El recorrido por el

aprendizaje automático
El camino que le permitirá aprovechar todo el potencial
de las tecnologías de aprendizaje automático.
INTRODUCCIÓN

Avanzar con determinación

Al hacer uso de las estrategias adecuadas, el aprendizaje automático puede
aumentar la agilidad, optimizar los procesos e incrementar los ingresos gracias
a la creación de nuevos productos y la mejora de los existentes, además de
posibilitar una mejor toma de decisiones con mayor rapidez. No cabe duda de
que el aprendizaje automático (ML) y la inteligencia artificial (IA) pueden ayudar
a las empresas a alcanzar mayores logros: el 54 % de las empresas que han
implementado la IA afirman que la tecnología ha aumentado la productividad1.

IDC predice que, para 2021, el gasto global en IA y tecnologías cognitivas superará
los 50 mil millones USD2. Los usuarios pioneros utilizan la IA y el aprendizaje
automático para obtener una ventaja competitiva. Según el informe State of AI
in the Enterprise de Deloitte Insights, el 63 % de las empresas invertían en el
aprendizaje automático para alcanzar a sus rivales o reducir la ventaja en 20183.

Si bien el aprendizaje automático existe desde hace décadas, su accesibilidad como

herramienta para transformar las empresas es relativamente nueva. Además, la
falta de una vía singular y comprobada para alcanzar el éxito con el aprendizaje
automático hace que algunas empresas se mantengan al margen, ya que no se
sienten seguros acerca de cómo dar el siguiente paso (o siquiera el primero) en
este recorrido. Con este libro electrónico, se pretende ayudar a las empresas a
progresar, ya que ofrece información comprobada desde los primeros pasos a
seguir hasta la medición de los resultados, además de los conocimientos
adquiridos sobre el aprendizaje automático de Amazon y su experiencia que ha
ayudado a miles de clientes a llevar a cabo sus propias iniciativas.

Es hora de que las organizaciones superen los retos relacionados con el aprendizaje
automático para que puedan progresar con confianza. Sin importar dónde se
encuentren las organizaciones en su recorrido por el aprendizaje automático,
encontrarán la orientación necesaria para dar el siguiente paso hacia el éxito con el
aprendizaje automático.

1
https://www.pwc.com/us/en/services/consulting/library/artificial-intelligence-predictions.html
2
https://aws.amazon.com/blogs/machine-learning/accenture-drives-machine-learning-growth-in-
one-of-the-worlds-largest-private-aws-deepracer-leagues/
3
https://www2.deloitte.com/content/dam/insights/us/articles/4780_State-of-AI-in-the-enterprise/
DI_State-of-AI-in-the-enterprise-2nd-ed.pdf
2
¿POR QUÉ APRENDIZAJE AUTOMÁTICO?

¿Qué es la inteligencia artificial

y el aprendizaje automático?
Probablemente haya escuchado una serie de descripciones sobre la inteligencia
artificial (IA) y el aprendizaje automático, así que retrocedamos un poco y repasemos
sus definiciones exactas:

La inteligencia artificial (IA) es una forma de describir cualquier sistema que

pueda replicar tareas que antes requerían inteligencia humana.

Casi siempre, esto está relacionado con algún tipo de tarea compleja de toma de
decisiones en la que normalmente se requeriría el juicio humano. La mayoría de los
casos de uso de la IA buscan un resultado con probabilidades: hacer predicciones,
clasificaciones o tomar decisiones con un alto grado de certeza y de manera similar
al juicio humano.

Casi todos los sistemas de IA de la actualidad se crean mediante el aprendizaje

automático. El aprendizaje automático utiliza grandes cantidades de datos para
crear y validar la lógica de decisión. Esto se conoce como modelo. El sistema de
IA suministra datos de entrada a ese modelo, y luego el modelo elabora predicciones
o clasificaciones similares a las humanas. Esencialmente, el aprendizaje automático
es la tecnología subyacente que impulsa los sistemas inteligentes.

La IA se puede crear sin el aprendizaje automático, pero ahora mismo este es

el método principal para crear sistemas de IA. Del mismo modo, el aprendizaje
automático puede utilizarse para algo más que la IA, pero en la actualidad la mayor
parte del aprendizaje automático está relacionado con la IA.

3
¿POR QUÉ APRENDIZAJE AUTOMÁTICO?

¿Por qué aprendizaje automático?

Antes de profundizar en los pasos necesarios para utilizar el aprendizaje automático, exploremos por qué las empresas
deben emprender este recorrido en primer lugar. Al fin y al cabo, incluso con la guía de este libro electrónico, completar
los pasos que se describen aquí requerirá inversiones continuas y una dedicación inquebrantable. Las empresas tendrán
que recordarse regularmente qué es lo que buscan, concentrándose en los beneficios empresariales precisos que
pueden obtenerse si se aprovecha al máximo la tecnología del aprendizaje automático.

Las empresas ya perciben los siguientes impactos:

Optimización de la empresa con nuevas eficiencias

1 El aprendizaje automático se puede utilizar para crear una mayor eficiencia gracias a sofisticados
modelos de planificación y predicción de la demanda. Si bien esto se da en casi todos los sectores,
los minoristas y los fabricantes aportan algunas pruebas específicas. En el comercio minorista, la
predicción basada en la IA reduce las pérdidas de ventas por falta de disponibilidad de productos
hasta en un 65 % y aumenta las ganancias antes de intereses e impuestos (BAII) en un 13 %4. En
la fabricación, la empresa papelera Georgia-Pacific utiliza el aprendizaje automático para detectar
problemas con antelación y para mantener la calidad, lo que elimina el 40 % de las grietas en una
de sus líneas de conversión.

Decisiones más inteligentes y rápidas

2 Las empresas y su personal, que se basan en fuentes de datos y análisis con un crecimiento más
inteligente a través del aprendizaje automático, pueden tomar decisiones más rápidas y bien
fundadas que les permitan actuar sobre las oportunidades lo antes posible y obtener mejores
resultados. En el sector de la salud, las enfermeras que cuentan con herramientas de IA aumentan
su productividad hasta en un 50 %5. La empresa de tecnología para la salud Cerner utiliza el
aprendizaje automático para un modelo que predice la insuficiencia cardíaca congestiva hasta
15 meses antes de que se manifieste en pruebas clínicas, lo que mejora la atención al paciente y,
en última instancia, salva vidas.

4
¿POR QUÉ APRENDIZAJE AUTOMÁTICO?

3 Incorporación de nuevas capacidades

a los productos existentes
El aprendizaje automático puede enriquecer los productos existentes,
mejorando el compromiso de los clientes y atrayendo a nuevos usuarios
a través de experiencias más sólidas. Por ejemplo, Intuit agregó un potente
sistema de aprendizaje automático a su popular producto TurboTax para que
el sistema pueda comprender mejor las 80 000 páginas del código fiscal6.
4 Invención de nuevos productos netos
Con el aprendizaje automático, las empresas pueden aprovechar los
datos para desarrollar ideas revolucionarias y lanzar nuevos productos
(e incluso nuevas categorías) al mercado. Convoy revolucionó la
industria del transporte mediante la introducción de un modelo basado
en el aprendizaje automático para automatizar la logística. La solución
de Convoy proporciona una mejor adaptación para los cargadores y
camioneros, lo que les permite mover el cargamento de manera más
eficiente y reducir los costos para ambas partes.

Ahora que hemos explicado el “por qué” del aprendizaje automático, es el momento de profundizar en el “cómo”. En las siguientes secciones,
se mostrarán los pasos a seguir en el recorrido del aprendizaje automático, gracias a la propia experiencia de Amazon y la de los clientes de
AWS que ejemplifica los cambios necesarios para implementar, utilizar y escalar correctamente el aprendizaje automático.

4
https://www.mckinsey.com/~/media/McKinsey/Industries/Advanced%20Electronics/Our%20Insights/
How%20artificial%20intelligence%20can%20deliver%20real%20value%20to%20companies/MGI-
Artificial-Intelligence-Discussion-paper.ashx
5
https://www.mckinsey.com/~/media/McKinsey/Industries/Advanced%20Electronics/Our%20Insights/
How%20artificial%20intelligence%20can%20deliver%20real%20value%20to%20companies/MGI-
Artificial-Intelligence-Discussion-paper.ashx
6
https://www.wired.com/wiredinsider/2019/12/intuits-machine-learning-helps-save-money/

5
EL RECORRIDO POR EL APRENDIZAJE AUTOMÁTICO

El recorrido por el aprendizaje automático

El recorrido por el aprendizaje automático no siempre es sencillo. Para alcanzar el éxito con el aprendizaje
automático, no solo se necesita una gran tecnología, sino también asegurarse de que la organización está alineada
con los objetivos correctos. La identificación y el logro de esos objetivos requerirán grandes cambios en los
procesos, la administración y la cultura de la empresa. En las siguientes secciones, se explorará la forma en que las
organizaciones pueden superar los desafíos comunes que suelen impedir el progreso, y se tomarán las medidas
adecuadas para implementar el aprendizaje automático de manera eficiente y sostenible.

1 Defensa de una cultura de aprendizaje automático

Según Gartner, se proyecta que el valor empresarial Es importante que la administración adopte una
global derivado de la inteligencia artificial (IA) visión a gran escala y fomente las iniciativas de
alcanzará los 3900 billones USD en 20227. aprendizaje automático. Los ejecutivos deben
mantener la firmeza en sus objetivos, pero deben
“(El aprendizaje automático) potenciará y mejorará
ser flexibles en la forma en que la organización
cada empresa, cada organización gubernamental,
los alcanza. Seguro que se cometerán errores.
cada filantropía, básicamente no hay institución en
Sin embargo, si se mantienen enfocadas en la
el mundo que no pueda mejorar con el aprendizaje
perspectiva a largo plazo y no permiten el desánimo,
automático”, afirma Jeff Bezos, fundador y director
las organizaciones pueden sacar provecho de cada
ejecutivo de Amazon.
error y aplicar esos aprendizajes para defender
Para liberar todo el potencial empresarial del una cultura de aprendizaje automático en toda
aprendizaje automático se necesitarán cambios la empresa.
culturales en la organización, los objetivos y la
Tal vez el mayor cambio cultural que deben
perspectiva del equipo.
experimentar las organizaciones sea la tolerancia
Si se desea que el aprendizaje automático se a errores.
propague por toda la organización, tanto los equipos
El aprendizaje automático es un proceso iterativo,
empresariales como los técnicos deben trabajar
que solo puede tener éxito a través de la
juntos y compartir las mismas prioridades. Para
experimentación constante. La mayoría de las veces,
lograr esto, el esfuerzo del aprendizaje automático
estos experimentos resultarán en fracasos. Solo si
debe contar desde el principio con el apoyo de los
se toleran estos fracasos, y si se rehúsan a detener
niveles más altos, con objetivos establecidos por los
el progreso para determinar “qué fue lo que salió
líderes ejecutivos y una inversión en la tecnología
mal”, las organizaciones pueden alcanzar de forma
y en los procesos que permitan alcanzar el éxito.
consistente el éxito que las espera al otro lado.

7
https://www.gartner.com/en/newsroom/press-releases/2018-04-25-gartner-says-global-artificial-intelligence-business-value-to-reach-1-point-2-trillion-in-2018
6
EL RECORRIDO POR EL APRENDIZAJE AUTOMÁTICO
Cómo lo logró Amazon
A mazon ha utilizado el aprendizaje automático en la empresa durante más de
20 años. Pero hace 10 años, para una mayor adopción del aprendizaje automático
en toda la empresa, el equipo de liderazgo de Amazon pidió a todos los líderes
empresariales de la organización, independientemente de si dirigían un equipo de
investigación, un centro de distribución o una organización de recursos humanos,
que respondieran a la pregunta sobre cómo planeaban aprovechar el aprendizaje
automático en su ámbito de trabajo.
En la mayoría de los casos, la respuesta “no tenemos pensado hacer esto” no era
aceptable. Esto obligó a los líderes, a los expertos en la materia y a los expertos
técnicos a colaborar en iniciativas de aprendizaje automático y a no permitir que nada
detuviera su progreso, incluso en los casos en que los beneficios tangibles aún estaban
a años de distancia.
Además de contratar a científicos de datos fuera de la empresa, Amazon
también creó la Universidad de aprendizaje automático, que capacitó a todos sus
desarrolladores para que lo utilizaran de manera más efectiva. La empresa creó
herramientas como Amazon SageMaker, que simplifica el proceso de creación de
modelos y reduce la barrera de entrada, de modo que el aprendizaje automático puede
escalar con mayor eficacia.
Hoy, 10 años después, no hay un solo departamento en Amazon que no haya
sido influenciado por el aprendizaje automático. La tecnología de personalización
de Amazon que proporciona recomendaciones a los clientes ha mejorado
significativamente desde su primer modelo hace 20 años y se ha implementado
en otras áreas del negocio.
La empresa utiliza el aprendizaje automático a lo largo de su proceso de distribución
y aprovecha un sistema de predicción que puede predecir la demanda de casi todos los
productos de su enorme inventario. Con estos modelos de predicción, Amazon puede
cumplir mejor con las expectativas de los clientes en cuanto a comodidad, costos
y velocidad de entrega.
“Prevemos millones de productos cada día en todos nuestros sitios de Amazon
a nivel mundial”, dice Jenny Freshwater, directora de predicciones de Amazon.
“Sin el aprendizaje automático, no podríamos elaborar esas predicciones”.
Amazon también desarrolló tecnología para ofrecer a los consumidores una forma
totalmente nueva de interactuar con la tecnología a través de Alexa. La empresa
desarrolló una tecnología innovadora con un sistema de vuelo autónomo a través
de drones de Prime Air y utiliza la robótica en sus centros de distribución para llevar
los paquetes a los consumidores con mayor rapidez.
Para alcanzar estos logros, fue necesario realizar grandes inversiones en tecnología,
investigación y aptitudes. Sin embargo, esas inversiones se habrían desperdiciado sin
el cambio cultural que los ayudó a superar muchos fracasos y desafíos inesperados.
Cada organización debe fomentar esta misma cultura de experimentación e
innovación tolerante a errores antes de que comience el verdadero recorrido por
el aprendizaje automático.
7
EL RECORRIDO POR EL APRENDIZAJE AUTOMÁTICO
2 Reflexión sobre la estrategia de datos
El éxito del aprendizaje automático depende en gran
medida de la calidad de los datos. Sin una estrategia
de datos adecuada, el progreso será más lento y
obstaculizará la eficacia del modelo final. Peor aún,
si el modelo recibe información de datos erróneos,
los resultados que genera pueden ser engañosos,
o incluso totalmente incorrectos.
“(Los modelos de aprendizaje automático) son muy
sensibles a la calidad de los datos”, explica Freshwater.
“Así que aprendimos, en muchos casos por las
malas, que el tiempo invertido en obtener datos de
alta calidad en el comienzo producía dividendos en
nuestros modelos al finalizar”.
La estrategia de datos adecuada para el aprendizaje
automático debe tener como objetivo desglosar los
silos, para que los equipos de TI puedan acceder a los
datos y recopilarlos de forma fácil, rápida y segura.
Si bien las estrategias de datos modernas adoptan
muchas formas, los lagos de datos se están
convirtiendo en un componente central cada vez
más popular de los modelos más eficientes. Los
lagos de datos ofrecen más agilidad y flexibilidad
que los sistemas tradicionales de administración
de datos, lo que permite a las empresas administrar
múltiples tipos de datos de una amplia variedad de
fuentes y almacenar los datos, ya sean estructurados
o no estructurados, en un repositorio centralizado.
Una vez almacenados, los datos se pueden analizar
mediante muchos tipos de servicios de análisis
y aprendizaje automático, de forma más rápida
y eficiente que con los enfoques tradicionales en silos.
Las arquitecturas de lagos de datos también permiten
que múltiples grupos dentro de la organización
se beneficien del análisis de un conjunto de datos
coherente que abarca toda la empresa.
Para obtener ayuda en el desarrollo de una estrategia
de datos más holística que incluya lagos de datos,
interactúe con AWS Data Flywheel.
8
EL RECORRIDO POR EL APRENDIZAJE AUTOMÁTICO

Cómo lo logró Zillow

P ara resolver los problemas de escalabilidad, rendimiento y recuperación de

desastres, la empresa inmobiliaria Zillow creó un lago de datos con Amazon S3.
La empresa almacena ahora petabytes de datos, incluidos 300 millones de imágenes,
en una infraestructura flexible de la nube de AWS, lo que simplifica en gran medida
la administración de los datos. Los problemas de capacidad, ancho de banda y
disponibilidad son cosa del pasado para Zillow, ya que su arquitectura de lago de datos
proporciona escalabilidad y rendimiento más que suficientes para satisfacer la demanda.

En la actualidad, Zillow lleva a cabo una serie de iniciativas de aprendizaje automático,

entre las que se incluyen las ofertas de Zillow, que ofrecen una experiencia de venta
de viviendas cómoda y personalizada para los propietarios que desean una venta
segura y predecible en sus plazos de entrega8.

Lea la historia completa »

8
https://www.zillow.com/tech/improving-scheduling-efficiency 9
EL RECORRIDO POR EL APRENDIZAJE AUTOMÁTICO

3 Localización del problema

empresarial adecuado a tratar

Un error que suelen cometer las organizaciones en su recorrido por el aprendizaje

automático es emplear a científicos de datos independientes que trabajan en silos
para crear modelos de aprendizaje automático como prueba de conceptos, en lugar
de resolver problemas empresariales reales. Como no tienen que resolver ningún
problema empresarial específico, a los ejecutivos de TI les resultará cada vez más
difícil demostrar el valor de los proyectos de aprendizaje automático a sus homólogos
ejecutivos. Esto puede retrasar o incluso detener el progreso de las iniciativas
de aprendizaje automático.

A continuación, se presentan algunas preguntas

importantes que las organizaciones deben hacer antes
de comenzar a utilizar el aprendizaje automático:

1 ¿El proyecto es lo suficientemente importante como para llamar

la atención y lograr la adopción?

2 ¿Soluciona un problema empresarial real?

3 ¿Existen lugares en los que la organización ya tiene muchos datos

sin utilizar?

4 ¿El proyecto necesita el aprendizaje automático?

5 ¿Puede hacerlo una sola empresa?

6 ¿Se puede poner en marcha en algún momento?

10
EL RECORRIDO POR EL APRENDIZAJE AUTOMÁTICO
“Un primer paso es identificar un problema que contenga muchos datos, pero que
no se haya podido resolver con los métodos tradicionales”, explica Freshwater.
Para lograr que el aprendizaje automático sea un éxito, las organizaciones crean
equipos de aprendizaje automático destinados a abordar problemas empresariales
específicos. Para ello, es necesario incluir en estos equipos tanto a expertos técnicos
como a expertos en la materia. Si bien los expertos técnicos serán los más afectados
por la creación de modelos, necesitan los conocimientos de campo de los expertos en
la materia para definir con precisión los desafíos empresariales e identificar los datos
más importantes para encontrar una solución.
Este enfoque también es fundamental para la administración del cambio: cuando los
expertos técnicos y los expertos en la materia colaboran en la creación de modelos
de aprendizaje automático, los empleados se sienten más seguros a la hora de tomar
decisiones basadas en la lógica del algoritmo.
Juntos, estos equipos también deben trabajar en la manera de medir el éxito.
“Asegúrese de tener medidas muy precisas y claras a medida que se adentra en
el aprendizaje automático”, dice Freshwater. “Muchas veces, los modelos toman el
control de algo que ya existe y uno quiere asegurarse de que son realmente mejores
y de que eso se puede medir”.
Para obtener más información acerca de cómo medir el éxito de las iniciativas
de aprendizaje automático, consulte el Paso 6 en este libro electrónico.
Algunas organizaciones cuentan con las aptitudes necesarias para identificar los
problemas que el aprendizaje automático podría tratar óptimamente y para implementar
los programas piloto apropiados. Las organizaciones que necesitan ayuda en esta área
deben contactar a expertos y colaborar con ellos para “trabajar en retrospectiva” a partir
de desafíos empresariales. Luego, deben avanzar gradualmente en el proceso de creación
de proyectos de aprendizaje automático para resolver esos desafíos.
11
EL RECORRIDO POR EL APRENDIZAJE AUTOMÁTICO

Cómo lo logró la NFL

D urante décadas, la NFL ha trabajado para proporcionar información profunda

acerca de sus jugadores y equipos. Sin embargo, la sed de los fanáticos por
datos
losy las estadísticas es insaciable. Los aficionados exigen información que se
encuentra más allá de los límites de la capacidad humana.

Para tratar esta necesidad, la NFL ha trabajado junto con AWS para darle vida a la
herramienta NFL Next Gen Stats (NGS) basada en el aprendizaje automático. Como
la ciencia y el fútbol son disciplinas completamente diferentes, la NFL convocó
sabiamente a los expertos técnicos y a los expertos en el área a la creación de NGS.
Se aseguró de que ambos grupos pudieran trabajar en conjunto para identificar los
datos correctos y desarrollar estadísticas convincentes para los fanáticos del fútbol9.

Con la ayuda de las etiquetas de identificación de radiofrecuencia para realizar un

seguimiento de los movimientos de los jugadores, NGS utiliza actualmente modelos de
aprendizaje automático para calcular más de 20 estadísticas diferentes. Un ejemplo de
esto es la métrica de probabilidad de compleción, la cual integra a más de 10 medidas
en juego para calcular la probabilidad de que se atrape un pase (todo mientras la pelota
está en el aire).

Observaciones como la probabilidad de compleción no existirían si no fuese por la

asociación entre expertos técnicos, quienes pueden construir y entrenar los modelos
que analizan los datos necesarios, y expertos en el área, que saben qué datos deben
medir para crear las estadísticas más interesantes.

Esta asociación también ayuda a lograr la aceptación de NGS, ya que es más probable
que los comentaristas mencionen estadísticas avanzadas que los expertos en fútbol
(y, en algunos casos, las mismas emisoras) crearon.

Lea la historia completa »

9
https://aws.amazon.com/nextgenstats/

12
EL RECORRIDO POR EL APRENDIZAJE AUTOMÁTICO

4 Mejora de las habilidades profesionales

de sus equipos
Mientras se crea una estrategia de datos, las organizaciones deben enfocarse
en armar a sus equipos de ingenieros con las habilidades adecuadas.

Las organizaciones son cada vez más conscientes de la falta de habilidades en

la tecnología de la información, la creciente brecha entre las tecnologías y la
habilidad de los especialistas para aprovecharlas. Eliminar esta falta de habilidad
en el aprendizaje automático implicará la combinación de formación técnica y
contrataciones. La realidad es que actualmente no hay suficientes científicos de
datos para conducir la transformación del aprendizaje automático que se aproxima.
Esto implica que las organizaciones que quieran aprovechar el aprendizaje
automático primero deben invertir en el desarrollo de sus aptitudes.

Aunque no se ha encontrado una solución universal para la falta de habilidad

en el aprendizaje automático, existen 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. Estos métodos incluyen lo siguiente:

Definir la falta de habilidades: antes de eliminar la falta de habilidades, una

organización debe identificar las diferencias precisas entre lo que necesita o desea
que hagan sus empleados y las habilidades que tienen actualmente.

Entender cómo se identifican las habilidades: como las iniciativas

de aprendizaje automático representan esfuerzos interdisciplinarios, una
organización debe identificar las habilidades que necesitan los científicos de datos,
los especialistas de aprendizaje automático, los desarrolladores de aplicaciones,
los estadistas y los expertos en otras áreas de la empresa.

Personalizar la formación técnica de acuerdo a las necesidades específicas:

si una organización ya cuenta con programas de capacitación que pueden ser
útiles, debería adaptar ese material de acuerdo a las necesidades específicas del
aprendizaje automático de la empresa. Los líderes también deben investigar los
servicios de inteligencia artificial ya entrenados que proporcionan inteligencia
preparada para las aplicaciones empresariales y los flujos de trabajo.

13
EL RECORRIDO POR EL APRENDIZAJE AUTOMÁTICO

Además de la formación técnica, deberá alinear los equipos para abordar

correctamente los problemas relacionados con el aprendizaje automático.
Esto incluye lo siguiente:

Fomentar una cultura de equipos empoderados: los equipos de proyecto de

aprendizaje automático deben ser multifuncionales a fin de tener la autoridad
necesaria para cumplir objetivos individuales, además de tener la libertad para
intercambiar conocimientos con otros equipos de acuerdo a las demandas y a
las oportunidades que se presenten. Para que este tipo de trabajo en equipo sea
posible, la administración debe incorporar nuevas estructuras y dejar de lado
aquellos modelos organizacionales jerárquicos y departamentales.

Comenzar con un equipo piloto: debe seleccionar un equipo piloto de ingenieros

y asignarles un proyecto de aprendizaje automático. “Recomendaría que dos
personas muy inteligentes se encarguen de descubrir qué métricas desea optimizar
o predecir… solo empiece de a poco”, expresa Freshwater.

Permitir la transformación orgánica: cuando el proyecto piloto esté completo,

la empresa podrá dividir el equipo e incorporar nuevos ingenieros para crear otros
equipos y, a su vez, asignarles nuevos proyectos. Este proceso continúa, lo que
permite que el conocimiento se difunda orgánicamente desde los miembros más
antiguos del equipo hasta los que han sido incorporados recientemente y puedan
intercambiar conocimientos entre ellos.

Gracias a esta guía, muchas organizaciones han descubierto que las personas que
componen sus equipos en realidad son las personas que necesitan para eliminar
la falta de habilidades en el aprendizaje automático. Aunque 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 un aprendizaje automático exitoso.

14
EL RECORRIDO POR EL APRENDIZAJE AUTOMÁTICO

Cómo lo logró Morningstar

M orningstar, la empresa de investigación en materia de inversiones, utiliza

el aprendizaje automático para automatizar los procesos de recopilación
de datos y aumentar la cantidad de fondos que cubre. La empresa logra esto
“Nuestro desafío de DeepRacer aprovecha el entusiasmo
de nuestros empleados por el aprendizaje automático
a través de las predicciones del modelo de aprendizaje automático entrenado y la inteligencia artificial. Proporciona formación práctica
para imitar el proceso de evaluación de fondos de los analistas. en la empresa y acelera la aplicación práctica de Morningstar
del aprendizaje automático en nuestros productos, servicios
A fin de capacitar a sus empleados y acelerar la aplicación del aprendizaje
automático, Morningstar utiliza AWS DeepRacer, una herramienta que facilita y procesos de inversión. La respuesta por parte de nuestros
la formación práctica en aprendizaje automático a través de un coche de equipos superó mis expectativas y considero que fue
carreras autónomo a escala 1/18 basado en el aprendizaje de refuerzo, un una manera entretenida de unir nuestros equipos, tanto
simulador de automovilismo 3D y una liga de automovilismo a nivel mundial.
Más de 445 empleados de Morningstar que se encargan de distintas funciones
en la tecnología como en otras funciones".
y provienen de ocho países, incluido el 35 % del personal que se dedica a la
James Rhodes, director de tecnología de Morningstar
tecnología, han participado en la DeepRacer League10.

Morningstar tiene en mente varios proyectos de aprendizaje automático para

el 2020. Algunos de ellos incluyen implementar un programa de aprendizaje
de refuerzo que se encargue de buscar patrones en documentos regulatorios
y un algoritmo que identifique y repare los enlaces dañados a los sitios web
de instituciones financieras.

10
https://newsroom.morningstar.com/newsroom/news-archive/press-release-details/2019/Morningstar-Launches-
Global-AWS-DeepRacer-Corporate-Competition-to-Accelerate-Application-of-Machine-Learning/default.aspx

15
EL RECORRIDO POR EL APRENDIZAJE AUTOMÁTICO
5 El escalado más allá
de los proyectos pilotos
Luego de los primeros proyectos pilotos exitosos,
las organizaciones deben avanzar al siguiente
paso de este recorrido: el escalado del aprendizaje
automático en la empresa de manera sostenible.
Este es un desafío tanto técnico como cultural.
Para lograr el escalado, las organizaciones deben
facilitar el uso del aprendizaje automático a los
desarrolladores. La construcción de modelos de
aprendizaje automático a escala puede ser una tarea
intensa y compleja, capaz de ralentizar la innovación.
Muchas organizaciones realizan el escalado con
Amazon SageMaker, una solución integral que
cubre la totalidad del flujo de trabajo de aprendizaje
automático para construir, entrenar e implementar
los modelos de aprendizaje automático. Gracias
a Amazon SageMaker, las organizaciones pueden
llevar sus modelos a la fase de producción con mayor
rapidez y menor costo. De esta forma, permite la
expansión sostenible de las iniciativas de aprendizaje
automático más allá de los proyectos piloto.
Existen muchas formas en que las empresas abordan
el cambio cultural necesario para escalar el aprendizaje
automático. Es posible que algunas tengan éxito
al crear un centro de excelencia que consolide a
la comunidad y continúe la búsqueda de nuevas
iniciativas. También, como es el caso de Amazon,
las organizaciones pueden hacer que el aprendizaje
automático sea una parte integral de los procesos de
planificación anual, reuniendo continuamente a los
expertos técnicos y los expertos en la materia para
intercambiar ideas y determinar los próximos pasos
de la compañía.
16
EL RECORRIDO POR EL APRENDIZAJE AUTOMÁTICO

Cómo lo logró Intuit

G racias a Amazon SageMaker, Intuit logró reducir el tiempo de implementación

del aprendizaje automático en un 90 por ciento : de seis meses a una semana.
Mediante la centralización de las iniciativas de aprendizaje automático por parte
de Intuit, se fomenta la innovación y se implementan técnicas de inteligencia artificial
y de aprendizaje automático a gran velocidad y escala, por lo que adquiere valor
empresarial más allá de sus productos y servicios.

“AWS le brinda a las personas que trabajan en Intuit una plataforma común para “AWS le brinda a las personas que
compartir información y colaborar en un entorno seguro”, afirma Ashok Srivastava,
vicepresidente sénior y director de datos de Intuit. “Por ejemplo, Amazon SageMaker
trabajan en Intuit una plataforma común
nos brinda la plataforma y la infraestructura necesarias para poner en marcha para compartir información y colaborar
tecnologías sofisticadas de inteligencia artificial y de aprendizaje automático”.
en un entorno seguro”
Lea la historia completa » Ashok Srivastava, vicepresidente sénior y
director de tecnología de Intuit

17
EL RECORRIDO POR EL APRENDIZAJE AUTOMÁTICO
6 Evaluación de los resultados
Cuando se busca evaluar los resultados del trabajo
con aprendizaje automático, el enfoque tradicional de
“rentabilidad del proyecto” (en el que un proyecto debe
tener un comienzo y un final definidos, un presupuesto
y un retorno económico) es reduccionista y puede ser
perjudicial para el éxito de las iniciativas del negocio.
Si el proyecto no genera un rendimiento positivo en
el tiempo dado, la empresa puede perder interés en
él y perderse oportunidades cruciales en el proceso.
Para que esto no suceda, los ejecutivos y el personal
de tecnología de la información deben evaluar los
resultados del trabajo con aprendizaje automático
en función de lo que significa el éxito para su empresa,
en relación con la optimización de los procesos.
Además, deben entender los esfuerzos que se dedican
al aprendizaje automático como inversiones a largo
plazo, teniendo en mente que pueden pasar muchos
años y llevarse a cabo infinitas iteraciones antes de
obtener un verdadero “rendimiento”.
Cuando se planifican iniciativas de aprendizaje
automático, es mejor hacerlo desde un enfoque
que priorice la agilidad, 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,
nos atrasaremos frente a nuestros competidores en
X años cuando avance la tecnología?”
Si bien las métricas tradicionales de ROI pueden
no ser el mejor enfoque para medir el impacto que
tienen las iniciativas de aprendizaje automático sobre
las empresas, sí es posible medirlo. Solo se trata de
cambiar de enfoque.
Para medir los resultados del aprendizaje
automático, podemos usar algo similar a un “árbol
de valores”, en el que el tronco principal represente
el “rendimiento de los ingresos” tradicional y las
ramas que se desprenden de él representen el valor
de otros resultados del negocio.
Las ramas específicas de este árbol de valores
dependerán de la organización, la industria y la
iniciativa, pero podrían ser cosas como “ahorro
de tiempo mediante procesos automatizados”,
“nuevos mercados, datos útiles y oportunidades
identificadas”, “mejoras en el servicio al cliente”
e “incremento en ventas a mayor precio”.
Evaluar el éxito del aprendizaje automático a través
de un modelo más holístico y a largo plazo le
permitirá a sus equipos de trabajo concentrarse en
los mejores resultados para el futuro de la compañía.
18
DAR EL PRÓXIMO PASO

Dé el próximo paso con AWS

Sin importar en qué etapa del recorrido por el aprendizaje automático esté una
organización, AWS puede proveerle productos, soluciones y servicios que lo ayuden a
dar el próximo paso. AWS cuenta con la más amplia variedad de servicios de inteligencia
artificial y aprendizaje automático en el mundo y ha ayudado a más de diez mil clientes
a implementar el aprendizaje automático con éxito en sus empresas.

AWS dedica todos sus esfuerzos a poner el aprendizaje automático al alcance de

cualquier desarrollador y trabaja sin descanso para superar los desafíos más arduos que
se interponen en su camino hacia esa meta. Las funciones de AWS se desarrollan en la
plataforma en la nube más completa, están optimizadas para trabajar con aprendizaje
automático con informática de alto rendimiento y no carecen de características de
seguridad y análisis.

Investiguemos las opciones de aprendizaje automático que ofrece AWS en la actualidad

y veamos cómo pueden ayudar a las organizaciones a avanzar en su recorrido por el
aprendizaje automático.

Amazon SageMaker: Amazon SageMaker permite a los desarrolladores y científicos

de datos crear, entrenar e implementar modelos de aprendizaje automático de
forma rápida y sencilla, lo que hace más fácil la escalabilidad en toda la empresa.
Amazon SageMaker elimina la complejidad que obstaculiza la implementación exitosa
del aprendizaje automático en distintos casos de uso e industrias, desde la ejecución
de modelos para la detección de fraude en tiempo real, hasta el análisis del impacto
biológico de potenciales medicamentos de manera virtual o la predicción de intentos
de robo de base exitosos en el béisbol.

19
DAR EL PRÓXIMO PASO

El aprendizaje automático con AWS en cifras AWS AI Services: no necesita contar con experiencia previa en aprendizaje automático
para aprovechar los beneficios de estos servicios de AWS basados en inteligencia artificial:

Soluciones de aprendizaje automático de AWS: Personalización Análisis avanzado de texto Voz

Predicción Agentes de conversación Transcripción
Reducen el tiempo de entrenamiento en un 50 %11. Análisis de imagen y video Traducción Análisis de documentos
Proporcionan un 90 % de eficiencia en el escalado . 12

Ofrecen un rendimiento 3 veces más rápido13. Marcos de aprendizaje automático: los clientes de AWS pueden elegir entre
TensorFlow, PyTorch, Apache MXNet y otros marcos populares para personalizar los
Mejoran el precio y el rendimiento en un 25 %14 . algoritmos de aprendizaje automático y llevar a cabo experimentos con ellos. Pueden
utilizar el marco de su elección como una experiencia administrada en Amazon
El 81 % de los proyectos de aprendizaje profundo SageMaker o utilizar las AMI de AWS Deep Learning (Imágenes de Amazon Machine)
totalmente configuradas con las últimas versiones de los marcos de aprendizaje
en la nube se ejecuta en AWS.
profundo más populares y herramientas.
El 85 % de los proyectos de TensorFlow en la nube
Informática: Los clientes de AWS se benefician de un amplio abanico de opciones
se ejecuta en AWS.
informáticas potentes, desde las GPU para aprendizaje profundo con uso intensivo
de recursos informáticos hasta las FPGA para aceleración especializada de hardware
e instancias con gran capacidad de memoria para ejecutar inferencias. Amazon EC2
proporciona una gran selección de tipos de instancia optimizados para trabajar con
casos de uso de aprendizaje automático, sin importar si el cliente está entrenando
un modelo o ejecutando inferencias en modelos entrenados.

Herramientas de aprendizaje: AWS también ofrece una serie de herramientas

y servicios de aprendizaje para ayudar a las organizaciones a mejorar sus prestaciones
de aprendizaje automático, como las siguientes:

11
Según mediciones obtenidas en la prueba de punto de referencia de ResNet-50, TensorFlow optimizado
AWS DeepRacer Formación técnica y certificaciones de aprendizaje automático
para AWS registró el tiempo de entrenamiento más rápido, superando al resto en un 50 %.
AWS DeepLens Amazon Machine Learning Solutions Lab
12
El uso de TensorFlow optimizado para AWS permite una eficiencia de escalado casi lineal de hasta un
90 % en comparación con el 65 % que se obtiene utilizando TensorFlow común.
13
en comparación con otros proveedores que utilizan instancias P3dn
14
utilizando instancias C5 con un procesador Intel Xeon de 3,0 GHz, en comparación con instancias de
generaciones anteriores

20
CONCLUSIÓN

Solución a los desafíos Desafío Solución

más grandes del
aprendizaje automático Desaliento a causa de errores Desarrollar una cultura de tolerancia a errores

La mayoría de las organizaciones han hecho
inversiones en aprendizaje automático y se
encuentran en alguna etapa del recorrido. Pero
muchas se encuentran con obstáculos en su camino
y se vuelcan a soluciones provisorias, preocupadas
por que los costos y el nivel de complejidad sean
demasiado altos en el futuro.
Datos en silos, sin procesar
Localización de los problemas
empresariales adecuados
Crear una estrategia moderna de datos que
incluya lagos de datos
Formar equipos de trabajo mixtos que incluyan
tanto a expertos técnicos como a expertos
en la materia.

En este libro electrónico, hemos hecho un recorrido
por los pasos necesarios para avanzar y descubrir
todo el potencial del aprendizaje automático. A modo
de conclusión, echemos un vistazo a los desafíos
más grandes que identificamos en el camino, junto
con una breve descripción de la manera en que las
organizaciones pueden superarlos.
La falta de habilidades Adoptar nuevos modelos de organización,
en aprendizaje automático procesos y filosofías de gestión de equipos
Escalado sostenible más allá de los Aprovechar herramientas integrales, como
proyectos piloto Amazon SageMaker, para simplificar el desarrollo
del aprendizaje automático

Evaluación de los resultados Renunciar a las métricas tradicionales de ROI

para conseguir agilidad, ventaja competitiva y
tolerancia a riesgos; utilizar el modelo de árbol
de valores

Para obtener más información acerca de la manera en que las organizaciones pueden
superar obstáculos y acelerar su recorrido por el aprendizaje automático, visite el
centro de recursos de aprendizaje automático de AWS.

Comience »

21