAGI.com)

En el aprendizaje supervisado, el sistema aprende las relaciones entre pares de entrada y salida y reconstruye una función matemática que explica (lo mejor posible) la mencionada relación.

Por ejemplo, si quisiéramos crear un modelo de aprendizaje máquina para predecir los precios de bienes raíces en nuestra región, tendríamos que entrenar nuestro modelo con la entrada (las características de las casas, como la presencia de un jardín, una chimenea, o el número de metros cuadrados, etc.) y la salida, el precio.

El modelo en cuestión utilizará las características de las diversas casas a las que se expone para entender el precio asociado con estas características. Una vez entrenado correctamente, el científico de datos solo necesitará proporcionar al modelo las características de una propiedad para recibir un precio.

Todo esto es interesante, pero introduce una restricción a considerar:

Los sistemas de aprendizaje máquina solo son realmente útiles cuando hay patrones que aprender.

De hecho, una persona sensata nunca pediría fondos y recursos para desarrollar un sistema de aprendizaje máquina para predecir el próximo lanzamiento del dado, ¡sería aleatorio y el modelo no aprendería nada en absoluto!

Esto plantea otra pregunta: ¿cómo sabemos que realmente existen patrones en nuestros datos?

A menudo es una pregunta completamente pasada por alto, y la responsabilidad de encontrar lo que no está allí se delega al modelo de aprendizaje máquina. A veces, el patrón podría existir, pero el conjunto de datos podría estar incompleto o no ser lo suficientemente rico como para que emerja.

Si nuestra solución se puede expresar correctamente mediante una tabla dinámica en Excel… no hay nada malo. No necesitamos un modelo de aprendizaje máquina.

Por lo tanto, no necesitamos un modelo de aprendizaje máquina si lo que queremos predecir es el resultado de operaciones simples, que se pueden automatizar gracias a un script tal vez, o si sabemos que los patrones están ausentes o son aleatorios.

Sin embargo, si los patrones son complejos y difíciles de procesar para un humano (como asignar cientos de características de una propiedad a un precio), entonces es probable que el aprendizaje máquina sea útil.

Limitado por los datos

Porque el aprendizaje automático depende de los datos, es importante que esos datos existan en primer lugar.

A menudo me encuentro con clientes que invierten tiempo y recursos en diseñar sistemas de aprendizaje automático basados en datos de baja calidad e poco confiables.

Este es un tema central: un sistema de aprendizaje automático debe ser considerado cuando tenemos (o somos capaces de recuperar) datos de calidad que sabemos con certeza que contienen información sobre el fenómeno que queremos modelar.

Existen casos en los que es posible utilizar el aprendizaje automático sin datos. Este es el caso del aprendizaje continuo. En este caso, los modelos de aprendizaje automático se ponen en producción y se aprenden a medida que se pasa por ellos datos reales de usuarios. Estos modelos funcionarán mal al principio, pero luego mejorarán gradualmente.

Cuando las predicciones son demasiado “incorrectas”

Los sistemas de aprendizaje automático resuelven problemas de predicción. Predecir se traduce como estimar el valor de algo en el futuro.

… pero a veces, no estamos satisfechos con estas predicciones.

Pensemos en el término “modelado”:

  • un niño “modela” un castillo con arena
  • un chef de pastelería usa “moldes” para crear dulces
  • un herrero usa un molde para crear una herramienta, como un martillo o tenazas

Como científicos de datos, usamos el pasado para dar forma al futuro.

Los datos son nuestro metal; el aprendizaje automático es nuestro molde.

Ahora, en base a la calidad de nuestros datos, nuestro modelo será capaz de generalizar una “forma” de manera que también se ajuste a otros datos desconocidos que vendrán en el futuro.

Pero una forma muy grande puede acomodar bien nuestros datos….

Aquí entra en juego el tema del error de predicción.

Cuando evaluamos el modelo de aprendizaje automático, lo hacemos utilizando métricas empresariales y no empresariales. El uso de métricas de evaluación válidas y sensibles nos permite gestionar y evaluar correctamente los sistemas de aprendizaje automático.

Por lo tanto, es importante comprender cómo evaluar un sistema de predicción con una métrica de evaluación clara para el negocio.

Por ejemplo, para el problema de predicción de precios de viviendas, el uso de una métrica como el MAE (error absoluto medio) puede ser útil y es una métrica que es fácilmente comprendida incluso por personas no técnicas.

Hacer esto nos permite implementar un sistema de aprendizaje automático de manera sensata porque será fácil interpretar su rendimiento.

¡Automatiza todo!

Si realizamos la misma tarea una y otra vez todos los días y está compuesta por patrones, entonces contemplar el aprendizaje automático es lo correcto.

Como he escrito varias veces antes, un científico de datos es un facilitador de automatización.

De hecho, un buen planteamiento del problema puede mejorar significativamente la economía empresarial con el aprendizaje automático.

Si podemos identificar que hay datos recurrentes y estructurados que siguen una lógica predecible, entonces el aprendizaje automático puede ayudarnos a construir modelos que automatizan esas tareas. Esto nos ahorra tiempo y recursos valiosos, además de reducir errores humanos.

La automatización a través del aprendizaje automático no solo simplifica las tareas diarias, también puede revelar ideas ocultas en los datos y proporcionar información valiosa para la toma de decisiones estratégicas.

Además: también debemos pensar en cuánto necesitamos automatizar.

Si tenemos que automatizar varias operaciones al día (en el orden de cientos a decenas de miles), ¡seguramente el aprendizaje automático puede ayudarnos!

El costo de la predicción

Hablemos de nuevo de la predicción, pero esta vez en términos monetarios.

Aclaremos también esto: nuestro modelo SIEMPRE cometerá errores. A veces grandes, a veces pequeños, pero siempre los cometerá.

Cuando el costo de un gran error de predicción es bajo, entonces vale la pena considerar el aprendizaje automático como una solución a nuestro problema.

Un ejemplo de motores de recomendación:

  • el modelo se entrena en el comportamiento humano
  • el modelo ofrece una recomendación
  • el usuario decide si seguir la recomendación o no

En caso de que el usuario no elija la recomendación, ¿qué sucede? ¡Nada! El costo de una predicción incorrecta es cercano a cero.

Si, en cambio, el usuario compra algo gracias a esa recomendación, entonces tanto el usuario como el dueño de la tienda están contentos. Bingo.

Lo contrario ocurre en el campo médico: una mala predicción aplicada por un modelo en una radiografía para el diagnóstico de una enfermedad grave tiene un costo muy alto. En ese caso, las consecuencias pueden ser catastróficas. Lo mismo ocurre con la conducción autónoma.

¿Deberían estos dos últimos casos eliminar el uso del aprendizaje automático como herramienta de diagnóstico o como piloto automático? Ciertamente no. Pero se debe considerar cuánto se incluye al humano en el proceso (como un médico que es asistido durante el diagnóstico o un conductor que toma el control del automóvil, desactivando el piloto automático) y el impacto que estos mecanismos pueden tener en el progreso general del mundo.

Conclusión

La adopción del aprendizaje automático requiere una evaluación cuidadosa e informada. Se invierte mucho dinero en ello porque configurar un sistema así es costoso y requiere muchas habilidades de varios profesionales.

No debemos cometer el error de considerarlo como la solución a todos nuestros problemas, sino más bien como una poderosa herramienta para usar en ciertos contextos.

Si estás interesado en implementar flujos de aprendizaje automático en tu empresa pero no sabes qué solución implementar, ¡hablemos al respecto!

Puedo ayudarte a contextualizar tu elección y señalarte en la mejor dirección (¡aunque este artículo ya debería haber aclarado muchas dudas!)

Hasta pronto,

We will continue to update Zepes; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

Inteligencia Artificial

¿Cómo sabemos qué tan inteligentes son los sistemas de IA?

Una tradición en IA es someter a los sistemas a pruebas diseñadas para evaluar la inteligencia humana, pero hay varia...

Inteligencia Artificial

Desde el Internet de las Cosas hasta el Internet de Todo La Convergencia de la IA y el 6G para una Inteligencia Conectada

Aprende cómo las tecnologías de vanguardia como la Inteligencia Artificial y el 6G inaugurarán una nueva era de siste...

Inteligencia Artificial

Este artículo de IA de China propone HQTrack un marco de IA para rastrear cualquier cosa de alta calidad en videos

El seguimiento visual de objetos es la base de numerosos subcampos dentro de la visión por computadora, incluyendo la...