Documentos de Académico
Documentos de Profesional
Documentos de Cultura
machine learning
El camino le permitirá aprovechar todo el
potencial de las tecnologías del machine
learning.
Avanzar con
determinación Si bien el machine learning existe desde hace décadas,
suesi
ca biliomherainta
dc partransforma
Cuando se implementan las estrategias adecuadas, el lasesa
mpr sesela r tivamentenueva.Ademzs,lafalta
machine learning (ML) puede aumentar la agilidad, de un recorrido singular y comprobado para alcanzar
optimizar los procesos e incrementar los ingresos el éxito con el machine learning hace que algunas
mediante la creación de nuevos productos y la mejora de empresas se mantengan al margen, ya que no se sienten
los existentes, además de posibilitar una mejor toma de seguras acerca de cómo dar el siguiente paso (o siquiera
decisiones con mayor rapidez. el primero) en este recorrido. Este libro electrónico se
diseñó para ayudar a los negocios a progresar, ya que
No cabe duda de que el machine learning y la inteligencia eun
cofr obad,esd
mpric elosos
prime
arti0cial(IA)puedenyud a arlasesa mpr salcanzar pasos a seguir hasta la medición de los resultados,
mayores logros: en una encuesta reciente de McKinsey, ademzsompardectirlainformacinqueadquiri
el63 %delosencuestadosinformaumentosenlos Amonaz cadel
r machinelearningysuexprincia
ingeso r sgracisalaadopcindelaIAenlasunidaes que ayudó a miles de clientes a llevar a cabo sus propias
denegocienlasquesusesa mpr sutilizanlaIA.¹ iniciativas.
También está claro que los que adoptan esta tecnología
onti c nandepositandosuon0c anzaenlacapide Es hora de que las organizaciones superen los retos
lastecnolog}asdeinteligenciar ti0cialparimulsar relacionados con el machine learning para que puedan
elvalorylasventajas.SegnGar tne,el r 75 %delas esa
ogrp onrc on0c anza.Sinimportardndese
esa mpr spasarzndeponerapuebalaIAaponerlaen encuentren las organizaciones en su recorrido por el
funcionamientoa0nalesde 204²,sey gnDeloitte,el machine learning, encontrarán la orientación necesaria
57 %opinaquelaIAtransformazsuganior zacinenlos para dar el siguiente paso hacia el éxito con el machine
próximos tres años.³ learning.
1https:.mckinse
/w om/featur
.c y ed-insights/arti0cial-intelligencglo
e/ bal-ai-sur veveoy-aipr s-its-orwth-but-few-scale-impact
2h ttps:.gar/wtneen/om/.c r newsress-pr om/ ele
r ases/20-6-2-gartner-identi0es-top-10data-and-analytics-technolo
3 https:/w 2.deloitteus/ om/.c en/insights/focus/ognic tive-technologies/state-aindof -intelligent-automation-in-business-sur ve.htm
y l
2
u|
Q¿ se lante
i linceg rti
ai l
aic0 l
e y neihcam
learning?
Probalementehaescucente hadoifr sdescripconessoela
br inteligenciarti0cial(IA)yel
machinelearning(ML),porloquevamosetr
ar edrun
oc epasa
orc rlasde0nicionesexactas:
Lainteligenciarti0cial(IA)esunaformadescribacualquiersisteepli
maczdr cartaeas
r
que antes requerían la inteligencia humana.
Casi siempre, esto está relacionado con algún tipo de tarea compleja de toma de decisiones en la
quenormalmenteseeque r ri}aelcriteriohumano.Laor}ayma deloscasosdeusodelaIAbuscanun
esulta
r obail}sti
dpr cioneedrp:ha s,clasi0caionesotomardecisionesonc unaltogradoe
certeza y de manera similar al juicio humano.
LaIAsepueearsidc nmachinelearningoahrmism
,pe oesteeselm|todoprincipalearpc
sistemasdeIA.Delmismomd,elmachinelearningpuedeutilizarseparotros0nesademzsdela
IA,oenpr laactualida,laorpaymtedelmachinelearningestzela r cionaondc laIA.
3
¿Por qué machine learning?
Antesofund
depr izarenlospasosneesa
c riosparutilizarelmachinelearning,exploemos
r porqu|lasesa
mpr s
debnendmpr ersteoridenc primelug.Al
ar 0nyalcabo,inclusoonc lagu}adestelioele
br ctrnio,c
completar los pasos que se describen aquí requerirá de continua inversión y dedicación inquebrantable. Los
negocistendrznqueonsta
c ntementetenerencuentaqu|esloquebuscan,oncc entrzndoseenlosbene0ciosdel
negocio precisos que pueden obtenerse si se aprovecha al máximo la tecnología del machine learning.
1 2
Optimización del negocio Decisiones más inteligentes
nte
aidem nuevasnceic0 s
ai zpr y s
adi
El machine learning se puede utilizar para crear una Conbaseeninformacinveopr nientedefuentes
ore0cincyma iagrcsaso0sticadosmodelosde de datos y análisis con un crecimiento más
plani0caincinedypr delademanda.Sibien inteligente a través del machine learning, los
esto se da en casi todos los sectores, los minoristas negocios y su personal pueden tomar decisiones
aportanalgunaspruebasespec}0cas.Lacinedpr mzsrzpidasybienfundadsquelespermiten
basadaenlaIAeduc r elasp|rdiasdeventaspor actuar sobre las oportunidades lo antes posible
faltadeisponibilioduc aepr toshastaenun y obtener mejores resultados. Los agentes de
65 %esultaomrydac do2 millonesmenosde servicio al cliente de T-MobileutilizanlaIA
devolucionesoduc epr tosalaGo.⁴Gracisauna edrzpcpa idamentealainformacinmzs
solucinedicti pr vadepiosbasadaenAWS, relevante en cuanto a las necesidades de los
Domino’s Pizza Enterprises Limited implementa una clientes. Gracias al acceso de los agentes
iniciativa que tiene como objetivo tener una pizza ainformacinonte
c xtualentieal, mpor
listaogerncpa 3 minutosluegodelpedio T-Mobileyud a agrntizarquelosoble pr masde
o para su entrega sin problemas en el plazo de cada cliente se resuelvan rápido y con precisión.
10 minutos.
4 https:.mckinse
/w mckinse
eda/ o~. y /indy ustries/advanced%20electronics/our%20insights/w%2
ho 0arti0cial%20
4
intelligence%20can%20deliver%2eal%2 0r 0value%20to%2ompani0c es/mgi-arti0cial-intelligence-discussion-.ash
per x
3 4
Empresa multinacional de televisión Incorporación de nuevas capacidades
Discovery, Inc. (Discover y) tiene una gran varieda
a los productos existentes
de contenido que atrae a una amplia base de El machine learning puede enriquecer los productos
audiencias de clientes. La empresa quería ayudar existentes, mejorando el compromiso de los clientes
a los clientes a encontrar contenido seleccionado y atrayendo a nuevos usuarios a través de experiencias
queoincc onidac susinteese
r sespec}0os
c ecur
yr ri mzsofund
pr as.Porejmplo, Livongoesunaplataforma
a Amazon Personalize para habilitar sugerencias yunaaplicainvim lquefuncionaonc dispositivos
de contenido personalizadas para los usuarios de la inteligentes, como un glucómetro conectado, para
plataformadestreamingDiscveo r y+.Enlugercadof ayudar a las personas a controlar los problemas médicos.
alosespectaes
dor onte
c nidogen|ro,Diic scveo r yutiliz Utiliza el machine learning para traducir los datos de
las recomendaciones impulsadas por machine learning de las lecturas de la glucosa en la sangre, la actividad
Amon az Personalieparso
z nalizarlaexprinciadel f}sicaylosegistr
r osdelasomidas,
c ademzsdelos
espectador y mejorar el recorrido del cliente. datos de los smartphones y otros datos importantes,
en “indicadores de salud” oportunos y prácticos. Estos
mensajes personalizados sobre la dieta, el ejercicio y
los medicamentos, entre otros (entregados en tiempo
real a los miembros en sus dispositivos conectados), los
ayudan a evitar complicaciones que podrían causar una
hospitalización, y permite que tanto el sistema como
ellos mismos ahorren dinero.
5
5 6
Invención de nuevos productos netos Mantenerse relevante
En su deseo de que la tecnología para la atención médica El machine learning ya no es una opción exclusiva,
caun
ezofr mejorser vicioalaspersonas, Cambia utilizó es necesaria para mantenerse relevante y
Amon az eb SeW r vies
c (AWS),incluidalatecnolog}ade competitivo, independientemente del campo o
machine learning, para desarrollar Journi, una solución dominio. OnPoint Digital Solutions, una sucursal
digital integrada de salud, impulsada por la experiencia eKod ch Engineed Sor lutions,ola
c deformab
humana y por inteligencia controlada por datos, que ecinte
r onc AWSodesa parc olla
r runaplataforma
yud a alosos miebr deplanesdesaludysusfamiliasa de optimización inteligente de procesos (intelligent
veoapr charlmzximolosbene0ciosparlasalud. ess
ocpr optimizationplatform,IPOP).Laplataforma,
diseGadaprhbilitarsolucionesdeOnPoint,utiliza
lainfraestructuradigtaldenubdeparybo
proporcionar capacidades avanzadas de machine
learningeinformzticaindustrialalosi
ec stema
onec ctadoeOnPoint.Estopermitealoses
oprad
industrialesyasussociosefridos p integra
y aprovechar el mejor conocimiento disponible, en
cualquier lugar y momento, a gran escala.
Ahora que hemos explicado el “porqué” del machine learning, es el momento de profundizar en el “cómo”.
En las siguientes secciones, se mostrarán los pasos a seguir en el recorrido del machine learning, gracias a la propia
exprinciadeAmonaz yladelosclientesdeAWSqueejmpli0caloscambiosneesa
c riosparimlementa,uti
r lizar
y escalar correctamente el machine learning.
6
El recorrido por el 1
machine learning Defensa de una cultura de machine learning
Según Gartner, se proyecta que el valor empresarial global derivado de la inteligencia
El recorrido por el machine learning no siempre es ar ti0cialalcanzarzlos3,9 millonesdebillonesdelaes
r en 20 .
5
Quizá el mayor cambio cultural que deben experimentar las organizaciones es utilizar las
oportunidades inherentes a los errores. El machine learning es un proceso iterativo, que
solo puede tener éxito a través de la experimentación constante. La mayoría de las veces,
e sexprimntosesulta
sto r rznenfracsos.Lasganior zacionessolopodrznalcanzarde
onsi
frmac stenteel|xitoquelasesperalotroladosiendapr endesoses or ysise
ehsa
r nadetenereleso
ogrp pardeterminaqu|
r fueloquesalimal.
5https:.gar/wtneen/om/.c r newsress-
pr om/ ele
r ases/2018-04-25-gartner-says-global-arti0cial-intelligence-business-value-to-
each-1point-
r 2-trillion-in-2018 7
Cómo lo logró Amazon “(El machine learning) potenciará y
mejorará cada empresa, cada organización
Amonaz utilizaelmachinelearningenelnegocidesdemzs hac de20 aGos.
gubernamental, cada filantropía;
Peemzs
ohacr de10 aGos,parlograunaoradpcinym delmachine
learningentodalaesa mpr ,elequipodeligodeAm raz onaz pidatodos básicamente, no hay institución en el mundo
los líderes de negocios de la organización, independientemente de si dirigían que no pueda mejorar con el machine
un equipo de investigación, un centro de cumplimiento o un departamento learning”.
de recursos humanos, que respondieran a la pregunta sobre cómo planeaban
aprovechar el machine learning en su ámbito de trabajo. JeBeos,
z fundecto
adoryi rejcutivoO)CE( deAmonaz
8
2
Reinvención de la estrategia de datos
El éxito del machine learning depende en gran medida Una vez almacenados, los datos se pueden analizar
de los datos de calidad. Sin una estrategia de datos mediante muchos tipos de servicios de análisis y machine
adecuada, el progreso será más lento y obstaculizará la learning,deformazsrzpidaye0cnteenomparcin
e0caidlmodelo0nal.Peoran,sielmodeloecibr onc losenfoquestradiconalesensilos.Lasqui
ar tecturas
informacindeatosneer os,losesulta
r dosquegenera de lagos de datos también permiten que múltiples grupos
pueden ser engañosos, o incluso totalmente incorrectos. dentrodelaganior zacinsebene0ciendelanzlisisdeun
conjunto de datos coherente que abarca toda la empresa.
“(Los modelos de machine learning) son muy sensibles
la
a li
ac lo
ed a sto
ad s,li
pxe Frac sh
e te
aw As}
.r ue
q Para obtener ayuda en el desarrollo de una estrategia de
aprendimos, en muchos casos por las malas, que el tiempo datos más holística que incluya los lagos de datos, visite
invertido en obtener datos de alta calidad en el comienzo el sitio reinvente su empresa mediante el uso de datos.
uc
dorp }aviid nded s
o ne nuestrs
o lo
edom sl
a na0 li. raz
9
Utilizamos las tecnologías de análisis de datos Cómo lo logró
de AWS para predecir (…) con precisión qué tan
rápido deben funcionar las líneas de conversión GePa-aigrco0i
para evitar roturas. Gracias a la reducción de las
roturas de papel, hemos aumentado las Todos los días, se producen cientos de rollos matrices
ganancias en millones de dólares para depalytisenlasinstalacionesdefabricnde
una línea de producción”. Gegia-Paor ci0enAm|ricadelNorte.Siygrieta
ha so
otur r asecue
fr ntes,segenerantiemposdeinactividae
SteveBala
a k PTI
V e, d r tr
y nsf
a ni c a m r o la máquina de papel y de la línea de conversión, lo que
digtaldeGegia-Paor ci0 pueosta dec raGegia-Paor ci0mllonesdelaes
r alaGo
por línea.
10
3
Localización del problema empresarial adecuado a tratar
Un error que suelen cometer las organizaciones en su recorrido por el machine learning es
emplearcient}0os
c deatosindepndientesquetrabjnensilosearmodlo
pc sde
machine learning como prueba de conceptos, en lugar de resolver problemas empresariales
eale
r s.Comnotienenqueeso
r lverningnoble
pr esa
mapr rialespec}0o,alo
c s
ejcutivosdeTIlesesulta
r rzcadvezmzsdif}cildemostrarelvalordelosecto
yopr sde
machine learning a sus homólogos ejecutivos. Esto puede retrasar o incluso detener el
progreso de las iniciativas de machine learning.
1 E ecto
l yopr eslosu0cientementeimportanteomparlla
c marlaatenciny
logralaadopcin
Solucionaunoble
pr esa
mapr rialeal
r
3 Existenluges
ar enlosquelaganior zacinyatienemuchosdatossinutilizar
4 Electo
yopr neesi
c taelmachinelearning
5 Pueerlo
dhac unasolaesa
mpr
6 Sepuedeponerenchaenmr algnmoento
11
Un primer paso es identificar un Juntos, estos equipos también deben trabajar en
problema que contenga muchos datos, lamanerademil|xitoAse
. ese
gr detener
medidas muy precisas y claras a medida que se
pero que no se haya podido resolver
adentraenelmachinelearningeFr,dic eshwate. r
con los métodos tradicionales”, explica “Muchas veces, los modelos toman el control
Freshwater. de algo que ya existe y uno quiere asegurarse
de que son realmente mejores y de que eso se
Para lograr que el machine learning sea un éxito, las
puede medir”.
organizaciones crean equipos de machine learning
destinados a abordar problemas empresariales Paraobtenermzsinformacinmocader
espec}0os. c Paraello,esneesa c rioncluirenestos medir el éxito de las iniciativas de machine
equipos tanto a expertos técnicos como a expertos learning, consulte el Paso 6 en este libro
en la materia. Si bien los expertos técnicos serán electrónico.
losmzsafectadosporlaeacinr demolos,
necesitan los conocimientos de campo de los Algunasganior zacionescuentaninternamente
exprtosenlamateriapde0nionrc ecisi
pr nlos onc lasaptitudesneesa
c riasparidenti0carlos
desaf}osesa
mpr rialeseidnti0carlosdatosmzs problemas que el machine learning podría tratar
importantes para encontrar una solución. óptimamente y para implementar los programas
pilotoopiads.
r AWSel
cofr Laboratoriode
Esteenfoquetambi|nesfundamentalparla solucionesdeAmonaz MachineLearningpar
administración del cambio: cuando los expertos ayudar a los clientes a “trabajar en retrospectiva”
técnicos y los expertos en la materia colaboran en apr tirdelosdesaf}osdelne,lue
gociy go,
la creación de modelos de machine learning, los ir paso a paso a través del proceso de crear
empleados se sienten más seguros a la hora de proyectos de machine learning para resolverlos.
tomar decisiones basadas en la lógica del algoritmo.
12
Cómo lo logró la NFL
Duranted|cads,laNFLhatrabjdopr Ademzs,NGSutilizamodelosdemachinelearning
cionapr rinformacinmzsdetallacader calc
pr ulamzs r esta
20 d d}sticasvaa nzadsque
susjuges ador yequiposa0ndesatisferta
ac ntola seaninteesa
r ntesparlosfanztios.
c Unejmplo
necesidad de mejorar la seguridad de los jugadores es la estadística de yardas esperadas por tierra,
omla
c sedinsaciabledelosfanztios
c porlos que está diseñada para mostrar cuántas yardas
datos y las estadísticas. por tierra se espera que consiga un portador del
balnenunaoridaete
c rminadaenfuncindela
Padaresta
bo neesi
c da,laNFLhatrabjdo ubicación, la velocidad y la dirección relativas de
juntoonc AWSpardlevidalaheraminta losbloquees
ador ydefnsoes.
r
NFLNextGenStats(NGS)basadaenelmachine
learning.Comlacienciayelftbolsondisciplinas Obser vacionesomla
c obaili
pr daepse
omple
c tamenteente difr s,laNFLonvo
c ,c omple
c tonoexistir}ansinofueseporlaasocian
acertadamente, a los expertos técnicos y a los entre expertos técnicos, quienes pueden construir
expertos en el área para la creación de NGS y se y entrenar los modelos que analizan los datos
aseguró de que ambos grupos pudieran trabajar necesarios, y expertos en el área, que saben qué
enonjc untoparidenti0carlosdatosecto
or s datos deben medir para crear las estadísticas más
y desarrollar las estadísticas6. interesantes.
6https:ws.
a / on.amz n1om/c 13
13
4
Mejora de las habilidades
profesionales de sus equipos
Mientras se crea una estrategia de datos, las Entrestosm|todos,seincluyenlossiguientes:
ganior zacionesdebnenfocarseenarmsusequipos
de ingenieros con las habilidades adecuadas. De0nireld|0citdehabilidaes: antes de eliminar el
d|0cit,unaganior zacindebinti0carlasencdifr ias
Las organizaciones son cada vez más conscientes del precisas entre lo que necesita o desea que hagan sus
d|0citdehabilidaesdelmachinelearning,laecinte
r empleados y las habilidades que tienen en ese momento.
brecha entre las tecnologías y la habilidad de los
especialistasdeTIveopar charlas.El informe de Entendmose erc identi0canlashabilidaes: como
O'ReillyAIAdoptionintheEnterpise,en201 elquese lasiniciativasdemachinelearningese pr ntanesfueos rz
encuestaonr mzsde3500 l}des r esa
mpr riales,mostr intedisc r iplinarios,unaganior zacindebinti0carlas
quelafaltadeprsonascali0cadsyladi0cultade habilidaesqueneesi c tanloscient}0os c deatos,los
ontr
c atacinencabeznlalistadesaf}osparlaIA; especialistas de machine learning, los desarrolladores de
el19 %delosencuestadosloscitaonr omuna
c erab aplicaciones, los estadistas y los expertos en otras áreas
signi0cativa.Eliminarestafaltadehabilidaenel del negocio.
machinelearningimplicarzlaombinac cindeformacin
Personalizar la formación en función de las
técnica y contrataciones. La realidad es que actualmente
neesi
c daesespec}0cas: si una organización ya cuenta
noysu0
ha cientescient}0os c deatosondparc ucirla
con planes de estudios que pueden ser útiles, debería
transformacindelmachinelearningquesexima.opr
adaptar ese material de acuerdo a las necesidades
Esto implica que las organizaciones que quieran
espec}0casdelmachinelearningdelnegoci.Losl}des r
aprovechar el machine learning primero deben invertir en
también deben investigar los servicios de inteligencia
el desarrollo de sus aptitudes.
ar ti0cialyaentrenadosquecionapr ninteligencia
Aunquenosehaencontradounasolucinuniversalpar epardlasaplicaionesdenegocisylos1ujos
lafaltadehabilidaenelmachinelearning,existen de trabajo.
métodos probados que pueden maximizar las habilidades
del personal existente y, de este modo, reducir la
necesidad de realizar grandes inversiones en la compra o
en el préstamo de talentos expertos ya capacitados.
14
Además de la formación, deberá alinear a los equipos para abordar
de forma adecuada los problemas relacionados con el machine
lenira ngsto
E . nci luylo
e siui
g nte
e :
Fomentar una cultura de equipos empoderados: los equipos de proyectos de machine learning
neb d seulti mr uncnaoi lesn0 a te ed nela r uto a neda ir sa
e c um
c ar p air li p no c r ti
e bo vos
ndi vii ua
d les,zs meda te ed nelar lirta eb ntei ar p d noo c rainto
bem c r sno c tr o s o uie s op ne
uncni la ed sndamed s
a la
a y srtuni op s
eda uesese e rp nten.Paue ar ste e titr ed op ne o ab
uie se op si
op a le
b la
, niimda strninta ceamo eb d nue
r vasstr e ucturs a laed ra ed y ue
a od llos
lo
edom sniag ro naica lesstr e ta ci nte em zrre uis o c rta
aped y nta em lesl ed sa ap .od
Comenzar con un equipo piloto: establezca un equipo piloto de ingenieros y asígnele un proyecto
uto
a nde rap i e d zti m ˝ende.mo}acr a ues o d so r e p nasuy m nte
i linte
e g ssenceue
g r a ne d
vea ua
g i r u|
r |tr
m s a c i se
e d soti
rp isa
o ce ardpe r p ,lo
o r ac`roipm a sh
e d e c i p m e te
a .r
Gracias a esta guía, muchas organizaciones han descubierto que las personas que componen sus equipos en
li
ae r so
da nlasso
rep nasue
q nesi
e c tanli
e ar p naim la
r lta
af li
ibah ed s
eda ne l
e neihcam lenira ngAunq
. ue
es posible que todavía se necesite otro reclutamiento, los cambios en relación con la administración, los
procesos y la organización hacen gran parte del trabajo de mejorar las habilidades para lograr tener éxito
con el machine learning.
Ta|nibm s
e rta
opmi ntese
a ur
g ue
q ra losl}ds
e r sa
e rpm le
air stengna lanicamrof nesa
e c ar p air
comprender el machine learning, incluso lo que constituye un buen caso de uso y cómo hablar el lenguaje
del machine learning. Existen muchos cursos para líderes empresariales, entre los que se incluye Machine
Learning Essentials de AWS.
15
Cómo Morningstar lo logró
Morningstar, la empresa de investigación en
materia de inversiones, utiliza el machine learning
para automatizar los procesos de recopilación
deatosyaumentarlacantidaefondosque Nuestro desafío de DeepRacer
cubre. Para lograr esto, la empresa aprovecha aprovecha el entusiasmo de nuestros
las predicciones del modelo de machine learning
empleados por el machine learning y
entrenado para imitar el proceso de evaluación de
fondosdelosanalistas. la inteligencia artificial. Proporciona
formación práctica en la empresa
A0ndeformasusempleadosele
yac rala
y acelera la aplicación práctica de
aplicación del machine learning, Morningstar
utilizaAWS DeepRa,una
erc heramintaque
Morningstar del machine learning
facilitalaformacinprzcticaenmachinelearning en nuestros productos, servicios y
a través de un coche de carreras autónomo a procesos de inversión. La respuesta por
escala 1/8basadoenelendapr efue
izajdr o,rz parte de nuestros equipos superó mis
unsimulaeras doc 3Dyunaligade
expectativas y considero que fue una
erasc anivelmundial.Mzsde445 empleados
de Morningstar que se encargan de distintas
manera entretenida de unir nuestros
funcionesvioypr enendeochpa}ses,incluidoel equipos, tanto en la tecnología como
35 %delpersonalquesedeicalatecnolog}a, en otras funciones”.
hanparticipadoenlaDeepRaerLec ague 7
.
JamesRhodes,ecto
dir rdetecnolog}adeMorningstar
Morningstar tiene en mente varios proyectos de
machinelearningparel201.Algunosdellos
incluyen implementar un programa de aprendizaje
efue
dr oque
rz seencgue
ar debuscarptrones
en documentos regulatorios y un algoritmo que
identi0queelo
pary senlaes
c daGadosalos
sitiosebdinsti
w tuciones0nancieras.
Paralograelescalado,lasganior zacionesdebnfacilitarelusodelmachinelearningalos
desarrolladores. La creación de modelos de machine learning a escala puede ser una tarea
intensa y compleja, lo cual puede ralentizar la innovación.
17
Cómo lo logró Intuit
GracisaAmon az SageMa,Intui
erk tedujr oeltiempodilementacin
delmachinelearningenun90 %dese ( ismesesaunasemana).Mediante
laentrc alizacindelasiniciativasdemachinelearning,Intuitfomenta
lainnovacineimplementat|cnicasdeIAydemachinelearningagrn
velocidad y escala, por lo que adquiere valor empresarial más allá de sus
productos y servicios.
AWSlebrindalaspersonasquetrabjnenIntuitunaplataforma
omnc omparctirinformacinola
yc boraenunentornosegur, o
a0rmAshokSrivastava,viesi prc dentes|niecto orydi rdeatosde
Intuit.Porejmplo,Amonaz SageMaernok sbrindalaplataformayla
infraestructuraneesa c riasparlicarnuestrastecnolog}asso0sticads
deinteligenciar ti0cialydemachinelearning.
Vea el video ›
AWS brinda a las personas que trabajan en
Intuit una plataforma común para compartir
información y colaborar en un entorno seguro”.
AshokSrivastava,viesi
prc dentes|niecto
orydi rdetecnolog}adeIntuit
18
6
Evaluación de los resultados
Cuando se busca evaluar los resultados del trabajo Sibienlasm|tricastradiconalesdeROIpuedennoser
onc machinelearning,elenfoquetradiconalde elmejornfoqueparmedilimpactoquetienenlas
“rentabilidad del proyecto” (en el que un proyecto debe iniciativas de machine learning sobre las empresas, sí es
tenerunomienzc oyun0nalde0nidos,unesup pr uesto posiblemedirlo.Solosetratadecambirnfoque.
y un retorno económico) es reduccionista y puede ser
Para medir los resultados del machine learning, podemos
perjudicial para el éxito de las iniciativas del negocio. Si el
usar algo similar a un “árbol de valores”, en el que
proyecto no genera un rendimiento positivo en el tiempo
el tronco principal represente el “rendimiento de los
determinado, el negocio puede perder interés en él y
ingresos” tradicional y las ramas que se desprenden de él
perderse oportunidades cruciales más adelante.
representen el valor de otros resultados del negocio.
Para que esto no suceda, los ejecutivos y el personal de
Las ram s espec}0cas de ste zrbol de valores
tecnolog}adelainformacindebnmedirlosesulta
r dos
dependerán de la organización, la industria y la
deltronabjc machinelearningenfuncindeloque
iniciativa, pero podrían ser cosas como “el ahorro de
signi0cael|xitoparsunegoci,enelar cinonc la
tiempo mediante procesos automatizados”, “nuevos
optimizacndeloseso
ocpr s.Ademzs,debnentender
mercados, datos tiles y op r tunida es identi0cad s,
losesfueos rz quesedeicanalmachinelearningomc
“mejoras en el servicio al cliente” e “incremento en
inversiones a largo plazo, y tener en mente que pueden
ventas a mayor precio”.
pasarmuchosaGosyllevarseacboin0nitasiteraciones
antes de obtener un verdadero “rendimiento”. Medir el éxito del machine learning a través de un
modelo más holístico y a largo plazo permitirá a
Cuandoseplani0caniniciativasdemachinelearning,es
sus equipos de trabajo concentrarse en los mejores
erlo
mjohac desdeunenfoquequeelaprioc agilida,
esulta
r dosparelfuturodelaompaG}a
c .
la ventaja competitiva y la tolerancia a riesgos, antes que
el rendimiento esperado. Las organizaciones tendrán
mucho más éxito si dejan de lado preguntas como: “¿qué
ganancia obtendré en X meses?” y empiezan a hacerse
preguntas del tipo de: “¿si no invertimos en esto ahora,
nosatrasaemos
r ente
fr anuestrosompeti c es
dor enX
años cuando avance la tecnología?”.
19
Dé el próximo Personalización: mejore la participación y
conversión de clientes mediante la creación de
Amazon SageMaker:Amon az SageMaerpmite
alosdesaolla r es
dor ycient}0os
c deatos, earc
k
uta
cej ne AWS Sopor tedeimplementacin: el Laboratorio de soluciones de Amazon Machine Learning
onec ctaasuequionpc expr tosenelmachinelearningonc el0nyud dea arloaidenti0car
soluciones de machine learning y generarlas para abordar las oportunidades de machine
learningonc enta
oryma bilidaelainversindesuganior zacin.Tambi|nemos
cfr
formacinparumentarelniveldexprinciaenmachinelearningdesuequipo,que
incluyelaformacindesaolla
r es,
dor laformacindel}des r esa mpr rialesyunevento
práctico mediante el Programa Machine Learning Embark.
• AWS DeepRacer
• AWS DeepLens
• Formación y certificación en el machine learning
• Laboratorio de soluciones de Amazon Machine Learning
Am
©2, 2 0 nSeo bz ea W vir s,
e c Incsus
o. sa
e r p m e sli
0 a s.
a d Tos
o d loss
o h c e r d se
e r var s.
od