Original

Tener éxito
con la IA
Cómo hacer que la IA
funcione en tu negocio
Extractos esenciales
Veljko Krunic
Tener éxito con la IA
Tener éxito con la IA
CÓMO HACER QUE LA IA FUNCIONE EN TU NEGOCIO
Extractos esenciales
VELJKO KRUNIC
MANNING
SHELTER ISLAND
Para obtener información online y realizar pedidos de este y otros libros de Manning, visita
www.manning.com. En los pedidos de grandes cantidades de este libro, el editor ofrece descuentos.
Para obtener más información, ponte en contacto con
Special Sales Department
Manning Publications Co.
20 Baldwin Road
PO Box 761
Shelter Island, NY 11964
Correo electrónico: orders@manning.com
© 2020 por Manning Publications Co. Todos los derechos reservados.
Ninguna parte de esta publicación puede reproducirse, almacenarse en un sistema de recuperación

ni transmitirse en forma alguna o por cualquier medio electrónico, mecánico, fotocopia u otros, sin
la autorización previa por escrito del editor.
Muchas de las denominaciones utilizadas por fabricantes y vendedores para distinguir sus productos del resto
se reivindican como marcas registradas. Si tales designaciones aparecen en el libro y Manning Publications
estaba al tanto de dicha reclamación de marca comercial, las designaciones se han impreso con mayúscula
inicial o en mayúsculas.
Dado que somos conscientes de la importancia de preservar lo que se ha escrito, es política de Manning
imprimir los libros que publicamos en papel sin ácido y nos esforzamos todo lo posible en este sentido.
Reconociendo también nuestra responsabilidad de conservar los recursos de nuestro planeta, los libros de
Manning se imprimen en papel que es, al menos, un 15 % reciclado y procesado sin utilizar cloro elemental.
Manning Publications Co. Editor de adquisiciones: Mike Stephens

20 Baldwin Road Editor de desarrollo: Marina Michaels
PO Box 761 y Jennifer Stout
Shelter Island, NY 11964 Editor de desarrollo técnico: Al Krinker
Editor de revisión: Ivan Martinović
Editor de producción: Anthony Calcara
Redactor: Carl Quesnel
Editor de ESL: Frances Buran
Corrector: Keri Hales
Maquetadora y diseñadora de portada: Marija Tudor
Ni Manning ni el autor ofrecen garantía alguna sobre la integridad, la exactitud, la actualidad

o la idoneidad para el uso, ni sobre los resultados obtenidos del uso del contenido de este libro
y no aceptan responsabilidad alguna por cualquier decisión o acción que se tome basándose en
la información de este libro ni por cualquier daño derivado de esta obra o de su aplicación.
ISBN 9781633437524
Impreso en los Estados Unidos de América
resumen de contenido
2 ■ Cómo utilizar la IA en tu empresa 1
3 ■ Elección de tu primer proyecto de IA 28
6 ■ Análisis de una canalización de ML 57
7 ■ Guiar un proyecto de IA hacia el éxito 87
Puedes encontrar el libro completo en este enlace.
v
índice
acerca del autor x
2 Cómo utilizar la IA en tu empresa

2.1 ¿Qué debes saber sobre la IA? 2
1
2.2 ¿Cómo se usa la IA? 4

2.3 ¿Qué novedades aporta la IA? 6
2.4 Obtener ingresos con la IA 8
IA aplicada al diagnóstico médico 9 Principios generales para
■
la monetización de la IA 11
2.5 Búsqueda de acciones de dominio 13
IA como parte del sistema de apoyo a la toma de decisiones 14
IA como parte de un producto más grande 15
Uso de la IA para automatizar parte del proceso de negocio 17
IA como producto 18
2.6 Información general de funcionalidades de la IA 20
2.7 Presentación de los unicornios 22
Unicornios de ciencia de datos 22 ¿Y los ingenieros de datos? 23
■
¿Dónde están los unicornios? 24

2.8 Ejercicios 25
Preguntas de respuesta corta 26 ■
Preguntas basadas en escenarios 26
vii
viii ÍNDICE
3 Elección de tu primer proyecto de IA

3.1 Elección de los proyectos adecuados para un equipo
28
de IA joven 29
Cómo es el éxito 29 ■
Cómo es el fracaso 32
3.2 Priorización de los proyectos de IA 34
Reacción: búsqueda de preguntas empresariales para que las
responda la IA 35 Detección/análisis: métodos y datos de IA 38
Medición del éxito de los proyectos de IA con métricas
empresariales 40 Estimación de la dificultad de los proyectos
■
de IA 43
3.3 Tu primer proyecto y tu primera pregunta de
investigación 44
Definición de la pregunta de investigación 45 ■
Si fracasas,
hazlo rápidamente 49
3.4 Errores que se deben evitar 49
No establecer una relación con el equipo empresarial 50
Usar trasplantes 50 Intentar llegar a la luna sin cohetes 51
■
Es cuestión de usar herramientas avanzadas para poder observar

el mar de datos 52 Confiar en tu intuición en vez de CLUE 53
■
3.5 Ejercicios 55
6 Análisis de una canalización de ML 57

6.1 Por qué debería importarte analizar tu canalización
de ML 58
6.2 Economía de recursos: la E de CLUE 60
6.3 Análisis MinMax: ¿dispones de la canalización de ML
adecuada? 62
6.4 Cómo interpretar los resultados del análisis MinMax 64
Escenario: la canalización de ML de un parquímetro inteligente 64
¿Y si tu canalización de ML necesita mejoras? 68 Reglas para ■
interpretar los resultados del análisis MinMax 69

6.5 Cómo llevar a cabo un análisis de la canalización de ML 69
Realizar la parte «Min» del análisis MinMax 71 Realizar la ■
parte «Max» del análisis MinMax 71 Estimaciones y factores

■
de seguridad en el análisis MinMax 74 Categorías de curvas de

■
beneficios 76
Tratamiento de curvas de beneficios complejas 79
ÍNDICE ix
6.6 Preguntas frecuentes sobre el análisis MinMax 81

¿El primer análisis de la canalización de ML debe ser
MinMax? 82
¿Qué análisis deberías realizar en primer lugar?
¿«Min» o «Max»? 82 ¿Debería saltarse
■
el análisis MinMax una empresa o un equipo

pequeño? 83 ¿Por qué usas el término «análisis
■
MinMax»? 83
6.7 Ejercicios 84
7 Guiar un proyecto de IA hacia el éxito 87

7.1 Mejora de la canalización de ML con el análisis de
sensibilidad 88
Realización de un análisis de sensibilidad local 89
Análisis de sensibilidad global 92 ■
Ejemplo de uso de los
resultados del análisis de sensibilidad 93
7.2 Hemos terminado CLUE 94
7.3 Métodos avanzados de análisis de sensibilidad 97
¿El análisis de sensibilidad local es apropiado para tu
canalización de ML? 98 Cómo abordar las interacciones
■
entre las etapas de la canalización de ML 101 ¿Debo

■
usar el diseño de experimentos? 102 Una objeción

■
común con la que te puedes encontrar 103 Cómo ■
analizar la etapa que produce los datos 106 ¿Qué tipos

■
de análisis de sensibilidad se aplican a mi proyecto? 106

7.4 Cómo evoluciona tu proyecto de IA a lo largo
del tiempo 108
El tiempo afecta a tus resultados empresariales 108 Mejora
■
de la canalización de ML a lo largo del tiempo 109 Diagramas

■
temporales: cómo cambia el valor empresarial a lo largo del

tiempo 110
7.5 Conclusión del proyecto de IA 112
7.6 Ejercicios 114

Obtén resultados óptimos
y mejora las experiencias
de los clientes con Azure
AI desde hoy mismo.
Azure AI ofrece soluciones de IA para
empresas que se han diseñado para
proporcionar rendimiento y seguridad.
Implementa inteligencia artificial en el cloud,
en un entorno híbrido o en contenedores
con opciones de precios flexibles. Personaliza
o desarrolla modelos de machine learning
y prueba productos en estudios de
demostración. Con Azure AI puedes crear
experiencias escalables y accesibles.
Empieza a planificar tu estrategia con Azure AI

acerca del autor
VELJKO KRUNIC es un consultor e instructor independiente
especializado en ciencia de datos, en big data y en ayudar a sus clientes
a obtener resultados empresariales procesables a partir de la IA.
Tiene un doctorado en informática por la Universidad de Colorado
en Boulder y un máster en administración de ingeniería por la
misma institución. Su licenciatura en ingeniería se se especializó
en estadística aplicada, planificación estratégica y uso de métodos
estadísticos avanzados en la mejora de la eficiencia organizativa. También cuenta con la
certificación Six Sigma Master Black Belt.
Veljko ha sido consultor y también ha impartido cursos para cinco de las empresas
de la lista Fortune 10 (según la lista de septiembre de 2019), en muchas de las empresas
de la lista Fortune 500 y en varias empresas más pequeñas, en las áreas de informática
empresarial, ciencia de datos, IA y big data. Antes de trabajar como consultor
independiente, trabajó en las organizaciones de servicios profesionales (OSP) de
Hortonworks, la división SpringSource de VMware y la división JBoss de Red Hat. En
esos puestos, fue el principal asesor técnico en proyectos de gran visibilidad para los
principales clientes de esas OSP.
x
prólogo
Hola, me llamo Jessica Hawk y soy vicepresidenta corporativa de Datos e IA de
Microsoft Azure. Gracias por descargar esta edición especial de «Tener éxito con
la IA: cómo hacer que la IA funcione en tu negocio». En este libro, el consultor
y visionario de IA Veljko Krunic comparte su proceso probado para planificar y
ejecutar proyectos de IA rentables y fiables que produzcan resultados empresariales
reales. A partir de su experiencia de trabajo con decenas de startups, empresas
establecidas y gigantes de la lista Fortune 500, en esta guía práctica se revelan
secretos para maximizar el rendimiento de las horas de trabajo de los científicos
de datos y los desarrolladores, e implementar métricas de eficacia para mantener
los proyectos en marcha y resistentes a la calcificación.
Como responsable de la toma de decisiones técnicas o empresariales,
desempeñas un papel fundamental en la adopción e implementación de la
IA en tu organización. Azure AI, la plataforma de primer nivel para empresas
de Microsoft, se utiliza de diversas formas para mejorar las experiencias de
empleados, usuarios y clientes. Nuestras capacidades cuentan con el respaldo de
la investigación de Microsoft y se han probado a escala en nuestras aplicaciones,
como la transcripción de voz y subtitulación en Teams, la producción de contenido
y diseño en PowerPoint, la detección biométrica y verificación de identidad en
Windows Hello, las recomendaciones personalizadas en Xbox, las experiencias de
lectura y escritura de contenido en Edge y M365, la conversión de texto a voz
y de voz a texto en Office, la traducción de idiomas en tiempo real en Skype, y la
detección y traducción de idiomas en Outlook. También estamos entusiasmados
con nuestro nuevo servicio Azure OpenAi, que incluye ChatGPT para empresas.
Azure AI ofrece una forma más sencilla de acceder a capacidades de IA creadas
de forma responsable sin necesidad de grandes conocimientos de ciencia de
datos y desarrollo. Con Azure AI, puedes implementar inteligencia artificial en el
cloud, en un entorno híbrido o en contenedores, y acceder a una serie de servicios
prediseñados y personalizables para satisfacer tus necesidades empresariales. En
xii
xiii prólogo
los últimos años, nos hemos inspirado en la forma en que nuestros clientes logran
el éxito con la IA para diversos casos de uso. Algunos aspectos destacados:
¡ Con Azure OpenAI Service, CarMax ha agilizado la creación de resúmenes
de texto para sus páginas de búsqueda de coches y ha proporcionado
rápidamente a los clientes contenido significativo que también mejora la
clasificación de las páginas en los motores de búsqueda. El objetivo inicial
de la empresa eran resúmenes de opiniones de clientes para 5000 páginas
de coches. Con el proceso manual existente, se habrían necesitado unos
11 años de generación de contenidos. Con OpenAI Service, CarMax alcanzó
el objetivo en apenas unos meses.
¡ Fujitsu mejoró el rendimiento y la precisión de su solución de escaneado
en el cloud mediante la incorporación de Azure Form Recognizer, que
aumentó las tasas de reconocimiento de caracteres para texto manuscrito
hasta el 99,9 %.
¡ Ecolab usó Azure Bot Service, Language Understanding (LUIS), Azure
Cognitive Search y QnA Maker para crear un agente virtual inteligente para
el soporte digital, lo que se tradujo en un descenso del 12 % en el volumen
de llamadas sobre el terreno.
¡ KPMG usó Azure Cognitive Services para reducir el tiempo de identificación
de los riesgos de cumplimiento en las llamadas del centro de contacto de
14 semanas a 2 horas.
¡ Volkswagen Group usó Azure Translator y Cognitive Services for Language
para traducir una media de 325 documentos al día, desde archivos de una
página hasta libros de un millón de caracteres, sin necesidad de revisión
manual.
¡ Twitter usó Cognitive Services y el servicio Speech-to-Text para subtitular
conversaciones en directo a fin de hacerlas accesibles en Spaces y llegar
a audiencias más amplias.
Además de proporcionar soluciones de IA de la máxima calidad, Azure AI tiene
el compromiso de ofrecer confianza, fiabilidad y accesibilidad. Entendemos la
importancia de la privacidad y la seguridad de los datos; además, nos esforzamos
en garantizar que nuestros productos y servicios cumplen las normas más estrictas
en estas áreas.
Después de leer el libro de Krunic, te invitamos a explorar Azure AI y ver cómo
puede ayudarte a conseguir resultados fundamentales y mejorar las experiencias
de los clientes. Independientemente de que quieras planificar tu estrategia de IA
y ML con un especialista, elaborar una demostración de lo que Azure AI puede
hacer por tu empresa o formar a tu equipo en IA, contamos con los recursos que
necesitas para empezar. Comienza tu viaje con Azure AI en aka.ms/azureai.
—Jessica Hawk, vicepresidenta corporativa, Datos e IA

Cómo utilizar la
IA en tu empresa
Contenido del capítulo

¡ Lo que deben saber los jefes de proyecto sobre
la IA
 Descubrir qué problemas empresariales se
benefician del uso de la IA
 Relacionar las capacidades de IA con los problemas
empresariales que estás resolviendo
 Encontrar la brecha entre las habilidades que tiene
el equipo de ciencia de datos y las que necesita
tu proyecto de IA
Puedes pasar años aprendiendo sobre la IA, pero, debido a la rápida evolución
de este campo, incluso los científicos de datos totalmente competentes necesitan
dedicar una parte importante de su tiempo al aprendizaje continuo. El mercado de
los libros y documentos sobre IA está dominado por la información técnica acerca
de la IA. Con todo ese volumen de conocimientos, no resulta fácil distinguir entre
lo que necesitas saber para administrar la IA y el conocimiento necesario que debes
tener si eres un ingeniero que crea un sistema de IA.
1
2 CAPÍTULO 2 Cómo utilizar la IA en tu empresa
En este capítulo se tratan los aspectos necesarios de IA y ML que se deben

conocer para liderar un proyecto de IA. Además, te enseña a encontrar problemas
empresariales que se beneficien de la aplicación de la IA. Da ejemplos para
hacer que los conocimientos de IA sean útiles al vincular las capacidades
de IA con las acciones empresariales que ya sabes que puedes llevar a cabo.
He elegido los ejemplos que se ofrecen en este capítulo y los siguientes de diferentes
dominios de negocio. Es posible que algunos de los ejemplos provengan de un
dominio empresarial que te resulte desconocido. Constituye una buena oportunidad
de practicar una de las habilidades principales para aplicar con éxito la IA: adaptar las
capacidades de IA a las situaciones empresariales que te encuentras por primera vez.
2.1 ¿Qué debes saber sobre la IA?
Como los proyectos de IA combinan negocios, informática, matemáticas, estadística
y machine learning, suelen ser muy complejos. El conocimiento técnico sobre IA no es
el conocimiento principal necesario para administrar proyectos de IA y en esta sección
se explica el porqué. Si eres un líder de proyectos de IA que no tiene experiencia
analítica, se entiende que creas que necesitas comprender todos esos conceptos para
poder tomar las mejores decisiones.
La situación podría ser aún peor: no solo los científicos de datos hablan de conceptos
que no te resultan familiares, sino que parecen algo que se supone que debes saber,
pero que no recuerdas totalmente. La jerga que utilizan a menudo está arraigada en
(o relacionada con) la terminología estadística. Quizá hayas tenido clases de estadística
durante un máster y es posible que no hayas prestado especial atención a todos los
temas tratados. No te preocupes. Las decisiones más importantes para el éxito de los
proyectos no requieren ni se benefician de un amplio conocimiento sobre estadística
o de los detalles de los algoritmos de IA.
Lo que debes saber para administrar proyectos de IA es lo mismo que para
cualquier otro proyecto: cómo definir las métricas y los procesos que te permiten
comprender y supervisar la dirección y el éxito del proyecto. Cuando hayas entendido
eso, la administración de proyectos de IA es parecido a ejecutar los proyectos que has
supervisado antes.
Administrar un proyecto de IA es otra aplicación de la ciencia de administración

Usemos una analogía de un dominio bien conocido: si diriges una fábrica, no debes
convertirte en un trabajador tan bueno como el supervisor para dirigirla. Por eso, es
una apuesta segura que algunos ejecutivos que dirigen con éxito las fábricas no sean
especialmente «manitas».
A los proyectos de TI se aplican los mismos principios. ¿Realmente necesitas conocer tu
base de datos y tu administrador de bases de datos (DBA)? ¿Consideras que necesitas
convertirte en un DBA para administrar un proyecto de base de datos?a Los proyectos de
a
s verdad que la IA no es una fábrica, no lo es, pero tampoco es un proyecto de base de datos. Hemos
E
aprendido a administrar proyectos de bases de datos sin que los ejecutivos necesiten convertirse en DBA.
La administración como profesión se basa en algunos principios universales para dirigir organizaciones
y proyectos, y ese cuerpo de conocimientos también se aplica a la IA.
¿Qué debes saber sobre la IA? 3
(continuación)
bases de datos se administran separando los aspectos empresariales y arquitectónicos
de las habilidades necesarias para mantener sistemas RDBMS.
Un jefe de proyecto debe tener conocimientos técnicos de IA de la misma manera que
un gerente de fábrica se beneficia de saber cómo funciona una fábrica. No obstante, el
gerente no puede centrarse en los detalles del trabajo de su supervisor para sustituir
el conocimiento de cómo administrar una fábrica y hacerlo de forma activa. Del
mismo modo, un jefe de proyectos de IA debe centrarse en las consideraciones sobre
administración.
Aun así, suele quedar la sensación de que la administración de proyectos de IA requiere
centrarse de forma significativa en los detalles de cómo funciona la IA por dentro, mientras
que un enfoque equivalente en los detalles no es necesario a la hora de administrar
fábricas o proyectos de bases de datos. En la medida en que esto sea cierto, no se
debe tanto a que la IA sea distinta de otros campos, sino a que la IA simplemente es un
campo mucho más joven.b En el caso de las fábricas, hemos tenido tiempo suficiente
para desarrollar teoría de administración para entender que el conocimiento de la
administración no es lo mismo que el conocimiento de nivel de dominio sobre fabricación.
Gracias a que disponemos de más tiempo, podemos crear métodos y sistemas que nos
permiten compartimentar los conjuntos de habilidades: los necesarios para dirigir una
fábrica en lugar de los que se necesitan para crear un producto. La finalidad con que se
escribió este libro es ayudarte a hacer lo mismo con la IA.
b
Sí, es difícil encontrar buenos científicos de datos datos porque no abundan. Hoy en día, algunos de ellos
podrían negarse a que les comparara con un supervisor. Pero ¿piensas que un supervisor de turnos de una
línea férrea era un conjunto de habilidades común cuando se construyeron los primeros ferrocarriles? ¿O que
el conjunto de habilidades de DBA era algo habitual cuando se introdujeron las bases de datos? A eso me
refiero cuando afirmo que la IA es una profesión joven.
La mayoría de los conceptos de IA que son importantes a la hora de tomar decisiones

ejecutivas se podrían explicar a los empresarios en términos de negocios. Lo ideal sería
que tus científicos de datos pudieran hacerlo. En caso contrario, debes complementar el
equipo de proyecto con personas con experiencia tanto en IA como en empresas para
que ayuden en las comunicaciones.
NOTA Si tienes la sensación de que necesitas comprender mejor el análisis

para tomar decisiones empresariales, lo que tienes no es una deficiencia de
conocimientos, sino más bien un problema de comunicación
Necesitas saber relacionar conceptos de la IA con la empresa para administrar

un proyecto de IA. En concreto, debes poder responder a las siguientes preguntas:
 ¿Qué puede hacer la IA y cómo puedo usar eso en mi empresa?
 ¿Con qué tipo de proyecto de IA debo empezar?
 ¿Cómo mediré la eficacia de la IA para ayudar a mi empresa?
 ¿Cómo debería administrar un proyecto de IA?
 ¿Qué recursos son escasos y cómo debo asignarlos mejor?
En el resto del libro se muestra cómo organizar un proyecto de ciencia de datos de tal
manera que puedas aplicar las habilidades de administración que ya posees con cambios
mínimos para ejecutar proyectos de IA.
2.2 ¿Cómo se usa la IA?

Ganas dinero cuando tomas una decisión empresarial adecuada. Lo que nos lleva a dónde
se integra la IA en cualquier sistema que se utiliza: la IA te indica qué acción tomar. En esta
sección se explica cómo lo hace la IA.
Aunque la IA, el ML y la ciencia de datos se perciben como nuevos, no lo es el rol
que desempeñan para que las empresas tengan éxito. Hay bastantes profesiones que
tradicionalmente han usado alguna forma de análisis de datos para ganar dinero. Algunos
ejemplos de esas profesiones son los actuarios y los analistas cuantitativos. Los expertos en
la aplicación de métodos estadísticos para la ingeniería de procesos y la ciencia de mejora
de la calidad también tienen un largo historial de uso del análisis de datos para mejorar
los resultados empresariales. La IA no cambia la forma en que se relacionan el análisis
y la empresa, solo cambia los métodos para hacer el análisis y las capacidades (y el coste)
del análisis. Existen importantes paralelismos entre cómo encaja la IA con las empresas
actuales (y en el futuro) y los usos tradicionales del análisis de datos en las empresas.
Para entender cómo identificar una oportunidad para aplicar la IA a un problema
empresarial, primero debes entender que una aplicación adecuada de la IA a un
problema empresarial debe tener en cuenta un alto nivel. En cualquier problema en
el que se usen datos para fundamentar acciones adicionales, hay un patrón común que
describe ese proceso. Recopilamos datos, los analizamos y luego reaccionamos a ellos.
Se trata simplemente de un bucle de control antiguo y es importante entender los
elementos de dicho bucle. La IA solo añade nuevas capacidades en la parte analítica
del bucle. Se muestra la interacción de estos elementos en la figura 2.1.
Figura 2.1. El bucle Detectar/

Analizar/Reaccionar. Cualquier
proyecto analítico de éxito debe
tener los tres elementos de este
bucle.
Los elementos de la figura 2.1 son los siguientes:


Detectar: la parte de detección del bucle es donde se obtienen los datos que busca
el análisis. Para la mayoría de los sistemas empresariales en la era anterior al
big data, los datos se encontraban en bases de datos dispares. En el caso de los
sistemas de big data, es habitual almacenar los datos en un data lake.
¿Cómo se usa la IA? 5
 Analizar: es la parte en la que ahora se aplica la IA al conjunto de datos. Antes

de la IA, usábamos algoritmos más sencillos (por ejemplo, un controlador de
PID [34]) o la intervención humana (por ejemplo, una aprobación manual de
un préstamo en el contexto de un banco). A pesar de que se perciba como
un desarrollo reciente la incorporación de la IA en los análisis, no lo es: la
investigación de la IA comenzó en 1956 [35]. Llevamos décadas usando sistemas
computarizados para realizar los análisis. La novedad es que hoy en día, con las
técnicas modernas de IA, el análisis computarizado es mucho más potente.
 Reaccionar: la reacción (o el efector) es la parte responsable de la acción en el
mundo real. Esa reacción la puede realizar una persona o una máquina. Entre
los ejemplos de reacción manual se incluyen muchos escenarios en los que se
apoya la toma de decisiones de administración en función de los resultados
del análisis. Entre los ejemplos de reacción automática se incluyen los sistemas
robóticos, los proyectos inteligentes [36,37] y los vehículos automatizados [38].
La velocidad del cierre del bucle es el tiempo entre el momento en el que ocurre el
evento y el momento en el que se reacciona. La velocidad de cierre del bucle depende
del dominio. Puede haber un requisito importante para completar un bucle con la
mayor velocidad en un sistema de negociación de alta frecuencia. En otras situaciones
(por ejemplo, si realizas análisis de datos en el contexto de la investigación arqueológica),
los requisitos de tiempo son mucho más relajados. A veces, la capacidad de garantizar que
cumplirás los plazos críticos también es importante. Por ejemplo, un vehículo autónomo
puede requerir que tus análisis de IA nunca tarden más de un tiempo especificado.
NOTA La velocidad de cierre del bucle también depende de la frecuencia con

la que se ingieren los datos en el sistema. En algunas ocasiones es aceptable
que los datos se ingieran periódicamente en el sistema. En otros casos, los
datos deben analizarse en tiempo real a medida que llegan al sistema. (Esto se
llama análisis de streaming.)
Una consideración importante en la aplicación de un bucle Detectar/Analizar/

Reaccionar es la pregunta de quién o qué está reaccionando. Podría ser el propio sistema
de forma automatizada. (Eso es lo que hace un coche autónomo [38]). O, en función
de los resultados del análisis, podría ser una persona. Hoy en día, es mucho más común
este último caso en un uso empresarial de la ciencia de datos.
El bucle Detectar/Analizar/Reaccionar tiene una aplicación muy amplia

El bucle Detectar/Analizar/Reaccionar se puede aplicar en numerosas escalas. Se podría
aplicar en el nivel de un solo dispositivo (como en el caso de los termostatos inteligentes
como Nest [36] y ecobee [37]), un proceso empresarial, varios departamentos, toda la
empresa, una ciudad inteligente o una zona geográfica aún mayor. Creo que el patrón
del bucle Detectar/Analizar/Reaccionar se aplicará en el nivel de sociedades enteras,
en sistemas como la asistencia en catástrofes y seguimiento de pandemias.
El patrón Detectar/Analizar/Reaccionar no se limita al dominio de la ciencia de big
data y de datos. Ese patrón también se aplica al dominio de desarrollo y procesos
organizativos. Quizá conozcas las diversas formas de los bucles de control que definen
y usan las cienciasde administración. Algunos ejemplos de esos bucles son conceptos
como PDCA [39,40], OODA [41,42] y CRISP-DM [43], que tienen similitudes con este
patrón y son otros desarrollos de este patrón. El patrón Detectar/Analizar/Reaccionar se
aplica incluso a la biología (por ejemplo, cómo se comportan los pulpos y otros animales
[44]). En algunos dominios, a la parte Reaccionar del bucle se la denomina «Efector» [45].
La automatización de cualquier proceso de negocio es solo una aplicación del bucle

Detectar/Analizar/Reaccionar. El uso de la IA permite la aplicación de ese bucle a algún
dominio de problemas en el que antes no era posible una reacción automatizada.
¿El análisis automatizado de datos es un desarrollo reciente?

Incluso los usos de bucles Detectar/Analizar/Reaccionar totalmente automatizados
y rápidos que utilizan análisis complicados y computerizados no son nada nuevo.
Los mercados de capital, sobre todo combinados con los algoritmos de operaciones,
implementan este patrón a gran escala. Estos bucles de control cerrado, totalmente
automatizados y a gran escala se vuelven mucho más prevalentes en el mundo físico
gracias al avance adicional del Internet de las cosas [46] y la robótica.
2.3 ¿Qué novedades aporta la IA?

El avance de la IA ha ampliado la aplicabilidad del bucle Detectar/Analizar/Reaccionar,
porque la IA ha permitido nuevas capacidades analíticas. En esta sección se explican
esas nuevas capacidades.
Las novedades de la IA y el big data es que el análisis automatizado se ha vuelto más
barato, más rápido, mejor y (utilizando sistemas de big data) con capacidad de operar
en conjuntos de datos mucho mayores. Los análisis que solían requerir intervención
manual ahora pueden hacerse con ordenadores en áreas como el reconocimiento de
imágenes y voz. Gracias a esta nueva capacidad basada en IA, todos los bucles Detectar/
Analizar/Reaccionar han sido viables en estos contextos, cuando antes no era resultaba
rentable aplicarlos.
Ejemplos de IA que hacen viable la automatización

Aquí se indican algunos ejemplos en los que una incorporación de IA permite automatizar
tareas que anteriormente requerían que una persona las llevara a cabo:
Traducciones automatizadas de un idioma a otro: la traducción de idiomas no

es nada nuevo y es algo que los seres humanos han hecho desde el principio
de los tiempos. Las novedades son que la IA ha llegado a un nivel en el que
las traducciones automatizadas ahora son viables y, en este sentido, resulta
práctico un servicio web de traducción.a
a
Ten en cuenta que el bucle de control real en un sistema de traducción real suele necesitar la presencia
de dos bucles de control como mínimo. Un bucle se traduce de un idioma a otro, mientras que otro bucle
obtiene dinero por este servicio. Ese segundo bucle también puede funcionar con la recopilación información
sobre las traducciones que necesitas, analizándolas y llevando a cabo acciones que generen ingresos para
el proveedor del servicio de traducción.
¿Qué novedades aporta la IA? 7
(continuación)
 Coches autónomos: hemos tenido alguna forma de automóvil en los últimos
250 años, siempre con la necesidad de que intervenga un operador humano.b
Las novedades de la IA es que puede que estemos a punto de construir un coche
que no necesite que lo conduzca una persona.
Capacidad para diagnosticar enfermedades oculares: todos hemos leído letras

a distancia con oftalmólogos y optometristas y hemos mirado a la luz. La novedad
es que la IA es capaz de detectar la retinopatía diabética a partir de imágenes
retinales simples [49].
 C
apacidad de leer comentarios publicados en la web: si lees suficiente material
en la sección de comentarios de un sitio web, puedes saber si la gente está
emocionada o tiene sus reticencias con respecto a algún tema. Ahora la IA también
puede hacerlo. La IA puede leer un número mucho mayor de comentarios en
menos tiempo y con menos recursos económicos de lo que una persona podría
hacer, y después decirte si una audiencia siente entusiasmo o escepticismo.
A esta capacidad la llamamos análisis de sentimientos.c
 R
ecomendaciones de productos: todos tenemos amigos que recomiendan libros,
películas y productos que quizás nos gusten. Cuando la IA hace eso (por ejemplo,
en la página web de Amazon), se denomina motor de recomendaciones.
Tradicionalmente, cuando los conjuntos de datos eran pequeños, las personas podían
realizar el mismo análisis que hacía la IA. En algunos casos, lo que hace la IA es
peor que lo que los humanos pueden hacer examinando el mismo conjunto de datos.
Pero la IA sale más barata a largo plazo y puede funcionar en conjuntos de datos
demasiado grandes para que los examinen las personas.
b
El primer vehículo autopropulsado con ruedas se inventó en 1769 [47] y el primer coche con combustible
en 1870 [48].
c
En el momento de escribir este artículo, la IA no es tan buena lectora de contenido web como lo es una
persona y le cuesta entender el cinismo y los mensajes sutiles en el texto; a menudo se pierde el significado
del mensaje por completo. Sin embargo, si le preguntamos: «¿la opinión sobre el producto ha mejorado en
los últimos tres meses?», la IA tiene la suficiente capacidad para ofrecer una respuesta mucho más barata
que la tuya o la mía.
Lo que no es nuevo o diferente en la IA es que el análisis aún no puede generar ingresos

por sí solo. Ten en cuenta que en ninguno de los casos prácticos dados en los ejemplos
anteriores he hablado de cómo ganar dinero. Aunque algunos de esos casos son
sencillos de monetizar (por ejemplo, un vehículo autónomo que conduce mejor que
los seres humanos), en otros puede no estar claro cómo hacerlo.
La IA no puede ayudarte con un caso de negocio deficiente

A veces no podrás obtener beneficios por muy buenos que sean tus análisis basados
en IA. Supongamos que un fabricante que no está informado de las señales de tráfico
decide hacer un análisis de la opinión pública de esas señales. Existe la posibilidad de
que el fabricante pierda dinero con este análisis. Los sentimientos de los conductores
no tienen una influencia práctica significativa en la selección de proveedores de
señales de tráfico (o, en ese caso, que las opiniones sobre la señal se determinarían
por la elección del proveedor en lugar de por dónde se coloca la señal).
Cuando realizas un análisis, incurres en el coste de hacerlo. El beneficio se puede

produce cuando se reacciona según los resultados del análisis. Si no hay ninguna
acción empresarial que se pueda llevar a cabo después de obtener los resultados del
análisis, siempre es una pérdida un análisis de este tipo.
2.4 Obtener ingresos con la IA

Si la IA permite un análisis mejorado con el bucle Detectar/Analizar/Reaccionar,
¿cómo generar ingresos con la IA? Si encuentras una situación en la que la IA te permite
aplicar bucles Detectar/Analizar/Reaccionar, una de las acciones empresariales que
tienes a tu disposición podría automatizarse con ese bucle. En esta sección verás cómo.
En la figura 2.2 se presenta el proceso general de generar ingresos con la IA.
Figura 2.2. La ganancia de dinero con la IA se basa en la búsqueda de un problema empresarial

en el que puedes aplicar el bucle Detectar/Analizar/Reaccionar a una de las acciones que puedes
llevar a cabo.
Puedes aplicar este bucle de control en un nuevo contexto debido a las capacidades de
la IA. Pero para aplicar correctamente el bucle Detectar/Analizar/Reaccionar, debes
asegurarte de que todos los componentes del bucle sean técnicamente viables:
En la parte Detectar, debes tener la capacidad de recopilar los datos que los

análisis basados en IA necesitarán. En el capítulo 3 se explica cómo puedes
asegurarte de que has recopilado los datos necesarios para el método de IA que
hayas elegido.
En la parte Analizar, debes asegurarte de mantenerte dentro de los límites de lo

que es posible con la tecnología de IA disponible.
En la parte Reaccionar, debes enlazar los resultados del análisis con una de las

acciones que realmente puedes implementar en tu empresa. Confeccionarás una
lista de las posibles acciones empresariales que puedes hacer y te preguntarás:
«¿Hay un análisis de IA que pueda realizar para fundamentar mejor esta acción
empresarial?».
Obtener ingresos con la IA 9
Una vez que sepas que el bucle Detectar/Analizar/Reaccionar es aplicable a tu

problema empresarial, sabrás que tienes la capacidad de resolverlo con IA. Empecemos
con un ejemplo.
2.4.1 IA aplicada al diagnóstico médico

Supón que formas parte de un equipo de desarrollo de software en un hospital grande.
El objetivo de tu equipo es aplicar la IA a los procedimientos clínicos y de diagnóstico
del hospital. En esta sección se muestra cómo encontrar un caso práctico en el que la
IA pueda ser de ayuda.
Para que este ejemplo sea pequeño y manejable, me centraré en un único flujo de
trabajo de diagnóstico: un paciente que se hace un examen ocular. Se toma una imagen
de la retina de un paciente para comprobar si hay alguna enfermedad. Supongamos
que este procedimiento consta de los pasos que se muestran en la figura 2.3.1
Figura 2.3. Un flujo de trabajo de un examen rutinario de optometría. Aplicaremos la IA para automa-
tizar parte de este flujo de trabajo.
El flujo de trabajo que se muestra en la figura 2.3 consta de los pasos siguientes:
1 Se informa al paciente sobre el procedimiento. Un técnico podría realizar este
paso con la intervención mínima del optometrista.
2 El paciente se coloca en el dispositivo de imágenes y se toma una imagen. Este
paso también lo realiza el técnico.
1
Un examen de optometría/oftalmología real es más complicado y se simplifica aquí con fines ilustrativos.
3 a imagen se revela en un flujo de trabajo automatizado.

L
4 El optometrista observa la imagen en busca de anomalías. Se podría consultar
a más médicos si fuera necesario.
Encontrarás un sitio en el que la IA puede ayudar. En este flujo de trabajo, tienes tres
pasos a los que podrías aplicar la IA: dos interacciones con el paciente y la lectura final
de la imagen del ojo.
¡Nunca empieces pensando en qué análisis hacer!

Para ilustrar por qué no empiezas preguntando: «¿Qué análisis puedo realizar?»,
creemos una situación en la que tengas un análisis basado en que la IA puede
ayudarte.
Es posible que conozcas asistentes de voz como Siri [50] de Apple y sepas que su
reconocimiento de voz está mejorando. ¿Qué ocurre si combinas un asistente de voz/
reconocimiento de voz con el chatbot para que un equipo pueda informar al paciente?
Tienes suerte de contar con un buen equipo de ciencia de datos al que le encanta
trabajar con esta excelente tecnología. Parece una buena aplicación de IA, ¿verdad?
Vamos a crear un prototipo rápido.
Lamentablemente, se desperdiciará el tiempo que pases en un prototipo así.
Reemplazar a un técnico tiene un valor limitado: el coste del tiempo que un técnico
dedica a informar al paciente es relativamente pequeño. Y lo que es más importante,
estás atendiendo a una población diversa de pacientes, con varios idiomas,
discapacidades, edades y comodidad al interactuar con la máquina. Los técnicos
humanos pueden lidiar con esta población; la IA actual no, ya que hay ciertos grupos
que no están acostumbrados a hablar con un asistente de voz.
La idea que tenías se basaba en una tecnología interesante. El caso de uso es
intrínsecamente interesante y se refiere directamente a la ciencia ficción: muchas
historias de ciencia ficción cuentan con pacientes que hablan con un doctor de IA.
El problema es que has tratado de aplicar la IA a una situación en la que una acción
empresarial no es rentable desde el principio, debido a factores fuera de tu control.
Esta es una trampa común. Todos los que trabajan con la IA en un entorno empresarial
afirman que tienen un buen caso de negocio, pero a menudo el caso de negocio era
una idea a posteriori, y el entusiasmo inicial del equipo por el proyecto se debe a la
oportunidad de trabajar con una tecnología de IA interesante.
En el peor de los casos, podría no ser posible monetizar el proyecto desde el principio,
incluso si su parte técnica ha tenido éxito. Una buena implementación de la IA no
puede salvar un mal caso de negocio.
Utilicemos un enfoque sistemático para aplicar mejor la IA a este examen optométrico.

Para empezar, enumera las acciones del dominio que puedes realizar y, después,
comprueba si puedes aplicar el bucle Detectar/Analizar/Reaccionar a esas acciones.
CONSEJO Empieza preguntando: «¿Cuáles son las acciones viables de mi

dominio?». Como el número de acciones de dominio que puedes realizar
es limitado, solo debes tener en cuenta un número reducido de casos prácticos.
Obtener ingresos con la IA 11
Eneste flujo de trabajo, tienes las dos interacciones de un técnico con el paciente y el
oftalmólogo/optometrista que lee imágenes del ojo para comprobar la presencia de
enfermedades oculares. Las interacciones con el paciente consisten en una sesión
informativa inicial y, a continuación, en colocar al paciente en el dispositivo de
imágenes para poder tomar una buena imagen. Hace un momento has visto por qué
no podías automatizar la sesión informativa. ¿Y posicionar al paciente? Eso requiere
experiencia en robótica. Tus ejecutivos insisten que eres una empresa de desarrollo de
software y no de robótica. En tu caso, no es viable ninguna acción en el dominio de la
interacción directa con el paciente.
¿Y qué pasa con la interpretación de las imágenes? Resulta que interpretar imágenes
para determinadas enfermedades oculares es complicado y, en algunos casos, los
optometristas pueden omitir problemas importantes. La interpretación profesional
también resulta costosa y es algo en lo que tu hospital ahorraría dinero si pudieras
crear un sistema alternativo que sea útil para diagnosticar enfermedades oculares. Vale
la pena investigar este caso de uso.
Los resultados de la investigación realizada por tu equipo científico muestran que
ha habido un avance significativo en la aplicación de visión artificial al diagnóstico
médico. Descubres que el equipo de Google ha creado una IA capaz de diagnosticar
casos de retinopatía diabética de moderada a grave [49]. Dispones de suficientes datos
de los exámenes de optometría anteriores para que puedas entrenar la IA con esos
datos. Para asegurarte de que el bucle Detectar/Analizar/Reaccionar sea aplicable en
este caso de uso, solo tienes que cubrir la parte Detectar. Eso es fácil: ya tienes una
imagen de la retina del paciente y puedes enviar esa imagen a tu sistema de IA.
2.4.2 Principios generales para la monetización de la IA

En el ejemplo anterior se ha mostrado cómo encontrar una oportunidad para el uso de
la IA en un escenario empresarial. En esta sección se muestran los principios generales
que puedes extraer de este ejemplo. En la figura 2.4 se muestran esos principios para
la aplicación de la IA.
Figura 2.4. Principios generales para la aplicación de la IA a un

problema empresarial. La idea básica es asegurarse de que
podrás implementar todas las partes del bucle Detectar/Analizar/
Reaccionar.
El enfoque que se muestra en la figura 2.4 abarca cada parte del bucle Detectar/Analizar/
Reaccionar:
Detectar: ¿puedes recopilar los datos que necesitas? ¿Cuánto cuesta recopilar esos

datos?
Analizar: ¿puede la IA realizar ese análisis en las circunstancias ideales o hay

alguien que haya conseguido hacer algo parecido con la IA? ¿Se sabe si la IA
tiene tal capacidad? ¿Tu equipo tiene experiencia en la aplicación de esos
métodos de IA? ¿Qué dificultad tiene aplicarlas?
Reaccionar: encontrar una acción de dominio que sea valiosa y posible para la IA.

¿Qué valor económico tiene esa acción? Esta información te permite juzgar si la
automatización de esa acción con IA es viable económicamente.
En los capítulos 3 y 4 se trata cómo usar las métricas empresariales para cubrir los
aspectos económicos y la aplicación del bucle Detectar/Analizar/Reaccionar. Por el
momento, vamos a centrarnos en cómo tratar las partes Reaccionar y Analizar del
bucle. Debes responder a estas dos preguntas:
1 ¿ Hay una forma sistemática de pensar en tu empresa que ayude a encontrar
acciones en el dominio que puedan beneficiarse de la IA?
2 ¿Cuáles son las capacidades de alto nivel de la IA?
Una vez que conozcas la respuesta a estas dos preguntas, puedes realizar un análisis como
el que se muestra en la sección 2.4.1 para encontrar casos de uso viables para la IA.
Generar ingresos con la IA no consiste en que la IA sea más inteligente

que las personas
Los ejemplos de este capítulo (y el capítulo 1) muestran por qué, para lograr el éxito
con la IA, vincular la IA con el negocio es mucho más importante que algoritmos
y tecnología específicos. La IA no está aportando inteligencia sobrehumana; posee
capacidades de tipo humano en dominios limitados, como el reconocimiento de
imágenes. También puede aplicar esas capacidades económicamente y operar con
conjuntos de datos más grandes que cualquier persona. Pero aún tienes que averiguar
cómo las capacidades de la IA se traducen en la mejora de tu empresa.
La IA a veces puede encontrar conocimientos más amplios que la inteligencia humana
por su capacidad para procesar grandes conjuntos de datos. Sin embargo, cuando
se opera en dominios complicados, la IA todavía está por detrás de las personas. Por
sí misma, la IA no puede averiguar cómo generar ingresos.
Peter Drucker creía que es más importante hacer lo correcto que hacer las cosas bien.a
El trabajo de la IA es ayudarte a hacer mejores análisis y esto podría ayudarte a hacer
las cosas bien, pero solo tú puedes asegurarte de que la IA se aplique al problema
correcto.
a
Del artículo «Managing for Business Effectiveness» [4]: «Fundamentalmente, es la confusión entre eficacia
y eficiencia lo que se interpone entre hacer las cosas bien y hacerlas de manera correcta. Seguramente
no hay nada tan inútil como hacer con una gran eficiencia lo que no se debe hacer en absoluto».
Búsqueda de acciones de dominio 13
2.5 Búsqueda de acciones de dominio

Ahora que ya sabes que la aplicación de la IA es simplemente cuestión de aplicar el bucle
Detectar/Analizar/Reaccionar a alguna acción del dominio, la siguiente pregunta es
cómo encontrar sistemáticamente acciones de dominio que puedas realizar. En esta
sección se muestra cómo encontrarlas.
Hay un conjunto limitado de roles de alto nivel que la IA puede desempeñar en tu
empresa. En la figura 2.5 se muestran esos roles.
Figura 2.5. Taxonomía de la IA basada en el papel de alto nivel que desempeña en

la empresa. Puedes utilizar esta taxonomía como guía a las acciones empresariales
disponibles que puedes respaldar con la IA.
Puedes usar la IA como parte de esto:

Sistema de apoyo a la toma de decisiones: la IA ayuda a un empleado o directivo de tu

organización a tomar decisiones mejores. Los usos de estos sistemas van desde
ayudar a la dirección a tomar decisiones que afectan a toda la organización hasta
ayudar a coordinar a los empleados con sus tareas diarias.
 P
roducto más grande: la IA podría ser parte de un producto más grande. Un
producto de este tipo tiene capacidades que la IA puede facilitar, pero no son
capacidades únicas de IA. Un ejemplo serían los robots de limpieza en casa (como
Roomba [51]) o los termostatos inteligentes (como ecobee [37] y Nest [36]). La
IA guía el funcionamiento del sistema y toma sus decisiones sin necesidad de
participación humana en el caso de un sistema totalmente autónomo.
 A
utomatización del proceso de negocio: la IA automatiza algunos pasos del proceso de
negocio. Algunas veces se hace para reemplazar la mano de obra humana; otras
veces, para procesar conjuntos de datos que son tan grandes que las personas no
pueden gestionarlos.
IA como producto: puedes empaquetar las herramientas de IA como un producto

y venderlas a otras organizaciones. Un ejemplo es un producto de IA que pueda
reconocer imágenes en señales de tráfico que se venderá a fabricantes de
vehículos autónomos.
Cada uno de estos puntos se explica en la parte restante de esta sección.
2.5.1 IA como parte del sistema de apoyo a la toma de decisiones

Una de las situaciones más habituales para el uso de ciencia de datos en la empresa es
cuando se usa la IA como sistema de apoyo a las decisiones. En esta sección se muestra
cómo utilizar la IA como parte de este sistema para encontrar acciones de dominio.
IA como parte del sistema de apoyo de decisiones es el escenario más sencillo
para la obtención de acciones de dominio. En cualquier sistema de apoyo a la toma
de decisiones, ya estás centrado en las decisiones que necesitas tomar. Debes tener
en cuenta las decisiones del usuario (o equipo directivo) al que respaldas cuando
usas la IA como parte del sistema de apoyo a la toma de decisiones. A continuación,
enumerarás una gama de las decisiones que pueden tomar. Por último, pregúntate:
«¿Qué información es necesaria para elegir entre estas posibles opciones?». El proyecto
se organiza en torno a proporcionar esa información.
La IA ayuda al equipo directivo

Supón que estás apoyando una operación de fabricación grande. La operación recibe
miles de componentes al día por parte de varios proveedores grandes. Si un determinado
porcentaje de los componentes del proveedor tiene errores, la organización dedicará
mucho tiempo al proceso de fabricación a solucionar problemas, lo cual supone una
preocupación grande para tu organización. Esta solución de problemas es cara. Y lo
que es peor, la calidad del producto final del fabricante podría sufrir.
Aunque los proveedores individuales son una parte importante de tu empresa, este
sector está dominado por unos pocos proveedores grandes y es más difícil obligarlos a
mejorar la calidad de sus productos. ¿Cómo puede ayudar la IA al equipo directivo en
las operaciones de fabricación?
Empieza enumerando las opciones con respecto a lo que el equipo directivo puede
implementar y cuáles son viables. Como tu organización tiene poca influencia en los
proveedores individuales, la única acción de negocio que puede tomar tu organización
es cambiar de proveedor.
¿Qué preguntas tienes que responder para cambiar de proveedor? Aquí nos centramos
en una sola posible respuesta:
Lo ideal es que actuaras de forma proactiva y cambiaras de proveedor antes de
que se deteriorara su calidad. Para entonces, nuestra operación de fabricación
ya ha generado costes. Como no sabes cuál será el coste de permanecer con el
proveedor, es difícil decidir si rescindir la relación con el proveedor. Lo ideal es
actuar de forma proactiva, en función de hacia dónde se dirige la tendencia de
calidad del proveedor. No es importante cortar un proveedor cuya tendencia de
calidad está mejorando. Tampoco te interesa esperar a cambiar de proveedor
si la tendencia es a la baja.
Según la respuesta del equipo directivo, ahora sabes que si pudieras utilizar la IA
para analizar la tendencia histórica de calidad y predecir una tendencia en la calidad
futura, tendrías un sistema que sería útil para los directivos. Este es un ejemplo de uso
de la IA como parte del sistema de apoyo a la toma de decisiones.
En este ejemplo también se muestra por qué personalizar el uso de la IA es mejor

para tu caso de negocio que aplicar soluciones de IA que han funcionado para
(continuación)
otros. Tu equipo directivo podría negociar los términos de la relación si fueras un
cliente mucho mayor para esos proveedores, en lugar de simplemente cambiar de
proveedor. Algunos ejemplos de ajuste de estas relaciones pueden ser el escalado de
problemas al equipo directivo del proveedor o pedir una compensación económica por
las piezas defectuosas.
Aunque esas pueden ser acciones viables para clientes de tus proveedores que
son más grandes que tú, no son viables para tu organización. Las soluciones de IA
genéricas adaptadas a organizaciones mucho más grandes pueden centrarse en
acciones que no puedes realizar.
Pregunta final en esta situación: suponiendo que seas una empresa más grande con
muchos departamentos, ¿a qué nivel de granularidad pedirías que el sistema de apoyo
a la toma de decisiones respalde las acciones de negocio? Debes tener en cuenta las
opciones que se encuentran directamente en el ámbito de responsabilidad y ejecución
del equipo que realiza el análisis.
ADVERTENCIA Es fundamental que elijas el nivel de organización adecuado

para buscar posibles acciones que puedes realizar. El nivel de granularidad en
el que has realizado el análisis no era adecuado si terminas con una lista que
enumera 20 o más opciones diferentes que crees que puedes tomar.
A la hora de usar la IA como parte del sistema de apoyo a la toma de decisiones, existe
el peligro de profundizar demasiado. Debes analizar las acciones que llevan a cabo los
altos directivos, no las acciones que puede llevar a cabo cada empleado que trabaja en
su organización si estás aplicando la IA como parte de un sistema de apoyo a la toma de
decisiones para el equipo de altos directivos. No analices las acciones que un becario
puede hacer el primer día.
CONSEJO El responsable de la toma de decisiones no tiene que ser un directivo

de alto nivel. Imagina una IA que recomiende a tu equipo de ventas a qué
clientes dirigirse y muestra un panel con la información adicional sobre cada
uno. Sin embargo, esa IA deja la decisión final al profesional de ventas. Esta IA
es un sistema de apoyo a la toma de decisiones.
2.5.2 IA como parte de un producto más grande
Otra situación común ocurre cuando las capacidades de IA forman parte de un
producto más grande. En esta situación, una característica clave es que el cliente final
no esté comprando la propia IA; paga por una capacidad que el producto más grande
no tendría sin usar la IA. En esta sección se muestra cómo utilizar la IA en el contexto
de un producto más grande.
La IA como parte del propio producto ya es extremadamente importante. Algunos
ejemplos son los productos que van desde altavoces inteligentes (Amazon Alexa [52],
Google Home [53,54] y Apple HomePod [55]) hasta vehículos autónomos [38]. Aunque
puedes pensar en la IA como una forma de diferenciar los productos, por lo general es
mejor pensar en ello como un facilitador de tu propuesta de valor para el cliente.
CONSEJO Pocas personas comprarían un producto solo porque utiliza la IA. La

pregunta clave es: «¿Qué valor aporta el producto a tus clientes?».
Podría haber habido una época en la que decir que «usamos IA» era una técnica viable
de marketing/recaudación de fondos, pero esa época ha terminado. Con el tiempo, la
IA desempeñará el mismo papel en los productos autónomos que un motor desempeña
en un coche hoy en día: no se puede ir a ningún lado sin él. Sin embargo, la mayoría de
los compradores de automóviles se fija en la capacidad para mover el coche del punto
A al punto B y no en un motor en particular.
La IA como parte del producto

Un ejemplo de un producto de IA que también funciona con personas es una empresa
de seguridad del hogar que usa un dispositivo impulsado con IA como parte del
sistema de seguridad. ¿Cuáles las acciones relevantes que puede realizar un sistema
de este tipo? Por un lado, puede sonar una alarma si detecta que hay un intruso.
Por motivos de coste y responsabilidad, el equipo directivo exigirá que la acción final
de activar la alarma o llamar a la policía siempre la deberá hacer un operador formado
en directo en un centro de supervisión. El equipo directivo también podría decidir
cuántos operadores se asignarán para supervisar las propiedades. Esta empresa
sería mucho más rentable si una sola persona pudiera supervisar varias propiedades
protegidas.
La IA se puede aprovechar en ese tipo de sistema para ayudar al operador sentado en
el centro de supervisión. Si la IA puede reconocer rostros, también puede sonar una
alerta cuando hay personas en la casa que no forman parte de la familia que vive en
el hogar. Después, la IA puede notificar al operador para que se pueda realizar una
comprobación y, si es necesario, el operador puede activar la alarma.
Cuando la IA funciona como parte de un producto más grande, ese producto opera
en algún lugar dentro del mundo físico. Debido a que el cliente paga por alguna
capacidad del producto, no por el hecho de que el producto utiliza IA, comienza por el
funcionamiento del producto. ¿Qué acciones potenciales podría llevar a cabo el sistema?
Una vez que sabes cuáles acciones son posibles, la siguiente pregunta es: «¿Cuándo debe
el sistema tomar cada una de esas acciones?».
NOTA Cuando la IA forma parte de un producto más grande, el producto

en sí podría ser totalmente autónomo, o podría ser un producto híbrido
que realice algunas funciones automáticamente, mientras que depende
de las personas para otras tareas.
IA en el producto totalmente autónomo

Un ejemplo de un sistema totalmente autónomo sería un robot aspirador como el
Roomba [51]. En este caso, la aspiradora necesita limpiar toda la sala. La acción de
dominio pertinente es: «¿A dónde debo ir y qué áreas debo evitar?».
Se puede usar la IA para proporcionar capacidades al dispositivo en su entorno. Ten
en cuenta que esta IA podría abarcar desde un sistema de navegación sofisticado
(continuación)
hasta operaciones relativamente simples. Un robot aspiradora puede utilizar la IA para
aprender el diseño de las salas y reconocer los cambios en ese diseño. También puedes
cambiar mapas sofisticados de la sala por una batería más grande, lo que permite evitar
obstáculos mediante un enfoque de prueba y error que consume mucho tiempo.
Esa batería más grande es otro ejemplo que muestra que el sistema entero es más
importante que la elección de algoritmos de IA. Hace unos años, añadir una batería
más grande para aumentar el tiempo de ejecución que invertir mucho tiempo y dinero
en una navegación de IA significativamente mejorada era más sencillo (y más barato).
En el contexto de un producto totalmente autónomo, también debes tener en cuenta

no solo qué acciones puede llevar a cabo el producto, sino que algunas acciones
y resultados no son deseables ni aceptables. No te interesa ver un robot aspiradora
caro como el Roomba cayéndose por las escaleras.
¿Cómo evolucionarían las capacidades de tu producto?

Al utilizar la IA como parte de un producto más grande, es importante tener en cuenta la
hoja de ruta completa de las capacidades del producto que tienes previsto añadir más
adelante además de las capacidades que estás planeando añadir al producto inicial.
A menudo, tu producto es un sistema físico que se envía al cliente. Por ejemplo, en
el caso del vehículo autónomo basado en IA [38], se enviaría el propio vehículo. Se
podría añadir una capacidad adicional al vehículo como una actualización de software
cuando se entregue. Pero te quedas atascado con los sensores y los efectores (motor,
frenos, mecanismos de dirección, bocina, semáforos, farolas, etc.) que se envían
con el coche. Una vez que distribuyes los sistemas físicos a tus clientes o usuarios,
generalmente es imposible (o caro) añadir la capacidad para realizar nuevas acciones
que no pensabas realizar en el momento del diseño. Independientemente de los
coches autónomos que tendremos en el futuro, podemos asegurar que algunas de sus
capacidades quedarán fijas en el momento en que se fabrica el coche y serán difíciles
de cambiar más adelante.
2.5.3 Uso de la IA para automatizar parte del proceso de negocio

Uno de los usos de la IA que está obteniendo una mayor atención tanto en la industria
como en la prensa popular es el uso de la IA para realizar acciones que anteriormente
requerían personas. En esta sección se muestra cómo aplicar la IA para optimizar los
procesos de negocio existentes.
Automatización de parte del flujo de trabajo con la IA

Supongamos que tienes una instalación con cámaras de circuito cerrado y guardias de
seguridad para supervisarla. Consultar las pantallas forma parte del flujo de trabajo de
los guardias de seguridad. Podría utilizarse la IA para hacer que esta parte del flujo de
trabajo del guardia de seguridad sea más eficiente con la supervisión los flujos de vídeo
y la indicación de las situaciones inusuales.
Cuando quieres usar la IA para automatizar parte del proceso de negocio, empieza
con esbozar ese proceso y preguntarte: «¿Puede ser más eficiente alguno de estos pasos
o puede eliminarse con la IA?». Se usa la IA para realizar un reemplazo de tareas uno
a uno: la tarea que solían hacer las personas ahora la hace la IA.
A medida que las capacidades de la IA y las personas difieren, un reemplazo uno
a uno de las tareas realizadas por las personas con el uso de la IA es complicado
y costoso. Algunas tareas son esenciales en la mayoría de los flujos de trabajo y resultan
difíciles de automatizar, incluso si es automatizable la función del trabajo que más
tiempo requiere.
En la práctica, por lo general es necesario volver a diseñar los procesos de negocio
aparte de aplicar la IA a los pasos de un proceso existente. La ingeniería debe separar
las operaciones que son fáciles de automatizar con la tecnología actual en un paso
independiente del flujo de trabajo. Después, asignas la IA solo a aquellas partes del
proceso que son fáciles para la IA, pero que consumen mucho tiempo o que están
cargadas de errores para las personas.
Creación de nuevos trabajos con IA

El uso de la IA para la automatización es un tema polémico. Si la IA sustituye a una
persona en alguna acción y es el propósito principal del trabajo de esa persona, ese
puesto de trabajo puede estar en peligro.
Hay costes significativos que se deben tener en cuenta cuando se eliminan puestos
de trabajo. Los principales son los costes para las personas cuyos puestos de trabajo
desaparecen. También hay costes para tu empresa, no solo económicos, sino también
en la buena voluntad tanto del público como del resto de los empleados. Es importante
tomar en consideración esa perspectiva humana cuando se habla de la automatización
de los procesos y entender que este escenario suele ser un juego de suma cero.
Si te limitas a pensar en que la IA va a reemplazar puestos de trabajo cuando piensas
en ella, estás perdiendo muchas oportunidades. Gracias a la IA podrías crear nuevas
empresas que en el pasado no hubieran sido posibles o rentables. Este escenario
genera nuevos trabajos, no solo trabajos creando y respaldando ese sistema de IA, sino
también todos los demás trabajos que se incluyen con una empresa de este tipo.
Tomemos como ejemplo el uso de la IA para supervisar el comportamiento de las
mascotas cuando sus dueños están trabajando. De momento, nadie está haciendo
eso, porque dicha supervisión no es rentable como servicio si tiene que realizarla una
persona. Una IA capaz de supervisar el comportamiento de las mascotas y entretenerlas
requiere que los humanos en el bucle gestionen algunas situaciones raras que la IA
no puede (por ejemplo, situaciones en las que la mascota puede tener un problema
médico). Una IA de este tipo crea trabajos para las personas que supervisan esas
mascotas. Estos trabajos no eran rentables cuando el 100 % del trabajo lo tenían que
hacer personas. Estos trabajos se vuelven posibles cuando una IA se encarga de la
mayor parte de la supervisión y los seres humanos gestionan las excepciones.
2.5.4 IA como el producto

A veces tienes una solución de IA o una solución de infraestructura con IA, que
consideras que puede ser aplicable a diferentes contextos de negocio y clientes. Si es
así, la esta solución de IA es valiosa por sí misma y puede empaquetarse y venderse
como un producto independiente. En esta sección se ofrecen algunas consideraciones

especiales que se aplican cuando tienes la intención de vender una solución de IA
como un producto completo.
Tendrás un producto completo cuando tengas clientes que quieran pagar por la
función de IA que puedes desarrollar. Hay muchas empresas que ofrecen diversos
productos analíticos (como SAS [56] o SPSS [57] de IBM) y los productos basados en
IA se podrían considerar una continuación de esta tradición, en la que la complicada
capacidad analítica se empaqueta en un formato que los clientes pueden utilizar.
CONSEJO Vendes un producto. La pregunta clave es si puedes encontrar

clientes que estén dispuestos a comprarlo. Con respecto al ciclo de ventas, el
hecho de que el producto en sí se base en IA es secundario con respecto a las
demás consideraciones de ventas.
Pero hay una consideración específica que debes atender cuando bases tu producto
en IA. Debes evaluar correctamente las capacidades de tu organización y tu equipo
con respecto a su conocimiento de la IA. Existe una gran diferencia entre desarrollar
una solución de IA sin precedentes y aplicar las capacidades de IA conocidas en un
contexto nuevo y específico.
Desarrollar nuevas soluciones y funciones de IA es una cosa completamente
distinta que requiere bastante experiencia previa en ese campo. Cuando vendes IA
como producto, debes evaluar tu capacidad para dejar fuera a la competencia, aparte
de la capacidad de ofrecer una versión inicial del producto.
ADVERTENCIA A menos que tengas un equipo de expertos en investigación de

IA trabajando para ti, sigue aplicando una función de IA existente a un nuevo
contexto. Evita los productos de IA que requieran desarrollar nuevas capacidades
de IA que nadie más ha demostrado todavía, porque son impredecibles, difíciles y
arriesgados de desarrollar.
Por otra parte, si comprendes una función de IA general, hay mucho menos riesgo
al aplicar esa función a un producto en un sector nuevo. Por ejemplo, se sabe que la
IA está mejorando en el reconocimiento del contexto de una imagen, es decir, una
función general. Podrías tener un producto viable si puedes aplicar esa capacidad a un
área específica. Un ejemplo sería el software que pueda reconocer defectos en una
línea de fábrica. Siempre y cuando sepas a quién vendérselo, esto podría tener un valor
incalculable.
¿La aplicación de mi producto de IA es amplia?

Algunos productos de IA son marcos generales que son (claramente) de aplicación
amplia, pero otros son para una categoría específica de problemas.
Si tu IA resuelve una categoría de problemas, puede mantenerse como producto si
puedes encontrar diferentes ejemplos donde el uso de tu solución de IA permite nuevas
acciones de negocio. Si, en lugar de ello, encuentras solo un único ejemplo en el que
la IA produce una nueva acción empresarial, es mejor pensar en lo que tienes como
ejemplo de que la IA forma parte de un producto más grande.
Cuando intentes averiguar qué nuevas acciones empresariales permiten

el funcionamiento de la IA, aplicarás las técnicas de las secciones 2.5.1,
2.5.2 y 2.5.3. Sin embargo, las aplicarás al negocio de tu cliente potencial
en lugar de aplicarlas a tu propia empresa.
2.6 Información general de funcionalidades de la IA

En la sección 2.5 se ha mostrado cómo encontrar una pregunta empresarial en la que
puedes introducir funciones de IA adecuadas. En esta sección se presenta la taxonomía
de las capacidades de IA que te ayuda a responder a la pregunta: «¿Hay muchas
funciones de IA que puedan solucionar mi problema empresarial?». En la figura 2.6 se
presenta esta taxonomía de los métodos de IA.
Figura 2.6. Taxonomía basada en capacidades de IA. Con el objetivo de que puedas
comprobar rápidamente si cualquiera de ellas es aplicable al problema empresarial que
estás abordando, este marco de trabajo agrupa amplias áreas de capacidades de IA.
Esta taxonomía es una modificación de la taxonomía originalmente presentada en

los libros de Bill Schmarzo [58,59] con la categoría de «Uso de datos sin estructurar»
expandida para resaltar el uso de IA en tareas de percepción. El objetivo principal de
esta taxonomía es guiar el debate entre el experto en IA y el experto en negocios. Las
categorías de esta taxonomía son las siguientes:
 Conocer los resultados más rápidamente. Aquí, la IA te ayuda a descubrir un resultado
más rápidamente y eso tiene un valor empresarial en muchos escenarios [58,59].
Supón que gestionas una planta de fabricación de coches y que ensamblas
coches con piezas que se fabrican en otra parte de tu fábrica. Si sabes que alguna
pieza del coche se necesita justo después de su fabricación, puedes desecharla
y no instalarla en el coche. Esto es mucho mejor que descubrir que la pieza es
defectuosa después de haberla instalado ya en el coche y de haber enviado ese
coche al cliente.
Información general de funcionalidades de la IA 21
 Predecir algún evento que se produzca en el futuro, en función de las tendencias actuales.
Has visto esta técnica utilizada en la sección 2.5.1 al predecir la calidad futura del
proveedor en función de las tendencias históricas.
 Usar datos estructurados. En ocasiones, sobre todo si tienes un gran volumen de
datos, puedes encontrar la respuesta que buscas en una de las bases de datos
relacionales que ya tienes [58,59]. También hay métodos de IA que funcionan
bien con datos que ya están en formato tabular.2
 Usar datos no estructurados. Puedes procesar y comprender una gran cantidad
de datos no estructurados, como texto, imágenes, vídeo y audio [58,59] gracias
a los métodos de IA. En este caso, puedes utilizar métodos de IA para reconocer
el contexto de la imagen, el vídeo o la grabación de audio.
 Reemplazar a los seres humanos en tareas perceptuales. Esta subcategoría de datos no
estructurados se basa en el hecho de que, en los últimos años, la IA ha igualado
e incluso ha superado las capacidades humanas en muchas tareas sencillas de
reconocimiento, como el reconocimiento de imágenes [62,63]. Puedes pensar en
esta categoría de la IA como que tiene la capacidad de realizar tareas perceptuales
sencillas que los seres humanos realizan de manera fácil e instintiva. Reconocer
objetos en una imagen fotográfica es un buen ejemplo de esta tarea.
 Reemplazar a los seres expertos en tareas perceptuales. Esta subcategoría de capacidad
de IA también comprende los datos no estructurados, pero aquí la IA realiza
tareas perceptuales que, de lo contrario, requerirán un experto humano de
alto nivel. Este tipo de experto utiliza capacidades que se han vuelto instintivas
después de años de formación. Un ejemplo de esto sería el uso de la IA para
interpretar imágenes médicas. La IA ha demostrado una capacidad para
interpretar imágenes médicas de un nivel que en algunos casos compite con
expertos humanos en los últimos años [64,65].
Ahora verás cómo hemos encontrado soluciones de IA aplicables a los problemas
empresariales presentados en la sección 2.5. En todos esos ejemplos, empiezas
encontrando un problema empresarial práctico y, a continuación, las acciones de dominio
que podrías realizar. Preguntas: «¿Podemos aplicar cualquiera de las seis categorías de
capacidades de IA mostradas en la figura 2.6 a este problema empresarial?».
¿Se pueden enumerar todos los métodos de IA individuales?

No hay forma de describir todas las funciones que la IA tiene en un solo libro, incluido
este. La IA es un área en rápido desarrollo y sus capacidades se transforman a diario
con el desarrollo de nuevos métodos y aplicaciones. Necesitas a un científico de datos
o consultor experimentado que te guíe por los detalles de las últimas capacidades de IA
si te interesan los detalles de los distintos métodos de IA.
La taxonomía presentada en esta sección no sustituye a la experiencia en IA, sino que
es una forma sistemática de enmarcar una conversación entre un experto en negocios
y un experto en IA.
2
Un ejemplo de este tipo de método es la potenciación del gradiente. Consulta los debates en Wikipedia [60]
y el sitio web de Kaggle [61] si te interesan los detalles técnicos de este método.
Proporciona terminología y conceptos comunes de manera que los usuarios

empresariales entienden fácilmente. Puedes utilizar la taxonomía presentada en este
capítulo como una lista de comprobación rápida para una clase de métodos y algoritmos
que deben comprobarse para comprobar su aplicabilidad a las preguntas empresariales
si eres un experto en IA.
2.7 Presentación de los unicornios

En este capítulo has visto cómo determinar qué problemas empresariales se pueden
beneficiar de técnicas de IA, pero ¿tiene tu equipo de desarrollo los conocimientos
necesarios para implementar la solución que has propuesto? Esta sección te ayuda
a responder a esa pregunta.
Las habilidades que estamos usando en los proyectos de IA siguen siendo nuevas
(y raras) y todavía hay cierta confusión en el sector sobre los conjuntos de habilidades
que los científicos de datos y los ingenieros de datos deben tener. Debido a la rareza
de esas habilidades, se bromea con que dichos expertos son unicornios. En esta sección,
comenzaré describiendo las habilidades que se suelen atribuir a los unicornios. Después
explicaré por qué la mayoría de los equipos no podrán tener todas esas habilidades.
Por último, te mostraré cómo asegurarte de que tu equipo posea todas las habilidades
que requiere el proyecto de IA específico que estás ejecutando.
2.7.1 Unicornios de ciencia de datos

La ciencia de datos se puede considerar como un término general que abarca varias
habilidades. Una encuesta realizada en 2013 enumera 22 áreas diferentes que forman
parte de la ciencia de datos [66]. Algunos ejemplos de esas áreas son las estadísticas,
la investigación operativa, las estadísticas bayesianas, la programación y muchos otros.
¡La situación empeora! Actualmente, hay nuevas áreas que, sin duda, se considerarían
importantes (por ejemplo, el aprendizaje profundo).
NOTA Sin lugar a dudas, un experto en ciencia de datos debe ser un experto
de primer nivel en cada una de esas áreas, ¿verdad? No, son áreas muy
complejas individualmente. Muchos profesores destacados de universidades
líderes dedican la totalidad de su tiempo y esfuerzo a ser expertos en solo una
de esas áreas. Lo más probable es que nadie en el mundo tenga experiencia
(definida como en un nivel equivalente a las habilidades de los profesores
mencionados anteriormente) en todas esas disciplinas. Incluso si existe este
tipo de unicornio, ¿qué proyectos de IA tendrían el presupuesto para uno?
¿Por qué hay tantos conjuntos de habilidades que forman parte de esta ciencia de datos?
Porque hay diferentes problemas prácticos que se benefician de diferentes habilidades.
Ningún método de ML supera a todos los demás métodos en todos los conjuntos de datos
posibles.3 Cada uno de estos métodos surgió porque, cuando la comunidad de IA abordó
problemas reales y prácticos, algunos de ellos funcionaban mejor que otros. Después de
muchos años, usamos una combinación de muchos métodos de diferentes disciplinas.
3
Esto también se conoce como Teorema de la no gratuidad [67].
Presentación de los unicornios 23
Cómo criar unicornios

¿Los principales científicos de datos empezaron aprendiendo todos los métodos que
conocen hoy en día? Para ser un científico de datos consumado, ¿debes crear primero
un conjunto de habilidades que emule el conjunto de habilidades de un científico de
datos famoso? No. A menudo, no coinciden las habilidades de dos científicos de datos
consumados. Incluso entre los científicos de datos que han sido expertos en datos, está
prácticamente garantizado que tendrán experiencia en al menos un área con la que el
otro no esté familiarizado.
El conjunto de habilidades de científicos de datos consumados se adquiere solucionando
problemas que se benefician de tipos de métodos de IA específicos. Tuvieron que aprender
esos métodos de IA particulares porque eran necesarios para resolver un problema
concreto en el dominio en el que trabajaban. Cada nuevo proyecto les aporta nuevas
habilidades, a veces en nuevas áreas que no formaban parte de su dominio principal de
especialización. Por ejemplo, en 2011, poca gente, en empresas o en el mundo académico,
estaba trabajando en lo que hoy en día se conoce como aprendizaje profundo.
Si quieres convertirte en un unicornio, céntrate en problemas que valga la pena
solucionar. Adquirirás un conjunto de habilidades sólidas en el proceso.
Como responsable, debes buscar dos cosas a la hora de contratar científicos de datos
para tu equipo. Debes buscar un candidato que tenga habilidades en el dominio central
que probablemente utilice tu proyecto inicial de IA, pero también necesitas que tenga
una capacidad demostrada para aprender nuevas habilidades. Es muy probable que,
durante el proceso, tu científico de datos deba aprender muchos nuevos métodos. Al
contratar a miembros sénior del equipo de ciencia de datos, no busques únicamente
una experiencia sólida en un conjunto de métodos de IA. Los científicos de datos
sénior deben tener un historial de resolución de problemas concretos mediante un
conjunto diverso de métodos.
CONSEJO La ciencia de datos es un deporte de equipo. Debes formar un equipo
con conjuntos de habilidades complementarios para abarcar completamente
todos los conocimientos que forman parte de la ciencia de datos.
¿Cómo debes formar a tu equipo de ciencia de datos? Tu equipo necesita tanto
conocimientos empresariales para entender tu problema empresarial como la suficiente
competencia en métodos de IA para realizar un análisis inicial y determinar si la IA
puede solucionar tu problema. Ten en cuenta que el equipo tendrá que aprender
algunas habilidades nuevas durante el proceso de entrega de una solución completa
de IA.
2.7.2 ¿Y los ingenieros de datos?
Cuando hablamos de IA, solemos referirnos a trabajar con conjuntos de datos tan
grandes que no caben en una sola máquina y necesitan un marco de trabajo de big data
para administrarlos. Aunque los científicos de datos son expertos en el uso de marcos
de big data, rara vez son expertos en los detalles de esos marcos. Como resultado,
necesitarás especialistas centrados principalmente en el uso de los propios marcos de
big data. Los llamamos ingenieros de datos.
El big data es un área grande, al igual que lo es la ciencia de datos. Veamos el ejemplo
de un único producto popular en el espacio del big data: el marco de Apache Hadoop
[15]. Hace unos años, la distribución de uno de los principales proveedores de Hadoop
constaba de 23 componentes independientes, cada uno de los cuales tenía el tamaño
suficiente para que pudiera escribirse un libro (y a menudo se ha hecho) al respecto [68].
El cuerpo de conocimiento que entra en el ámbito de ingeniería de datos es
mucho más grande que cualquier marco de trabajo de big data. Los ingenieros de
datos a menudo necesitan poder operar en un entorno on-premises y en el cloud. Los
servicios en el cloud como Amazon AWS [11], Microsoft Azure [13] y Google Cloud
Platform [12] tienen diferentes plataformas con diferencias significativas entre ellas.
Esto significa que es posible que los ingenieros de datos que contrates necesiten tener
un conjunto de habilidades en la plataforma de cloud que prefieras, además de las
habilidades especializadas en marcos de big data.
Sin lugar a dudas, se aplican los mismos límites a los científicos de datos que
a los ingenieros de datos: también son seres humanos y no pueden saberlo todo. Los
ingenieros de datos son expertos característicamente en algunos de los componentes
de los principales marcos de big data.
2.7.3 ¿Dónde están los unicornios?
Lamento decirte que es poco probable que encuentres a una persona que tenga mucha
experiencia en cada uno de los métodos, productos y tecnologías que forman parte
de la ciencia e ingeniería de datos. Con suerte, podrías esperar encontrar a un par de
personas de edad sénior con una sólida experiencia en temas individuales de ciencia de
datos e ingeniería de datos y que estén suficientemente familiarizadas con otros temas
relacionados para hablar con especialistas en áreas en las que ellos mismos no son expertos.
No es probable que este problema se pueda solucionar con una mejor educación,
a pesar de que las universidades hayan comenzado a ofrecer programas y títulos en
ciencia de datos e ingeniería de datos en los últimos años. El campo de conocimiento
es demasiado grande, por lo que se debe tener una expectativa realista de lo que estas
instituciones pueden enseñar a sus alumnos.
ADVERTENCIA Como jefe de proyecto, debes diferenciar entre los conjuntos de
habilidades que posee tu equipo y los conjuntos de habilidades que necesitas para
tu proyecto. Debes identificar y solventar las carencias de habilidades. No supongas
que tus científicos de datos y arquitectos sénior lo saben todo en sus campos y no
les impongas las expectativas de que deberían hacerlo. Estas expectativas solo
dificultan que las personas identifiquen las carencias de habilidades.
Los líderes de proyectos deben saber dónde están las carencias de conocimientos en
el equipo. Dirigir un proyecto de IA que requiere habilidades que tu equipo aún no
posee significa que tienes que solventar estas carencias de conocimiento. Para ello,
aplicar el análisis de carencias [69]. Se muestra un ejemplo de análisis de carencias entre
el conjunto de habilidades que tiene un equipo en la actualidad y los conjuntos de
habilidades necesarios en la figura 2.7.
Figura 2.7. Análisis de carencias entre las habilidades que tiene el equipo y las que se necesitan. Este
análisis te permite crear un plan para abordar las habilidades que faltan.
Ejercicios 25
Aplica los siguientes pasos para realizar un análisis de carencias:

1 Primero colaborarás con tu equipo técnico para esbozar una solución técnica de
alto nivel. Haz que coincida el tiempo dedicado a esta solución técnica con la
probabilidad de que la implementes. La solución debería ser de alto nivel si solo
te estás planteando el proyecto. Tu solución técnica inicial necesita detalles
significativos si tienes previsto iniciar el proyecto pronto.
2 Basándote en la solución, haz un inventario de las habilidades técnicas que
crees que necesitará el proyecto para abordar los casos de uso identificados.
Este resumen de habilidades lo deben llevar a cabo personas que conozcan
el problema empresarial que intentas resolver y que tengan suficientes
conocimientos técnicos para identificar rápidamente un enfoque técnico de alto
nivel para resolverlo.
3 ¿Qué habilidades tienen los miembros de tu equipo? Pregunta a tu equipo sus
habilidades y evita hacer suposiciones en esta área: la IA y la ingeniería de datos
son campos muy técnicos y es fácil hacer suposiciones infundadas.
4 Encuentra carencias entre los conocimientos necesarios y los actuales. Estas
deficiencias nos permiten calcular el nivel de dificultad del proyecto para tu
equipo. Conserva esta lista. Tendrás que crear un plan para superar la carencia
si decides continuar con un proyecto que resuelva esta pregunta empresarial.
(Puedes superar las carencias de conocimientos formando a tu equipo,
contratando a nuevos miembros del equipo o contratando a consultores).
Comprende que el análisis de carencias siempre se realiza en función de la situación
actual. Deberías realizar este análisis de carencias en un nivel más general con solo
un esquema de una solución técnica si solo piensas en un proyecto de IA como una
posibilidad. En el caso de los proyectos que están en curso, necesitas una solución
mucho más detallada como punto de partida. Esto significa que normalmente se lleva
a cabo un análisis de carencias varias veces a lo largo del ciclo de vida del proyecto.
Cuidado cómo preguntas

Cuando preguntas sobre carencias en habilidades técnicas, le estás pidiendo a tus
empleados técnicos que admitan en qué áreas no son expertos. Si no lo preguntas bien,
se lo podrían tomar mal. Piensa en esto antes de preguntarles; es tu trabajo como líder
asegurarte de crear un ambiente en el que los miembros del equipo admitan fácilmente
que no poseen algunas habilidades técnicas.
La técnica preferida para crear dicho ambiente se basa en crear confianza
entre los miembros del equipo para que se sientan cómodos hablando
sobre estos temas. Otras técnicas que podrían resultar útiles son solicitar el
conjunto de habilidades en privado, crear una encuesta anónima o pedir a un
intermediario de confianza que aborde el tema con los miembros de tu equipo.
2.8 Ejercicios
El objetivo de este libro es ayudarte a desarrollar habilidades prácticas que puedas usar
cuando lleves a cabo tu proyecto. En los ejercicios de esta sección podrás aplicar las
habilidades aprendidas en este capítulo a nuevos escenarios empresariales como ayuda
para conseguirlo.
2.8.1 Preguntas de respuesta corta

Proporciona respuestas breves a las preguntas siguientes:
Pregunta 1: Piensa en un proyecto fallido en tu empresa. ¿Habría fallado exactamente

del mismo modo si hubiera tenido un componente basado en IA?
Pregunta 2: ¿Tienes personalmente suficiente conocimiento de la ciencia de datos y la

ingeniería de datos para entender la brecha que hay entre las habilidades técnicas que
tiene tu equipo y las habilidades que necesita para este proyecto?
Pregunta 3: ¿Tienes una relación lo suficientemente buena con los miembros del
equipo como para que se sientan cómodos admitiendo las limitaciones de su conjunto
de habilidades?
2.8.2 Preguntas basadas en escenarios

Responde a las siguientes preguntas según los escenarios descritos:
Pregunta 1: Una de las habilidades importantes cuando se aplica el bucle Detectar/

Analizar/Reaccionar es identificar quién va a ejecutar la parte Reaccionar en el patrón.
Para los siguientes escenarios, responde a esta pregunta: ¿Quién o qué llevará a cabo la
acción y cumplirá la parte Reaccionar del bucle Detectar/Analizar/Reaccionar?
 Escenario 1: Estás construyendo un coche automatizado y la IA que utilizas permitirá
la conducción totalmente autónoma en todas las condiciones (denominada
autonomía de nivel 5 [38], en la que el conductor no dispone de controles).
 Escenario 2: Estás escribiendo un motor de recomendaciones en el que
se sugieren productos al cliente.
 Escenario 3: Estás programando una IA para regular un termostato inteligente
que controla la temperatura en tu casa.
Pregunta 2: Usa la IA para crear un trabajo nuevo. Encuentra un ejemplo de una

capacidad de IA que te permitiría ofrecer un servicio nuevo que tu organización aún
no proporciona. (Para que el trabajo cuente como solución a este ejercicio, debe ser
un trabajo que esté tan poco relacionado con el equipo de desarrollo de software
que está creando la IA, que sea improbable que la persona contratada para el trabajo
conozca alguna vez a ese equipo).
Pregunta 3: Supongamos que utilizas un algoritmo de IA en el contexto de una

instalación médica, un departamento de radiología de un gran hospital, por ejemplo.
Tienes la suerte de tener en el equipo al mejor experto en IA en el campo de la
clasificación de imágenes, con quien estás cubierto en el campo de la IA. Aunque estás
seguro de que ese experto podrá desarrollar un algoritmo de IA para clasificar las
imágenes médicas como normales o anormales, ese experto nunca ha trabajado en un
entorno de atención médica antes. ¿Qué otras consideraciones necesitas abordar para
desarrollar un producto de IA funcional aplicable a la atención médica?
Resumen 27
Pregunta 4: Aplica el ejemplo anterior del ámbito hospitalario a un problema de

clasificación en tu sector. ¿Cuáles son las nuevas consideraciones de tu sector en
comparación con el sector sanitario?
Pregunta 5: Proporciona un ejemplo de IA que ha reemplazado un rol humano, pero

no proporciona una experiencia tan buena como lo haría una persona.
Pregunta 6: Eres un fabricante de cámaras de seguridad y has desarrollado un algoritmo

de IA que puede detectar a una persona en una imagen. Con respecto a la taxonomía
de su rol en tu empresa, ¿cómo clasificarías este uso de la IA?
Pregunta 7: Eres una compañía de seguros y has desarrollado un programa de IA que

podría reconocer qué partes del coche están deterioradas en un accidente a partir de
imágenes estáticas del sitio del siniestro. ¿Puede reemplazar a un perito de seguros?
Resumen
 L
a administración de proyectos de IA no requiere experiencia en los detalles de
los algoritmos de IA. En vez de eso, necesitas saber cómo explicar las ventajas de
un proyecto de IA en términos empresariales. ¿Qué problema empresarial se va
a resolver? ¿Qué ventaja empresarial ofrece la IA? ¿Cómo se mide ese beneficio?
Puedes descubrir acciones empresariales que puedes llevar a cabo y que pueden

beneficiarse de que la IA use un proceso sistemático. Aplica la taxonomía descrita
en la figura 2.5 a tu organización.
Las capacidades de IA se basan en poder saber antes, predecir, procesar datos

estructurados y no estructurados y realizar tareas perceptuales
La IA puede ayudar a tu empresa con la realización de análisis que informan

sobre acciones empresariales concretas. Las oportunidades de IA surgen
cuando se puede aplicar un bucle Detectar/Analizar/Reaccionar, con la parte
Analizar basada en la capacidad de IA y la parte Reaccionar basada en acciones
empresariales concretas que puedes llevar a cabo.
 Ninguna persona es experta en todos los temas de IA, ciencia de datos y proyectos
de ingeniería de datos. Los líderes deben identificar y superar cualquier carencia
relevante en el conocimiento y las capacidades que tiene un equipo.
Elección de tu primer
proyecto de IA

Selección de proyectos de IA que se ajusten a las
0
capacidades de IA de tu organización
Priorización de tus proyectos de IA y elección de qué
0
proyecto de IA ejecutar en primer lugar
Formulación de una pregunta de investigación
0
relacionada con un problema empresarial
Errores que deben evitarse al seleccionar
0
proyectos de IA y las prácticas recomendadas
de dichos proyectos
Si quieres que tu organización analítica sea sostenible, debes evitar empezar con un
proyecto de IA que conlleve desafíos técnicos complejos. En vez de eso, debes elegir
el proyecto inicial para que proporcione rápidamente resultados claros y fáciles de
usar. Debes organizar todo tu proceso para optimizar el tiempo hasta alcanzar el éxito.
Este capítulo te muestra cómo seleccionar tu primer proyecto de IA. También te
enseña a comprobar si la pregunta de investigación que usa tu proyecto de IA refleja
correctamente las preocupaciones empresariales que se supone que deben abordar.
Por último, presentamos una lista de errores comunes en los que podrían caer los
equipos de IA jóvenes.
28
Elección de los proyectos adecuados para un equipo de IA joven 29
3.1 Elección de los proyectos adecuados para un equipo de IA joven

Supongo que tu objetivo a largo plazo es crear un equipo de IA que contribuya al éxito
de tu organización con buenos proyectos relacionados con la IA. Para lograrlo, debes
entender el proceso que llevará a tu equipo de IA al éxito. En esta sección se explica
ese proceso.
CONSEJO Si buscas un proyecto único de IA, es posible que sea mejor comprar
una solución comercial o contratar a un partner externo para que la haga.
Una de las decisiones más cruciales que debes tomar como líder es cómo quieres
priorizar el orden de los proyectos iniciales de IA que tu equipo debe emprender.
Antes de estar preparado para tomar esa decisión, necesitas entender su impacto. Para
comprender cómo triunfan o fracasan los equipos de IA, primero debes entender cómo
son el éxito y el fracaso.
3.1.1 Cómo es el éxito

Leo Tolstoi escribió en Anna Karenina [70]:
Todas las familias felices son iguales; cada familia infeliz lo es a su manera.
Del mismo modo, todos los equipos de IA con éxito se parecen: tu equipo de IA está
creciendo en experiencia (y posiblemente en personal) y está resolviendo problemas
cada vez más complicados. Los proyectos de IA fracasados son el resultado de una serie
de errores (muchos de los cuales se describen en el apartado 3.4), y pueden llevarse
por delante a todo tu equipo de IA. En esta sección se explica por qué debes empezar
con proyectos de entrega rápida, pero que aporten un valor significativo a tu empresa.
Si estás iniciando esfuerzos de IA en tu organización (o incluso si formas parte de
una organización de análisis establecida), estás sujeto a tres fuerzas:
1
Oportunidades abundantes: estás operando con tecnologías (IA y big data) que no
estaban presentes en la empresa y el sector anteriormente, y eres el primero en
aplicarlas a los muchos conjuntos de datos que tiene tu organización.
2
Tiempo y recursos limitados: tienes recursos limitados para los análisis. Lo más
probable es que no tengas suficientes personas cualificadas para dirigir los
proyectos de IA en los que estás pensando.
3
El éxito te hace más fuerte: si ganas dinero para tu empresa, tus recursos analíticos
aumentarán con el tiempo. El equipo directivo invierte en equipos con un
buen historial de aportación de valor. Otros científicos de datos querrán unirse
a proyectos con un historial de éxito. Primero soluciona algunos problemas
sencillos y obtén los recursos que necesitas para abordar los problemas mayores.
¿Cómo puedes tener éxito en un entorno así? ¿Tiene sentido centrarse primero en
grandes victorias, independientemente de lo difíciles que sean (por ejemplo, los
proyectos que proporcionan un valor económico importante)? Es evidente que no. Lo
que es difícil hoy será más fácil mañana, así que empieza con un proyecto que tenga un
valor económico significativo y pueda entregarse rápidamente.
30 CAPÍTULO 3 Elección de tu primer proyecto de IA
CONSEJO La clave es una rápida respuesta a los proyectos iniciales para que
puedas aprender rápidamente. Eres el primero en tu empresa que ha aplicado
la IA a tus datos y problemas empresariales, y hay un montón de oportunidades
para tener éxito con la IA. Francamente, la IA puede no ser de ayuda para tu
empresa si no puedes encontrar una victoria fácil en un entorno así.
Aquí vamos a usar otra analogía. La posición en la que se encuentra tu equipo (con
respecto a las oportunidades) sería similar a la de un cazador que encuentra un buen
coto de caza. Si las oportunidades de ganar dinero fueran animales y tú fueras un
cazador prehistórico, operarías en un entorno rico en objetivos (consulta la figura 3.1).
Figura 3.1. Estás en un buen coto de caza: hay muchos conejos y un gran mamut a la vista. ¿Qué animal
debes intentar capturar primero?
Desarrollar una organización de análisis de éxito es parecido a sobrevivir y prosperar

como cazador. Ahora, pregúntate: «Si estuviera en ese puesto, ¿buscaría primero al
animal más grande en el campo?».
La respuesta probablemente sea que no, porque estás al final de una larga y
distinguida línea de ancestros que han tenido éxito en pasar sus genes a la siguiente
generación. Tenían el sentido común y las habilidades para sobrevivir. Al principio no
tienes las habilidades de caza que te aportan el éxito si vas a por el mamut primero. Si
eres como yo, el autor, lo más probable es que en el momento en que el mamut se dé
la vuelta, te irías corriendo y te harías vegetariano el resto de tu vida. Quiero creer que
sería capaz de cazar un conejo con una trampa. Todos los buenos cazadores deben ser
capaces de capturar conejos (consulta la figura 3.2), ¿verdad?
Figura 3.2. Empieza con proyectos sencillos. El éxito con esos proyectos mejora tus habilidades y
reputación en el resto de la empresa, por lo que puedes realizar búsquedas más difíciles más adelante.
Aunque se perciba que un proyecto técnicamente difícil que requiera mucho tiempo
para entregarlo pueda tener un alto valor empresarial, no es necesario empezar con
ello. Si tu equipo es el cazador, los proyectos más fáciles son los conejos del mundo de
los proyectos.
CONSEJO Una vez que se te conozca como un buen cazador, el resto de la tribu
estará más dispuesto a ayudarte con la búsqueda de mamuts. A medida que
tu equipo de IA aprenda y desarrolle una sólida reputación con el equipo
ejecutivo, tendrás más recursos. Este es el momento de asumir proyectos de IA
difíciles.
Empieza de manera sencilla y crea a partir de ahí: un ejemplo

Una empresa de ingeniería grande y consolidada dedicada a la construcción de maquinaria
pesada estaba interesada en el uso de la IA. El proyecto inicial era relativamente sencillo
y las tecnologías de IA utilizadas eran algo que se puede encontrar en casi todos los
libros de introducción al machine learning (ML). El análisis consistió en la agrupación
básica de los problemas encontrados con el equipamiento y en una predicción básica
de tendencias. Pero el volumen de datos sobre errores del equipamiento era grande,
por lo que ese tipo de análisis no era algo que pudiera realizarse manualmente en toda
la línea de equipamiento fabricado por esta empresa. Los detalles del caso de negocio
eran específicos de esa operación, pero el caso de monetización era sencillo y directo.
La alta dirección coincidió en que era una buena idea iniciar ese proyecto y acordó tomar
medidas empresariales basadas en lo que la IA aconsejaba. La acción empresarial que
se debía tomar (basada en el análisis) era cambiar la asignación de recursos para
el mantenimiento de equipamiento futuro.
Un equipo pequeño acabó la parte técnica del proyecto de forma rápida. Era fácil
persuadir a los directivos para adaptar inmediatamente los resultados. Un sólido caso de
negocio ayudó al líder del equipo de IA a sortear las numerosas limitaciones organizativas
y los obstáculos burocráticos, que son una realidad en cualquier organización grande.
(Y el equipo de IA aprendió a evitar muchos de esos obstáculos la siguiente vez).
La solución proporcionó mucha visibilidad al equipo de IA y una excelente relación con
el equipo ejecutivo. El equipo de IA ahora tenía acceso a todos los recursos necesarios
y podía contratar a nuevas personas y asumir proyectos más difíciles. De todas formas,
el siguiente proyecto seleccionado tuvo una relativa sencillez técnica y, de nuevo,
acarreó grandes consecuencias empresariales. Este es un ciclo virtuoso: aumenta al
respeto al equipo de IA, por lo que tiene acceso a aún más recursos. Hoy en día, como
puedes imaginar, el equipo es mucho mayor y trabaja en algunos de los proyectos de IA
más complicados de su sector.
3.1.2 Cómo es el fracaso

¿Qué debes evitar para no tener un fracaso masivo? Sí, hay muchas maneras en las que
pueden fracasar los pequeños proyectos de IA individuales, pero solo hay una manera
general en la que todo un equipo de IA fracasa. El fracaso total del equipo se produce
cuando el equipo apuesta todo a un único proyecto de IA que posteriormente fracasa.
Vamos a ampliar nuestra analogía anterior del cazador. ¿Cómo fracasa el cazador?
Al final del día, un cazador de éxito tiene algo que comer, y uno que no tiene éxito no
tiene. ¿Por qué los cazadores que no tienen éxito se estrellan en un entorno rico en
objetivos?
En un entorno rico en objetivos, no pasarás hambre aunque la búsqueda del animal
más grande fracase. Pasas hambre si dedicas demasiado tiempo a buscar el animal más
grande, pasando por alto los más pequeños que habrían sido una cena fácil. Debes cazar
animales grandes cuando hayas perfeccionado tus habilidades en los más pequeños
y tengas la barriga llena.
NOTA Cuando comiences con tus iniciativas de IA, tendrás dificultades

para crear un equipo lo suficientemente grande que pueda afrontar tus
oportunidades mayores y más difíciles. El peligroso planteamiento de «Vamos
a buscar primero las grandes oportunidades» con demasiada frecuencia acaba
siendo una apuesta arriesgada que puede destruir a tu equipo.
Es peligroso escoger empezar con los proyectos técnicamente difíciles, incluso si tienen
un valor percibido mayor. Si el proyecto es complicado, es posible que el equipo de
análisis no disponga de recursos suficientes para ejecutar otros proyectos importantes.
Te lo juegas todo a una sola carta.
El diagnóstico médico es un problema difícil

Supongamos que formas parte de un equipo hospitalario que está interesado en la
IA y pruebas a hacer el mayor desafío: utilizar la IA para ayudar en el departamento
de oncología. Formarás un equipo de proyecto grande para crear un sistema de apoyo
a la toma de decisiones para el departamento de oncología. Pero el cáncer es una
enfermedad complicada, y en los hospitales, según las pautas clínicas, los médicos
tienen la última palabra sobre cómo se hacen las cosas.
Así que ahora trabajas en un proyecto complicado que requiere millones de dólares de
inversión y tratas de abordar un problema demasiado amplio. Tampoco has generado
confianza gradualmente en los usuarios finales (los oncólogos), por lo que dudan sobre
los resultados de tu sistema de IA. Y lo que es peor, ¡tienen razón al dudar! Los primeros
prototipos de sistemas que trabajaban en un problema diferente generaron resultados
deficientes. Estás atrapado en un círculo vicioso, sin otra alternativa que duplicar el
proyecto en el que ya has invertido millones de dólares.
Tu equipo podría haber rendido mejor si se hubiera centrado en un problema más simple
y hubieran establecido mejores relaciones con los doctores. Para empezar, el cáncer no
es una sola enfermedad, sino un gran grupo de enfermedades. Recientemente se han
producido importantes avances en el uso de la IA en imágenes médicas [64], lo que
permite efectuar un buen diagnóstico de arritmia cardíaca, por ejemplo. ¿Por qué no
establecer una buena relación con algunos cardiólogos y asumir proyectos más difíciles
más adelante? Sin duda, no perjudicará tus posibilidades de éxito si el jefe de cardiología
está dispuesto a recomendar tu experiencia a sus compañeros de otros departamentos.
Figura 3.3. Muestra lo que puede ocurrir si aceptas un proyecto demasiado difícil
para las capacidades iniciales de tu equipo.
A veces, si empiezas un proyecto complicado, podrías tener suerte. Tal vez puedas
mantener la confianza del equipo directivo durante el tiempo suficiente suficiente
como para finalizar un proyecto satisfactorio, y el éxito puede ser de ayuda a la hora
de afrontar proyectos mayores más adelante. Pero ¿es prudente apostar por ese tipo
Figura 3.3. Has acorralado

al mamut a la primera. ¿Qué vas
a hacer ahora?
de soporte o es un enorme riesgo en el que el recurso más valioso (el tiempo de tu

equipo) se dispersa en un intento grande? Además, recuerda que este tipo de éxito
también generará expectativas altas de logros futuros. Incluso si tu primer proyecto
tiene éxito, ahora debes encontrar otro proyecto grande y arriesgado. ¿Cuánto tiempo
pasará antes de que se acabe la suerte?
Cuando diriges un equipo de ciencia de datos, los verdaderos peligros consisten
en asumir un proyecto complejo, persistir demasiado en el camino equivocado,
monopolizar tus escasos recursos y no tener nada que mostrar por tus esfuerzos.
Mientras tanto, estás ocasionando costes importantes. Además, pones al equipo
directivo en la posición de seguir dando soporte a un proyecto costoso que no ofrece
resultados rápidos. ¿Y si decide que desconectar es lo racional?
ADVERTENCIA Cuando crees un proyecto de IA que se usará como un sistema

de apoyo a la toma de decisiones, tu organización empresarial necesita tiempo
para aprender a implementar los resultados de tus análisis basados en IA. Si tu
equipo directivo se pone nervioso antes de que la parte técnica del proyecto
esté terminada, tu proyecto está muerto nada más llegar.
3.2 Priorización de los proyectos de IA

¿Cómo se elige el primer proyecto de IA adecuado? Fácil: debe ser, desde el punto
de vista de la empresa, viable, valioso y sencillo. Eso significa que cada proyecto debe
poder ofrecer un resultado que sea práctico para tu empresa. Debe tener un valor
empresarial importante y debe poder calcular la dificultad de su entrega. En esta
sección se muestra cómo crear una lista de proyectos que cumplan esos criterios. En la
figura 3.4 se describe el proceso que se debe utilizar para crear una lista de proyectos.
Figura 3.4. La parte C de CLUE te permite crear una lista de proyectos de IA viables y calcular su complejidad.
Priorización de los proyectos de IA 35
En la figura 3.4 se muestran estos elementos:

1 Empieza por ver todas las áreas de negocio de las que es responsable tu equipo.
2 ¿En cuáles de esas áreas puedes aplicar la IA y asegurarte de que abarcas todos
los elementos del bucle Detectar/Analizar/Reaccionar? (Una buena referencia
para este paso es la figura 2.4 del capítulo 2).
– Empieza con Reaccionar, encontrando las acciones disponibles que se pueden
realizar. (Consulta la sección 3.2.1 para obtener detalles).
– Después, asegúrate de que puedes abarcar la parte Detectar y Analizar del
bucle. (Consulta la sección 3.2.2 para obtener detalles).
3 Determina qué métrica empresarial utilizarás para medir cuánto te ayuda
tu proyecto de IA a alcanzar el objetivo empresarial. (Consulta la sección 3.2.3
para obtener detalles).
4 Calcula el valor empresarial del proyecto de IA indicado.
5 Calcula la dificultad de implementar este caso de negocio y cuánto tiempo
se tardará en implementarlo (sección 3.2.4).
Supondré que puedes calcular el valor empresarial (paso 4) del proyecto de IA por tu
cuenta, ya que no conozco tu organización o tu empresa tan bien como tú. En la parte
restante de esta sección se muestra cómo implementar los demás pasos de este flujo
de trabajo.
3.2.1 Reacción: encontrar preguntas empresariales para que las responda la IA

Ya conocer la taxonomía de la IA en función del rol que la IA desempeña en la empresa
después de haber leído el capítulo 2. El uso de esa taxonomía es una buena manera de
crear acciones empresariales que se puedan utilizar en el bucle de reacción. En esta
sección se muestra cómo aplicar esa taxonomía.
Mediante un proceso de eliminación, encontrarás la parte Reaccionar adecuada
del bucle Detectar/Analizar/Reaccionar. En primer lugar, fíjate en todas las áreas
de tu empresa. A continuación, determina cuál de esas áreas se beneficiará de la IA
aplicando una taxonomía de IA a un alto nivel (como se describe en la figura 2.5 del
capítulo 2). Puedes ver cómo utilizar esa taxonomía para facilitar las conversaciones
con el fin de descubrir las acciones del dominio que cubren la parte Reaccionar del
bucle en la figura 3.5.
En la figura 3.5 simplemente se aplica la taxonomía existente relacionada con la
empresa de la IA y se plantea una pregunta diseñada para encontrar un problema
empresarial que debe responder la IA. Mostraré un ejemplo de cómo se puede usar.
Imagínate trabajar con un minorista nominalmente independiente que forma parte
de una franquicia más grande. El propietario de la franquicia debe aprobar cualquier
cambio en el proceso, y la dirección de la tienda no está dispuesta a pedir eso hasta
que les hayas mostrado que la IA puede mejorar los resultados. En consecuencia, la
dirección del minorista aún no está dispuesta a cambiar ni automatizar sus procesos
empresariales, pero sí puede cambiar la mezcla de productos (cuántos productos de cada
tipo hay en la tienda).
Figura 3.5. La parte Reaccionar del bucle Detectar/Analizar/Reaccionar: encontrar problemas

empresariales a los que la IA puede reaccionar. Haz las preguntas que te mostramos aquí cuando hayas
identificado el papel que desempeña la IA en tu empresa.
CONSEJO El escepticismo del equipo directivo hacia una solución basada en IA

es algo que suele pasar. Los tecnólogos suelen dar por hecho la capacidad de
la IA, pero los empresarios pueden dudar. Debes ganarte su confianza antes
de que se puedan adoptar proyectos de IA más grandes y eficaces. Ponte en la
piel del equipo directivo del minorista. ¿Qué te parece acercarte al propietario
de la franquicia y preguntarle: «¿Podemos cambiar los procesos que afectan a
todas las tiendas de la franquicia? Quiero probar algo llamado IA en mi tienda,
pero no sé cuáles serán los resultados».
En este ejemplo, el único uso de la IA que puedes hacer es ayudar al propio equipo
directivo de la tienda. Este es claramente un ejemplo de creación de un sistema de
apoyo a las decisiones. Observa la figura 3.5 en la rama IA para el sistema de soporte
de decisiones. Las preguntas aplicables a esta rama son: ¿qué decisiones puede tomar
el equipo directivo y por qué no las han tomado aún? Ahí es donde aprendes que
todo lo que tu equipo directivo puede hacer en este momento es cambiar la mezcla
de productos: puedes colocar diferentes productos en diferentes estanterías. Esta es la
parte Reaccionar del bucle Detectar/Analizar/Reaccionar.
La pregunta empresarial que estás respondiendo es: «¿Cuál es la combinación de
productos más rentable de mi tienda, en función de las ventas históricas?». Ahora
puedes pasar a la parte Detectar/Analizar del bucle.
No te detengas en cuanto encuentres el primer problema empresarial

Antes de seguir, veamos si hay otras opciones para usar la IA en esta tienda minorista.
Fíjate de nuevo en la figura 3.5. ¿Hay alguna forma de utilizar la IA como parte de
una rama de producto más grande? Ya hay un sistema de videovigilancia en la tienda.
¿Puedes usar ese sistema de videovigilancia con la IA? ¿Qué función de la IA combinada
con la videovigilancia puedes realizar para el equipo directivo de la tienda en caso de
que quiera optimizar la mezcla de productos de la tienda? Así es como puedes encontrar
más preguntas prácticas empresariales:
 ¿Un cliente vio el producto y se fue? ¿Ese producto es más caro que el de
la competencia?
 ¿Un cliente buscaba un producto que estaba agotado? (Se acercó a la zona en la
que se muestra ese producto, vio que no había productos y se fue de la tienda).
Si puedes usar la IA para responder a estas preguntas, puedes haber encontrado un
caso de uso viable que te puede ayudar a optimizar la mezcla de productos. Al utilizar la
figura 3.5, recuerda que cada área de la empresa puede generar varios casos de uso.
Pero ten en cuenta que este no es un problema fácil de resolver y llevará tiempo
implementar un proyecto de IA de este tipo antes de dedicar demasiado tiempo al uso
de la IA para el análisis de secuencias de vídeo.
Antes de iniciar el prototipo, decides preguntar al equipo directivo del minorista qué
piensa sobre el caso de uso que has encontrado. Me alegro de que hayas preguntado.
La dirección te dice que le preocupan los aspectos legales y de relaciones públicas de
este uso de la IA en su tienda. No tiene interés en usar el análisis de vídeo. Acabas de
ahorrar a la empresa el coste de implementar una solución de IA que no se hubiera
usado aunque hubiera tenido éxito.
3.2.2 Detectar/Analizar: métodos y datos de IA

Una vez que hayas establecido la parte Reaccionar del bucle, debes decidir qué
algoritmos de IA vas a utilizar y asegurarte de que tienes suficientes datos para usarlos.
En esta sección se habla de las relaciones entre los métodos y los datos de IA.
Esta es un área en la que, si no eres experto en IA, necesitas un experto con un
comando sólido de una amplia gama de algoritmos de IA y ML que te ayuden. El campo
de la IA es demasiado grande y cambia demasiado rápido para que cualquier libro
te enseñe lo suficiente como para reemplazar a ese experto. Aun así, las taxonomías
presentadas en la figura 2.6 del capítulo 2 pueden ser útiles para enmarcar el debate
y recordarte capacidades de IA de alto nivel que puedes aplicar a las preguntas
empresariales que deseas abordar.
Una vez que te hagas una idea del tipo de métodos de IA que vas a utilizar, debes ser
consciente de la relación entre esos métodos y los datos, como se muestra en la figura 3.6.
Figura 3.6. Los métodos y los datos de ciencia de datos están interconectados y se influyen entre sí.
No hables nunca de un método sin preguntar dónde puedes obtener los datos necesarios para entrenarlo.
Siempre debes tener en cuenta los datos y los métodos de IA que tienes previsto
utilizar juntos. Puedes dividir los datos en dos grupos: los datos que tiene tu equipo
y los datos que tu equipo puede recopilar.
CONSEJO Los datos que puedes recopilar no son solo datos que tienes en algún
lugar de tu organización, sino que no están disponibles de inmediato para tu
equipo. También pueden ser datos que puedes adquirir de fuentes externas
a tu organización o datos que puedes comprar a partners empresariales. Para
acceder a estos datos a menudo es necesario negociar y firmar contratos.
Consideraciones al recopilar datos

La recopilación de datos tiene muchos inconvenientes y debes encargarte de ello. Haz
al menos las siguientes preguntas:
 ¿Qué debe entrenar tu algoritmo de ML para estos datos? ¿Qué formato de datos
requiere? ¿Qué volumen de datos necesita entrenar este algoritmo? ¿Qué calidad?
 ¿Qué fuentes proporcionan estos datos?
 ¿Quién es el propietario del conjunto de datos?
 ¿Cuánto cuesta adquirir este conjunto de datos? ¿Cuánto tiempo se tardaría
en adquirirla? ¿Es necesario negociar (o incluso firmar contratos legales) para
obtener acceso a los datos?
 ¿Hasta qué punto se adapta este conjunto de datos al formato de datos que
obtendrías en un sistema de producción? ¿Es necesario preprocesar los datos
de entrenamiento antes de poder utilizarse y etiquetar los datos?
 ¿Qué tamaño de infraestructura de datos necesitarás para almacenar el conjunto
de datos?
 ¿Cómo se pueden recopilar nuevos datos después de construir el conjunto
de datos inicial?
 ¿Es posible que tu organización tenga datos, pero que tu equipo no tenga acceso
a ellos? A menudo sucede que no puedes acceder a algunos de los datos que ya
tiene tu organización. Los datos pueden ser confidenciales por motivos éticos,
normativas o políticas de privacidad de la empresa.
 ¿Cuáles son las consideraciones legales y éticas (copyright, política de privacidad,
expectativas, etc.)? Siempre debes considerar la ética, la política organizativa
y las normativas (con GDPR [71] e HIPAA [72,73], por poner algunos ejemplos)
al recopilar datos.
Una vez que revises esta lista de comprobación, te darás cuenta de que en algunos casos,
puedes recopilar los datos que necesitan los algoritmos de tu ML. En otros casos, te
encontrarás con que los datos no están disponibles o son demasiado caros de recopilar.
En el ejemplo minorista indicado en la sección anterior, tu científico de datos

te asegura que puedes usar un método de ML para predecir tendencias de ventas y otro
para optimizar la mezcla de productos. Los nombres de estos algoritmos y métodos
no significan mucho para ti; podrían surgir algunos términos como ARIMA, LSTM
e investigación operativa. Esos métodos requieren datos sobre ventas anteriores.
Estos datos están disponibles internamente en tu organización y tu proyecto puede
acceder a los datos inmediatamente. Ahora has identificado un caso de uso para el que
se cubren todos los elementos del bucle Detectar/Analizar/Reaccionar: este es un caso
de uso viable para un proyecto de IA.
IA que reconoce tu comida

Otro ejemplo de la relación entre datos y el algoritmo usado se puede ver cuando
se usa la IA para reconocer la comida mediante imagen. El contexto puede ser una
planta de procesamiento de alimentos o un horno inteligente conectado a Internet
[74] que tiene una cámara dentro y utiliza la IA para reconocer automáticamente
la comida que ponemos en el horno.
Para hacer un horno así, tienes que usar un algoritmo de IA que reconozca una imagen
(en el momento en el que se escribe esto, normalmente algún tipo de red neuronal
convolucional) y necesitas datos para entrenar un método de IA de este tipo. Estos
datos constan de imágenes de diversos tipos de alimentos.
Cuando estés comenzando un proyecto, no tendrás muchas imágenes de comida en tu
casa. Pero puede haber algunas fuentes externas de las que puedas recopilar datos.
Estas fuentes son sitios web con fotos de alimentos o incluso fotos de los alimentos
que los usuarios de tu horno están cocinando. Hay consideraciones adicionales al
recopilar imágenes de alimentos de estas fuentes que son típicas de los datos que no
tienes pero que puedes recopilar. Debes asegurarte de que se respeten las leyes de
privacidad y copyright.
Otro aspecto interesante de la recopilación de datos es que algunos de los que
recopilas son ligeramente diferentes de los datos ideales que quieres usar para tu
IA. Con la posición y el tipo de cámara del horno, las fotos de la comida que hace
parezcan un poco diferentes de las fotos de la comida en un plato (que es lo que
normalmente encontrarás en la web). Además, los hornos son lugares muy grasientos
y la grasa en los vidrios puede afectar a la imagen de la comida del horno. No se
muestra ninguna imagen de la comida en la web a través de una lente grasienta.
¿Y si algunas de tus preguntas empresariales pudieran haberse contestado con alguna
técnica de IA que no conozca el mejor científico de datos que puedas encontrar? Si
los mejores expertos en IA que puedes encontrar ni siquiera están familiarizados con
esa técnica de IA concreta, es poco probable que puedas crear un equipo que sea lo
suficientemente sólido como para poder usarla.
¿Big data o small data?

Big data tiene un gran reconocimiento de marca y la mayoría de las conversaciones
de IA se producen en el contexto de conjuntos de big data. Sin duda, el big data es
necesario: si vas a almacenar centenares de imágenes por persona, a alta resolución,
tomadas por millones de personas, sin duda necesitas una gran capacidad de
almacenamiento.
Pero el big data es solo un tipo de datos que pueden usar tus algoritmos de IA,
así que no deberías pensar solo en big data frente a small data. En lugar de ello,
piensa en todos los datos necesarios para tomar decisiones. A veces no necesitas
(o no puedes obtener) grandes conjuntos de datos. Por ejemplo, los resultados
trimestrales se tienen una vez por trimestre. Un estudio de medicamentos no podrá
reclutar a millones de pacientes. Los accidentes de automóviles son comunes, pero
(afortunadamente) no se miden en billones al año.
Algunos conjuntos de datos pueden ser pequeños, pero siguen teniendo información
sobre resultados importantes. También pueden ser caros de obtener. Piensa en un
mercado de reaseguros como Lloyd's en Londres. Cuando las reclamaciones se
miden en centenares de millones, el conjunto de datos es, con suerte, pequeño pero
importante y costoso de adquirir.
3.2.3 Medición del éxito de los proyectos de IA con métricas empresariales

Al asegurarte de que todas las partes del bucle Detectar/Analizar/Reaccionar están
cubiertas para un caso de uso específico, has comprobado que este caso es técnicamente
posible y práctico. Pero ¿cómo puedes saber de qué manera afecta a los resultados? En
esta sección se muestra por qué debes utilizar métricas del dominio empresarial para
medir el resultado de tu proyecto de IA.
La IA está impulsada por métricas, pero debes usar la IA para satisfacer un objetivo
empresarial. Ese objetivo debe estar representado por una métrica empresarial. Esa
métrica empresarial debería, a su vez, indicar lo valiosa que es una respuesta a tu
pregunta cuando se usa para mejorar tu empresa. La métrica medida no tiene que ser
un solo un número exacto como «El beneficio mejoró el 10 %». También se puede
calcular, como, por ejemplo, «Los beneficios mejoraron entre el 8 % y el 12 %».
ADVERTENCIA La métrica empresarial debe definirse para cada proyecto de

IA. Los métodos de IA son, por su naturaleza, métodos cuantitativos, solo
operan con datos contrastados. No intentes utilizar la IA si no puedes definir
primero una métrica empresarial que puedas utilizar para medir el resultado
del proyecto.
Poder elegir una métrica empresarial adecuada es una habilidad empresarial que es
cualquier cosa menos trivial. Pero la buena noticia es que si tu organización utiliza las
métricas correctamente, ya deberías tener una métrica empresarial definida para ti, la
misma que ya mide los resultados empresariales en el área en la que estás intentando
aplicar la IA. Esa métrica también debe medir cuánto mejora la IA en tu empresa.
Ejemplos de posibles métricas empresariales

Como medida de precaución, las métricas empresariales correctas siempre son
específicas de tu organización, no algo que recojas de otra persona solo porque
le funcionaba a ella. Las métricas siguientes no son excepciones a esa regla: son
ejemplos de lo que puede funcionar para algunas organizaciones.
 Al elegir entre diferentes proveedores, una posible métrica podría ser el coste total
de usar sus piezas en tu producto. Ten en cuenta que esto es diferente del precio
de sus piezas, ya que incluye otros costes relacionados en los que incurrirás
debido al uso de dichas piezas. Esto incluye el coste de soporte o reparación de
tu producto cuando se rompan esas piezas.
 Si eres editor de libros que debate cuántos libros nuevos se van a imprimir,
el beneficio esperado de las ventas de libros físicos podría ser una buena métrica.
Esto es diferente del beneficio por libro vendido, ya que incluye factores como
el coste acumulado de los libros impresos, el coste acumulado de almacenar los
libros en la tienda o en algún otro centro de almacenamiento, la programación
y el precio previstos para vender los libros y el coste de capital.
 Imagina que eres un minorista que quiere optimizar su mezcla de productos como
en el ejemplo en la sección 3.2.1. Una métrica empresarial correcta para ese
minorista era ¿cuánto se relacionaba el cambio en los ingresos netos con todos
los artículos de la mezcla de productos? Los ingresos netos no solo se verán
afectados por el volumen de ventas de los artículos individuales de la mezcla, sino
también por los costes de cambio de esa mezcla, almacenamiento, transporte
y muchos otros gastos específicos de cada vendedor individual.
Una buena métrica empresarial debe personalizarse según las necesidades
de tu organización y el resultado empresarial concreto que estés midiendo.
Este libro no puede proporcionar todas las prácticas recomendadas para crear buenas
métricas organizativas, lo que ya daría para un libro (el libro de Luftig y Ouellette
[1] y el de Ries [28] tratan el tema de las métricas empresariales). Pero me gustaría
señalar que una buena métrica empresarial debe ser específica de tu organización,
cuantificable, medible, pertinente para el resultado deseado y libre de consecuencias
no deseadas.
CONSEJO A veces tu organización utiliza una métrica empresarial, pero

sospechas que lo que se está midiendo es incorrecto y no es útil para dirigir
tu empresa. Si estás en esta situación, corrige la métrica antes de iniciar un
proyecto de IA y usa esa métrica fija para medir los resultados finales de tu
proyecto de IA. De lo contrario, optimizarás la IA para producir resultados
empresariales incorrectos.
Cuando hayas seleccionado una métrica empresarial que puedes utilizar para medir la
contribución empresarial de tu proyecto de IA, puedes definir el umbral. Este umbral
representa el valor mínimo que la acción dirigida por la IA debe lograr para que tu
proyecto valga la pena. Por ejemplo, si la métrica empresarial que decides utilizar es
«aumento del beneficio», tu umbral podría ser que el beneficio debe aumentar al
menos dos millones de dólares al año para que el proyecto de IA valga la pena.
Umbral para el ejemplo de minorista

Los umbrales siempre son específicos de cada organización, ya que dependen de la
estructura de coste y beneficio de tu organización. Necesitas obtenerlos del equipo
empresarial. A continuación, se muestra un ejemplo de cómo conseguir objetivos
para el ejemplo de minorista que se muestra en la sección 3.2.1.
Tú: Si el proyecto de IA proporciona un aumento de los ingresos netos del 1 %,
¿estarías dispuesto a cambiar la mezcla de productos?
Director del minorista: Aunque estoy dispuesto a cambiar la mezcla de productos,
contratar nuevos proveedores es caro. Debo tener en cuenta los costes de la
contratación del proveedor: no solo los costes monetarios, sino también la atención
de la dirección y el tiempo necesario para contratarlos. Nuestra métrica debe tener
en cuenta con cuántos nuevos proveedores necesito contratar. En concreto, necesito
que mis ingresos netos aumenten un 0,3 % para justificar la contratación de un único
proveedor nuevo. Así que no puedo decir en toda su extensión que el 1 % sea suficiente
para cambiar la mezcla de productos, lo sería si contratara tres nuevos proveedores,
pero no si necesito contratar 20.
En este ejemplo, los ingresos netos son la métrica y el umbral es el 0,3 % para cada
nuevo proveedor.
Ahora que dispones de las métricas que tienes previsto utilizar con tu proyecto, debes
confirmar que es posible medir los resultados de tu proyecto de IA con esas métricas.
Presenta las métricas empresariales a tu experto en IA y solicita que confirme que su
equipo podrá informar del resultado del proyecto de IA mediante esas métricas. Tu
experto en IA necesita establecer un vínculo entre esa métrica empresarial y una de
las métricas de evaluación técnica (como en RMSE, por ejemplo) que pretende usar
en el proyecto de IA.
CONSEJO Cuando una métrica empresarial mide correctamente el resultado

empresarial que deseas lograr y cuando los expertos técnicos saben cómo
informar de su progreso técnico mediante esa métrica empresarial, resulta
adecuada para un proyecto de IA.
¿Qué sucede si no encuentras una métrica empresarial aplicable?

La incapacidad de reconocer el proyecto de IA con el que se deben medir métricas
empresariales fácilmente es una mala señal. Si no puedes cuantificar el resultado
empresarial que esperas lograr, tienes que preguntarte a ti y a tus compañeros:
«¿Deberíamos iniciar un proyecto de IA en primer lugar?».
Sin la capacidad de definir tu métrica empresarial, tampoco puedes definir ningún
umbral de valor para tu proyecto de IA. Sin ese umbral, no sabes si los resultados de
tu proyecto son lo suficientemente sustanciales como para usarlos en tu empresa.
Sin una métrica empresarial ni un umbral, tampoco tienes forma de calcular el valor
empresarial de tu proyecto de IA y no sabrás si es rentable. En todos los casos, a falta
de una buena métrica empresarial, la administración del proyecto de IA degeneraría
en una serie de decisiones tomadas por instinto.
La incapacidad de escoger una métrica empresarial para tu proyecto de IA puede
ser una señal de que la métrica empresarial está mal construida, lo que crea una
situación en la que debes proporcionar valor a la empresa pero no puedes medirlo.
También puede indicar que no puedes proporcionar ningún valor empresarial.
O puede indicar que el proyecto de IA está tan desconectado del negocio principal
que la empresa no tiene idea de qué hacer con los resultados. En el mejor de los
casos, estos proyectos son arriesgados.
A veces existe un valor empresarial claro, pero la dirección puede percibirlo como algo
intangible y algo que no se puede medir. Algunos ejemplos de intangibles pueden ser
la moral de los empleados y el valor de la marca. Esto sucede cuando la dirección
no es consciente de que los intangibles se pueden medir mediante el uso de un
intervalo en vez de hacer con un solo número. Consulta el libro de Hubbard [75] a fin
de ver varios ejemplos de las prácticas recomendadas para usar rangos que medir lo
que se denomina cantidades intangibles en las empresas.
3.2.4 Estimación de la dificultad de los proyectos de IA

Ahora has confirmado que el proyecto de IA que estás pensando es posible y tienes una
manera de medir el impacto empresarial y su valor. Para determinar si el proyecto de
IA es viable, necesitas conocer su coste, la dificultad de su implementación y cuánto
tiempo llevará. En esta sección se detallan las consideraciones a la hora de calcular esas
cantidades.
Para calcular la dificultad, es necesario esbozar un esquema de la solución técnica
que se usará en el proyecto de IA. Necesitas tener representantes de tus equipos
de ciencia de datos e ingeniería de datos, además de tu arquitecto de software, que
funcionen juntos en este esquema. Tu objetivo es proporcionar un esquema de alto
nivel de la solución, para comparar una selección de posibles proyectos de IA.
Una vez que tengas este esquema, úsalo para calcular la dificultad, el coste y el
tiempo para entregar el proyecto. Estas son, de nuevo, estimaciones aproximadas
destinadas a comparar diferentes opciones de proyecto de IA.
Consideraciones para calcular la dificultad de los proyectos de IA

Ten en cuenta las siguientes consideraciones al calcular la dificultad de los proyectos
de IA:
 Ten en cuenta el tiempo necesario para recopilar los datos que necesitas.
 ¿Tienes la infraestructura necesaria para tu cantidad de datos? ¿Necesitas un
marco de big data?
 Si usas grandes conjuntos de datos, no olvides tener en cuenta el tiempo
necesario para procesar los datos y entrenar los algoritmos de IA.
 ¿Tiene tu equipo las habilidades necesarias para cubrir este caso de uso?
¿Cuáles son las deficiencias de sus habilidades, si las hubiera? (Como se
ha indicado en el capítulo 2, un líder del equipo debe ser consciente de las
carencias de conocimientos en el equipo).
 ¿Seguro de que el proyecto es técnicamente posible? ¿Conoces los métodos
de IA propuestos lo suficiente como para ser adecuados y que tu equipo pueda
crearlo o solo conoces esa área de IA lo suficiente como para suponer que el
proyecto es posible?
Puedes utilizar cualquier metodología de estimación que conozcas en tu organización
para calcular otros proyectos de software cuando puedas tener en cuenta los detalles
del proyecto de IA.
CONSEJO Recuerda que a las personas no se les suele dar bien hacer
estimaciones [75], son peores si la estimación se basa en solo un esbozo de la
solución y aún peores si deben calcular en áreas técnicas que conocen poco.
Tu estimación será muy aproximada por necesidad. El objetivo es comparar
diferentes opciones de proyectos de IA y no debes establecer un compromiso
sólido con el equipo directivo basándote en esta estimación.
En este punto, tienes toda la información que necesitas para crear una lista de
proyectos de IA viables y posibles. Sabes cómo determinar si el proyecto propuesto
es práctico y técnicamente posible. Ya sabes cómo medir el valor empresarial del
proyecto de IA y puedes hacer una estimación aproximada del coste, la dificultad
y la duración. Ahora es el momento de seleccionar el primer proyecto de IA que se
ejecutará. La siguiente sección te guiará a través de la selección y preparación para
ejecutar tu primer proyecto de IA.
3.3 Tu primer proyecto y tu primera pregunta de investigación
Como se explica en la sección 3.1, si tu objetivo es crear un equipo de IA que sea un
activo a largo plazo para tu organización empresarial, los proyectos iniciales deben ser
sencillos y rápidos de entregar. Por lo tanto, los criterios para seleccionar tu primer
proyecto de IA que quieres ejecutar son sencillos: elige el proyecto que sea rápido de
entregar y que tenga un valor empresarial significativo. Debes hacer lo siguiente cuando
hayas elegido ese proyecto:
 Define la pregunta de investigación que respondería el proyecto (sección 3.3.1).
 Organiza el proyecto para que, si fracasa, lo haga rápidamente (sección 3.3.2).
Tu primer proyecto y tu primera pregunta de investigación 45
En la parte restante de esta sección se muestra cómo definir la pregunta del estudio y se
explica qué significa «fracasar rápidamente».
3.3.1 Definir la pregunta de investigación

Has escogido tu primer proyecto de IA. Ese proyecto tiene una pregunta empresarial
clara que debe responderse y se escribe de manera que la pueda entender un responsable
de la toma de decisiones empresariales. Ahora esa pregunta debe traducirse en un
formato que la IA pueda entender: la «pregunta de investigación». En esta sección se
muestra cómo asegurarse de que la pregunta de investigación coincida con la de tu
empresa.
Supongamos que eres un fabricante y tu pregunta de investigación es: «¿Debo
escoger al proveedor A o al proveedor B en función de la calidad de su producto?».
Necesitas que la IA responda a esta pregunta, pero hay un problema: la IA no tiene ni
idea de lo que significa el concepto de proveedor.
LA IA NO ENTIENDE LOS CONCEPTOS EMPRESARIALES
Las personas que no están familiarizadas con capacidades de IA normalmente piensan
que la IA puede provocar una reacción más allá de la capacidad humana. Con el nivel
actual de IA, rara vez eso es posible.
No hay ningún algoritmo de IA que pueda examinar a un minorista y averiguar
cómo mejorar los beneficios. El motivo es que la IA no sabe lo que significan las palabras
minorista, producto y beneficio. La IA no sabe lo que es un proveedor y mucho menos lo
que hace que un proveedor sea mejor que otro. Esos son conceptos empresariales.
Tampoco la IA entiende que pueda haber consideraciones éticas, relaciones públicas
y legales con respecto al uso de la IA en el análisis de vídeo de vigilancia en la tienda.
Las personas pueden entender conceptos empresariales, pero los datos relacionados
con esos conceptos se deben recopilar en un formato que esperan los algoritmos de
IA/ML. Ese es el trabajo de tu equipo de ciencia de datos. Para ello, primero debe
formular una pregunta de investigación. Puedes ver la pregunta de investigación como
una traducción de la pregunta empresarial en un formato que pueda entender la IA.
EL LENGUAJE CONTRACTUAL DEL DOMINIO TÉCNICO
Los métodos de IA operan en un dominio técnico. El lenguaje utilizado en ese
dominio tiene carácter contractual y tiene el formato siguiente: «Si me presentas una
entrada en formato X, te garantizo que proporcionaré la respuesta Y». Esos contratos
suelen ser enrevesados y requieren que un experto en el campo entienda realmente su
significado preciso, así como todas las implicaciones de lo que se dice.
Vamos a demostrar este lenguaje contractual en algunos ejemplos concretos:
 La IA basada en métodos estadísticos clásicos utilizará el lenguaje de las pruebas
de hipótesis: «¿Existe una diferencia estadísticamente significativa entre las
muestras de pieza del proveedor A y el proveedor B en p = 0,05?».
 La IA basada en el reconocimiento de imágenes se expresará en el lenguaje
del ML: «Si esta es una imagen de tu pieza, puedo decirte con un 95 % de
confianza que es mucho más similar a la clase de piezas que has etiquetado como
defectuosas, en comparación con otras clases».
La IA también puede decirte que, en general, alcanza el 98 % de precisión al

clasificar correctamente las piezas entre una clase y otra.
 La IA usada en el sector editorial para predecir cuántos libros físicos se deben
imprimir en una segunda edición si la primera edición se vende en tres meses
puede estar basada en un modelo de serie temporal. Según el modelo usado, una
pregunta de investigación puede ser: «Predice con un intervalo de confianza del
95 % las ventas en libros en los próximos tres meses, en función de las ventas de
los tres anteriores».
Si no eres un científico de datos, es probable que ahora mismo la cabeza te esté dando
vueltas. ¿Qué significan esas frases? ¿Te parecen un poco raras? ¡Lo son! Los métodos de
IA se definen en un formato resumido que deben entender ordenadores y científicos
de datos, no los usuarios empresariales. Necesitas traducir los problemas empresariales
al lenguaje de IA para solucionarlos. A eso me refiero con la formulación del problema
cuando digo que el ML es una combinación de formulación, optimización y evaluación.
En la figura 3.7 se muestra este proceso.
Figura 3.7 La traducción de una pregunta empresarial a una pregunta de investigación.

La IA no entiende los conceptos empresariales. Una formulación de una pregunta de
investigación podría ser difícil de entender si no estás familiarizado con las estadísticas.
El trabajo de tus expertos en IA es seleccionar la pregunta de investigación adecuada

y traducirla en un formato que los métodos de IA puedan responder sin renunciar
a su relación con tu pregunta empresarial.
ADVERTENCIA Cuando los equipos empresariales y de ciencia de datos no

tienen una comunicación estrecha, los proyectos suelen ir mal. Las preguntas
empresariales se pueden traducir incorrectamente por preguntas poco
relacionadas con la investigación, lo que te permite obtener una respuesta
a una pregunta que no has hecho. El problema se agrava si utilizas esa
respuesta para tomar la acción empresarial incorrecta.
Es importante comprender que esta traducción es una actividad muy compleja que
requiere que tu equipo comparta una comprensión de los dominios de negocio e IA.
Esta traducción no es directa. Es casi imposible crear una traducción que evalúe
todas las posibles acciones empresariales. El trabajo del líder empresarial es protegerse
contra el desajuste entre la pregunta empresarial y la pregunta de investigación.
Tu primer proyecto y tu primera pregunta de investigación 47
Preguntas empresariales y de investigación no alineadas

Este es un ejemplo de cómo las preguntas empresariales y de investigación pueden
alinearse de una manera que un líder empresarial o un científico de datos es poco
probable que puedan detectar a menos que hablen directamente.
Líder empresarial: Dame un ejemplo de una posible respuesta que proporcionarías
cuando termines el análisis.
Científico de datos: Tenemos suficientes pruebas estadísticas para deducir que
solo hay un 5 % de posibilidades de que obtengamos el resultado que obtuvimos
si el proveedor A no fuera realmente mejor que el proveedor B.
Líder empresarial: ¿Me estás diciendo que el proveedor A es mejor que el proveedor B?
Espero que, en tres meses, tengamos un gran proyecto para el que necesitamos a un
buen proveedor. Planifico reemplazar al proveedor B por el proveedor A. Aumentaremos
en 100 veces los pedidos del proveedor A. ¿Tu análisis es suficiente para respaldar una
decisión empresarial de este tipo?
Científico de datos: Bueno, lo que sabemos es que en la muestra que hemos probado,
es probable que A sea mejor que B. . . .
Líder empresarial [pensando]: Esto es interesante. ¿Qué significa la jerga técnica?
Esto no es un simple sí o un no. Vamos a profundizar más. . . .
Líder empresarial: Espera. ¿En qué se diferencia de lo que acabo de decir? Dame un
ejemplo de una situación en la que informarías de que tenemos suficientes pruebas
para interferir. . . y seguiría siendo incorrecto dejar al proveedor B.
Científico de datos: Bien. . . cuando digo que tenemos suficientes pruebas estadísticas
para... y... de hecho, solo cubrimos la muestra que nos dieron la semana pasada. No
podemos decir que esto seguirá siendo así dentro de tres meses. Tampoco podemos
decir que el proveedor A podría ofrecer el mismo nivel de calidad si el pedido que haces
es 100 veces el tamaño de la muestra que hemos probado.
Líder empresarial: Ya veo. ¿Y si para mí es importante considerar las tendencias de
mejora en los proveedores A y B? Necesito saber qué es probable que suceda en tres
meses, si continúan las tendencias actuales. Voy a realizar un pedido de 10 000 piezas
que el proveedor A entregará en tres meses. ¿Tu análisis respalda estas acciones?
Científico de datos: No, no es así. Debemos realizar otro tipo de análisis. . . .
PRÁCTICAS RECOMENDADAS PARA EL LÍDER EMPRESARIAL DE UN PROYECTO DE IA

La nota «Preguntas empresariales y de investigación no alineadas» muestra un ejemplo
de un proyecto que podría haber salido muy mal, ya que el líder empresarial y el
científico de datos están hablando de preguntas totalmente diferentes. Pero hasta que
tengan esa conversación, no percibirás que no hablan de lo mismo. A continuación,
se proporcionan prácticas recomendadas para los líderes empresariales que están
iniciando un proyecto de IA:
 Nunca firmes un documento que plantee una pregunta de investigación
altamente técnica que no entiendas. En lugar de ello, convoca una reunión con
los científicos de datos. Idealmente, una persona con una experiencia sólida
tanto en negocios como en IA debería facilitar esta reunión. Debes incorporar
a un consultor que te ayude si no hay tal persona en tu organización.
 Pide a tu científico de datos que te proporcione un par de posibles respuestas

que puede producir la pregunta de investigación propuesta.
 Realiza un análisis del escenario (como en el ejemplo anterior). Toma la respuesta
a una pregunta de investigación y describe lo que crees que dice. A continuación,
explica las decisiones empresariales exactas que tomarías, explicando todas tus
suposiciones.
 Siempre repite la manera en la que interpretas la respuesta que el científico de
datos te da. Usa terminología sencilla y no técnica.
 No te preocupes, no pareces estúpido cuando malinterpretas algo. En esta
etapa, encontrar malentendidos ahorra mucho dinero. Parecerías más estúpido
si esperaras hasta que se ejecutara el proyecto de IA incorrecto.
 Establece claramente las acciones empresariales que pretendes tomar, según sus
respuestas. Pregunta si son razonables esas acciones empresariales.
 Si el científico de datos responde a la acción empresarial planificada con algo
que no sea un simple sí o no, investiga en qué circunstancias no deberías realizar
dicha acción empresarial, basándote únicamente en los resultados del análisis.
 No tengas miedo de explorar tu pregunta de investigación junto a tus expertos de
IA. Infórmate sobre los detalles de lo que significa la pregunta de investigación;
del mismo modo, informa a tu científico de datos sobre los detalles de tu empresa.
 Entiende que la correspondencia entre una pregunta empresarial y una
pregunta de investigación nunca es perfecta. Las preguntas de investigación rara
vez capturan de forma correcta todos los aspectos del problema empresarial. La
pregunta es: «¿Esos aspectos son importantes para ti?».
 Cuidado con tratar los problemas empresariales con terminología altamente
técnica. La terminología que no se comparte entre todos los participantes de la
reunión es un vehículo excelente para ocultar un desajuste entre la tecnología
y la empresa. Si una empresa no mantiene conversaciones debidamente
minuciosas para asegurarse de que las preguntas de investigación y los problemas
empresariales están alineados, de hecho está dejando que el equipo tecnológico
complete los detalles empresariales críticos.
 Haz que tus expertos empresariales estén siempre a disposición del equipo
técnico para que les den explicaciones sobre detalles importantes. No es realista
esperar que el equipo técnico tome decisiones empresariales óptimas cuando la
especificación del problema empresarial sea ambigua.
ADVERTENCIA Realiza siempre un análisis de escenario de una pregunta de

investigación antes de que el equipo de IA inicie su trabajo. La posibilidad de
que un proyecto tenga éxito si se hace la pregunta incorrecta de investigación
es prácticamente nula.
Un punto final que se debe recordar cuando se define una pregunta de investigación
es que la correspondencia entre preguntas empresariales no es «una pregunta
de investigación por pregunta empresarial». Puedes necesitar varias preguntas de
investigación para tratar una sola pregunta empresarial. También es posible (aunque
no es habitual en la práctica) tener una sola pregunta de investigación que pueda
responder a varias preguntas empresariales.
Errores que se deben evitar 49
3.3.2 Si fracasas, hazlo rápidamente

Estás iniciando este primer proyecto de IA asumiendo que será un proyecto fácil de
entregar. Sin embargo, tus estimaciones son aproximadas. Es bastante posible que
el proyecto, una vez que se inicie, sea más difícil de entregar de lo que se calculó
inicialmente. En esta sección se explica cómo debes gestionar ese proyecto inicial de IA,
de modo que si el proyecto es inesperadamente difícil, sea evidente de forma inmediata.
CONSEJO Debes optimizar el proceso de entrega de proyectos para acelerar hacia el

éxito. Cuando cazas en cotos de caza, cuanto más busques, más encontrarás. En los
primeros días de tus esfuerzos de IA, no debes persistir en proyectos que parecían
fáciles al principio, pero que al examinarlos más de cerca resultaban difíciles.
Detenlos antes y utiliza el tiempo restante para iniciar un proyecto más fácil.
Tu proyecto debe empezar con pruebas de concepto que crean un prototipo rápido.
Ese prototipo tiene cuatro propósitos:
1 Demuestra que el equipo de ingeniería tiene los conocimientos técnicos
necesarios para entregar el proyecto.
2 Te ofrece una implementación de IA concreta, que es la parte Analizar en el
bucle Detectar/Analizar/Reaccionar que has identificado. Ahora puedes probar
la parte Reaccionar del bucle (por ejemplo, puedes probar lo difícil que sería
implementar la acción empresarial requerida).
3 El prototipo se puede analizar para determinar cómo se comporta la solución
del sistema propuesta cuando se expone a más datos o a diferentes algoritmos
de ML. Puedes ver cómo realizar este análisis en los capítulos 6 y 7.
4 El prototipo muestra lo difícil que será implementar tu proyecto de IA. Si el nivel de
dificultad es mucho mayor de lo que esperabas, eso debería ser obvio rápidamente.
Hasta que no dispongas de un equipo experimentado que haya pasado muchas veces por
esos procesos, no te atasques en proyectos cuya implementación lleve mucho tiempo.
Como cazador, no te morirás de hambre por no capturar una sola presa; te morirás de
hambre por haber estado tratando de capturar una presa durante demasiado tiempo.
CONSEJO Si el proyecto es más difícil de lo esperado, detenlo y elige uno más

fácil. Si tropiezas con las Puertas del Infierno, ¡date la vuelta y corre!
3.4 Errores que se deben evitar

Cuando se ejecuta un proyecto de IA, hay algunos escollos comunes que se deben
evitar. Algunos de los más importantes son los siguientes:
No comunicarte con los actores de la organización que poseen la parte

Reaccionar del bucle Detectar/Analizar/Reaccionar o, peor aún, no trabajar
con ellos hasta que tu proyecto de IA esté en buen camino
 Trasplantar casos de uso (y métricas) de otros proyectos u organizaciones
 Ejecutar proyectos de IA con gran probabilidad de acaparar titulares
Creer que puedes comprar una herramienta, cualquier herramienta, que te dé

una ventaja sostenible
 Esperar que los análisis aleatorios de los datos arrojen resultados

 Selección del proyecto que se debe ejecutar en función de un «instinto» en lugar
de los resultados del análisis
Esta sección habla sobre cada uno de estos errores en más detalle.
3.4.1 No establecer una relación con el equipo empresarial

Cuando se usa la IA como sistema de apoyo a la toma de decisiones, nunca basta con
ofrecer un buen análisis, debes ejecutar bien las acciones empresariales específicas
recomendadas por un análisis basado en IA. Eso significa que la atención de los
ejecutivos debe centrarse en el vínculo entre el resultado del análisis y la acción de la
empresa. En esta sección se resalta por qué el equipo de IA debe establecer buenas
relaciones con el departamento de tu organización que tomará medidas empresariales,
basadas en tu análisis de IA.
CONSEJO El análisis es como un indicador de velocidad en un coche. Si el

velocímetro te dice que vas demasiado rápido, el conductor debe reducir la
velocidad del coche. ¿Quién equivale al conductor en tu proyecto u organización?
Una persona que no es especialista puede malinterpretar los resultados. Un problema

clásico es que los que no son especialistas no comprenderán los límites del análisis
y cuándo se infringen los supuestos básicos para el análisis. Un ejemplo de ese problema
se ha mostrado en la sección 3.3.1, cuando la pregunta de la investigación y la pregunta
de la empresa estaban desalineadas.
He presenciado personalmente a varias organizaciones entregar un informe de
análisis a equipos empresariales diferentes. Estos equipos empresariales actuaron sin la
aportación de los científicos de datos. Esto siempre es un error.
CONSEJO Los análisis deben estar siempre representados en cualquier grupo

que esté debatiendo sobre cómo reaccionar a los resultados analíticos. Debes
asegurarte de que el equipo empresarial entiende tus resultados analíticos
y recetas de forma total y correcta. El resultado del análisis debe ser válido
a la luz de las acciones empresariales previstas.
Si eres el líder de un proyecto analítico, tu trabajo no ha terminado cuando proporcionas

los resultados. Tu trabajo termina cuando se implementa correctamente la receta del
analista. Debes desarrollar buenas relaciones de trabajo con los departamentos que
implementen el análisis. Si el análisis ha recetado una acción empresarial determinada,
no subestimes la necesidad de ayudar y realizar el seguimiento de su ejecución.
3.4.2 Uso de trasplantes

A la gente le tienta copiar lo que funcionó para las personas y organizaciones que les
rodean. Como resultado, ves lo que llamo proyectos de trasplantación. Aquí, una empresa
decide formar un equipo de IA y se embarca en un proyecto de IA que ha conocido
de otras organizaciones similares a la suya. En esta sección se explica por qué los
trasplantes son una mala idea.
Abundan los ejemplos de proyectos de trasplantes. Algunos ejemplos son proyectos

como «vamos a tener nuestro propio motor de recomendaciones» o «hagamos un análisis
de opinión de los comentarios de los clientes». A veces estos proyectos tienen sentido en
el contexto de la empresa, pero con demasiada frecuencia son solo casos de uso simples
de los que has oído hablar y que no has analizado en el contexto de tu propia empresa.
NOTA Por alguna razón, la gente tiene más sentido común cuando piensa
en los verdaderos trasplantes que en los trasplantes empresariales. No te
trasplantarías un riñón solo porque a tu vecino le haya ido bien. ¿Por qué
deberías comportarte de manera diferente en tu empresa?
En vez de adaptar ciegamente un proyecto que le haya funcionado a otra persona,

considéralo una posibilidad de proyecto de IA. Utiliza el enfoque analítico presentado
en este capítulo para determinar qué proyecto de IA deberías comenzar primero.
3.4.3 Intentar llegar a la luna sin cohetes

La mayoría de las empresas de tecnología más grandes del mundo han hecho fortunas
con el uso de datos. En esencia, empresas como Google, Microsoft y Baidu dependen
en gran medida de la IA para su éxito. Tienen grandes capacidades de investigación
y tienen un interés especial en garantizar que no pierdan la oportunidad de avances
importantes de IA. Esta sección explica por qué tu organización no debe seguir
ciegamente a esas empresas.
Imagina que eres un director general

Imagina que diriges una empresa que factura 30 000 millones de dólares al año, y que
tienes una empresa relacionada con la IA. Vamos a dar un paso más y a suponer que
existe un 1 % de posibilidades de que alguien en los próximos 10 años pueda inventar
algo parecido a una IA sólida y de nivel humano, lo que se denomina inteligencia
general artificial (AGI) [76]. Si la búsqueda de AGI falla, puede que aún haya un vehículo
autónomo [38] como premio de consolación. Por último, ya sabes que tus competidores
están invirtiendo mucho en IA.
¿Invertirás mucho dinero en IA y contratarás a investigadores expertos que te ayuden
a cruzar las fronteras del conocimiento de la IA? ¿O vas a optar por no invertir en IA y
aceptar los riesgos que conlleva?:
 Tus competidores desarrollan AGI o tecnología de vehículos autónomos. Puede
que tu empresa haya estado mejor posicionada, pero ni siquiera lo has intentado.
 Tu error se enseñará en todas las escuelas de negocios durante los próximos
años.
Aunque la lógica de la nota «Imagina que eres un director general» se aplica a empresas
como Google, Baidu o Microsoft, muchas empresas tienen la costumbre de imitar a estas
empresas sin entender el razonamiento que hay detrás de sus acciones. Sí, los actores
más importantes ganan dinero con sus iniciativas de IA. También invierten mucho en
investigación de IA. Antes de empezar a emular sus esfuerzos de investigación en IA,
pregúntate: «¿Estoy en el mismo negocio?».
Si tu empresa inventara algo importante para una IA/AGI sólida [76], ¿sabrías
cómo monetizarlo? Supongamos que eres un minorista grande con tiendas físicas.
¿Podrías aprovechar al máximo ese descubrimiento? Probablemente no: el negocio
del minorista es diferente del de Google.
Seguramente, tu empresa se podría beneficiar más de la tecnología de IA si la
usaras para resolver los problemas de tu propio negocio. Esto significa que en lugar
de equipos compuestos por los investigadores y procesos más inteligentes orientados
a la adquisición de nuevos conocimientos de IA, tu organización necesita personas que
sepan cómo ganar dinero en tu dominio empresarial con las tecnologías de IA existentes.
No imites a organizaciones más ricas que la tuya sin antes entender como puedes
conseguir el éxito. Para la mayoría de las organizaciones, el camino hacia el éxito
no se encuentra en adelantar las fronteras del conocimiento de la IA, sino en saber
cómo vincular los resultados de la IA en sus negocios. No necesitas un equipo de ciencia de
datos centrado en la investigación, sino en las aplicaciones. Eso no significa que no
debas contratar doctores brillantes, sino que el liderazgo de tus equipos de IA debe ser
principalmente expertos en la aplicación de la IA a la tarea de ganar dinero.
3.4.4 Es cuestión de usar herramientas avanzadas para poder observar el mar de datos
Otro error común es la creencia de que puedes comprar una IA o una herramienta
de big data que hará que sea sencillísimo analizar tus datos, encontrar conocimientos
y luego monetizar los conocimientos encontrados. Algunas organizaciones que adoptan
la IA podrían incluso tener la actitud de que el principal objetivo de los primeros
esfuerzos de IA debe ser encontrar las herramientas adecuadas. Esta sección habla de
por qué este es un error que hay que evitar.
CONSEJO Si la monetización es trivial, también lo es explicar cómo sucede.

Haz preguntas detalladas a los proveedores hasta que realmente entiendas los
mejores puntos de cómo aplicar una herramienta «out of the box» desde el
punto de compra hasta el punto de conexión en el que tu organización gana
beneficios como resultado del uso de esa herramienta.
En la mayoría de los verticales empresariales, monetizar la IA no es trivial en absoluto.

Y aunque hay muchas herramientas que pueden ayudarte a llegar hasta allí, es poco
probable que puedan resolver los problemas de monetización en tu lugar. Incluso si
hay herramientas que te permiten monetizar con solo instalarlas y ejecutarlas, lo que
tienes entre manos es un caso de uso básico. Alguien ya tiene un producto que lo hace.
CONSEJO Encontrar proyectos de IA que proporcionen un valor empresarial

concreto debería ser el primer objetivo de tu empresa. Las herramientas
permiten esos proyectos.
Un vendedor podría aconsejarte que «crees un data lake grande y permitir que tus
científicos trabajen en él; tiene que haber algo en todos los datos». Es posible que
incluso te hayan dado un ejemplo de los conocimientos inesperados que solo pueden
proporcionar los análisis en un conjunto de datos grande. No obstante, esas situaciones
son raras e impredecibles. No cuentes con el ratoncito Pérez. No empieces con la parte
Analizar del bucle Detectar/Analizar/Reaccionar. En nuestro marco, siempre hay que

empezar por la parte Reaccionar.
ADVERTENCIA Siempre es posible que haya algo especial por las profundidades de
tus datos. Podría darte una idea de negocio inesperada que puedes implementar
y con la que puedes ganar mucho dinero con el análisis adecuado. Aunque es
posible, no está garantizado, no es predecible y hay una gran pregunta: ¿es probable que
lo justifique como una estrategia principal que debe adaptarse? Peor aún, el lucrativo
atún rojo que esperas detectar podría ser, en cambio, un esbelto monstruo de
las profundidades. En lugar de lanzarte a una expedición de pesca, organiza tus
primeros proyectos de IA para tener un éxito predecible.
3.4.5 Confiar en tu intuición en vez de CLUE

Se suelen tomar decisiones al azar cuando se hace un proyecto de IA, como algo más
que una idea técnica que interesa al equipo. Dirigir un proyecto de IA principalmente
porque deseas tener experiencia con la tecnología subyacente es el equivalente
tecnológico a la compra de un coche deportivo. En esta sección se explica por qué
seguir el instinto puede dar lugar a resultados empresariales deficientes.
Análisis en vídeo del comportamiento de los clientes minoristas

Volvamos a nuestro minorista de la sección 3.2.1, para quien optimizas una combinación
de productos. Había dos enfoques propuestos: uno basado en la predicción de tendencias
de ventas y otro basado en el reconocimiento en vídeo del comportamiento de los clientes.
Si me pongo el sombrero de científico, tengo que admitir que el reconocimiento de
vídeo del comportamiento del cliente es un proyecto más interesante técnicamente
para mí. Ese proyecto emocionaría a muchos de los equipos tecnológicos de hoy en
día. Utiliza las capacidades vanguardistas de reconocimiento de vídeo de IA, mientras
que la predicción de ventas puede tener que ver con los métodos de análisis de series
temporal más antiguos.
A veces ese atractivo técnico es todo lo que se necesita para que un equipo decida
crear un prototipo, y el científico de datos en mí sin duda entiende este impulso. Sin
embargo, se trata de un enfoque clásico de «instinto» o de «¡oh, brillante!» para la
selección de proyectos.
Para ver por qué este sería un error en este ejemplo, recuerda lo que ocurrió en la
sección 3.2.1. Cuando hablas con los directivos, es posible que descubras que tu
empresa no se siente cómoda con las repercusiones jurídicas y públicas derivadas
de hacer un análisis en vídeo del comportamiento de los clientes. Es poco probable
que se adopte tu esfuerzo aunque sea técnicamente satisfactorio. No lleva mucho
tiempo comprender esto si se habla con los directivos sobre la propuesta antes de
crear un prototipo.
Además, aunque de alguna forma has persuadido al equipo directivo para que te
permitiese seguir creando tu prototipo de IA, no podrías definir una métrica empresarial
para medir el éxito. Ahora has creado problemas en la administración de tu proyecto.
Supongamos que tu proyecto está en curso y ha conseguido cierto éxito inicial. ¿Cómo
saber si es lo suficientemente bueno como para lanzarlo? ¿Con qué precisión necesita
reconocer el comportamiento del cliente? ¿Puede cometer errores de reconocimiento
y, si es así, en qué circunstancias? ¿Qué errores son más dañinos?
Duda de tu intuición cuando vayas a seleccionar qué proyecto de IA ejecutar primero.

En la sección 3.2 se muestran los pasos necesarios para determinar cuál es el mejor
proyecto para ejecutarse correctamente. Al seleccionar un primer proyecto, hay
demasiadas piezas móviles que considerar para tener en cuenta la sensación de instinto
que proporciona la respuesta correcta. Debes comprobar que el proyecto sea útil,
técnicamente viable y valioso para la empresa. Debes conocer el coste, así como el
esquema y la dificultad de la solución técnica propuesta. Si solo piensas en el problema
un par de minutos, es muy poco probable que puedas evaluar todos los atributos de un
proyecto de IA propuesto.
CONSEJO Sobre todo, presta atención durante las reuniones importantes y con
gran asistencia de la empresa, cuando todo el mundo exclame al unísono:
«¡Parece una gran idea!». Una situación social de este tipo no es exactamente
favorable para animar a las personas a realizar el cuidadoso análisis necesario
para desmentir el consenso de grupo. En resumen, ten cuidado con el
pensamiento de grupo.
Pero estamos usando un enfoque de MVP.

Algunos equipos son Agile o usan metodologías Lean Startup [28] para desarrollar sus
proyectos de software. En una metodología Lean Startup, se recomienda que el equipo
seleccione pequeños fragmentos de trabajo que se puedan presentar al cliente para
recibir comentarios. Esta parte del trabajo se denomina producto mínimo viable (MVP,
por sus siglas en inglés). Parte de la metodología Lean Startup es que, si descubres que tu
MVP no es lo que el cliente quiere, puedes probar otra cosa, lo que se denomina«pivote».
Algunos argumentarán que, como estás creando un MVP, deberías seleccionar
rápidamente alguna idea inicial de IA, mostrársela al cliente y ver qué dice. ¡No hagas eso!
Usar MVP tiene muchas ventajas con productos reales y CLUE puede ser una buena
combinación con una estrategia Lean Startup. No obstante, los MVP por sí solos no
resuelven los mismos problemas que CLUE está abordando; por ejemplo:
 Si eliges un MVP basándote en el instinto, has iniciado un proyecto antes de
saber si la empresa desea y puede adoptar tus soluciones analíticas.
 Aunque el MVP puede mostrarte que estás en el camino incorrecto más rápido,
estás en el camino incorrecto, desde el principio.
 Si tu instinto te hace pensar en el análisis que puedes hacer (en lugar de comenzar
con la parte Reaccionar del bucle Detectar/Analizar/Reaccionar), estás jugando
al análisis del azar. Tienes la esperanza y la seguridad de que el análisis que
haces dará un resultado que tu empresa puede implementar de alguna manera.
Los MVP no son excusas válidas para promover una estrategia de instinto para
seleccionar y ejecutar un proyecto de IA. Los MVP reducen el coste de descubrir que
estás en el camino equivocado, pero eso solo reduce el precio del error. La capacidad
de pivotar no es una excusa para ejecutar proyectos al azar, con la esperanza de que
con suficientes ideas aleatorias de IA tropezarás con algo que resulte ser procesable.
La estrategia CLUE se puede integrar y es compatible con MVP y Lean Startup. La parte
C del análisis de CLUE consiste en seleccionar un primer proyecto de IA y ese proyecto
puede ser un MVP, un MVP que se base en el análisis, no en el instinto.
Resumen 55
La mayor causa de fracaso de proyectos de IA hoy en día puede ser técnica. Pero
incluso entre los proyectos técnicamente con éxito, hay demasiados que no los utilizan
las empresas que los pagaron. Esos proyectos de IA no deberían haberse iniciado
y normalmente se iniciaron porque una corazonada sobre su valor era errónea.
3.5 Ejercicios
A continuación se presentan distintos escenarios de negocio y se plantean preguntas
de seguimiento. Responde a las siguientes preguntas:
Pregunta 1: Supongamos que trabajas en el sector editorial y te preguntas si es mejor

publicar libros impresos, e-books y audiolibros al mismo tiempo o uno tras otro.
Además, si la entrega se hace por etapas para que los libros impresos se publiquen
primero, ¿cuánto tiempo debes esperar antes de publicar los demás formatos? En
este contexto, responde a la siguiente pregunta: «¿Qué métrica empresarial deberías
utilizar?».
Pregunta 2: Si eres un líder empresarial, define una pregunta empresarial y una métrica
adecuada para medirla. Piensa en algunos escenarios hipotéticos que no se aplican
directamente a tu organización (por ejemplo, algunos escenarios relacionados con la
filantropía). Piensa en las medidas que puedes tomar mientras diriges una organización
sin ánimo de lucro. Utiliza las técnicas presentadas en el capítulo 3 para seleccionar tu
primera pregunta empresarial hipotética, así como las métricas que usarías para medir
el éxito.
Pregunta 3: Una vez que hayas identificado la pregunta empresarial del ejercicio
anterior, lleva a tu experto sénior en IA a almorzar y hablar del problema empresarial.
Pregúntale cómo formularía una pregunta de investigación. Utiliza el proceso que
se describe en el capítulo 3 para comprobar si la respuesta respalda o no la acción
empresarial que tienes previsto realizar. Y mientras estás almorzando, habla de
cómo encontrar un conjunto de datos que responda a una pregunta de este tipo de
investigación. ¿Crees que puedes adquirir ese conjunto de datos?
Resumen
La IA, cuando se incorpora en nuevas empresas, suele dar muy buenos resultados.

No empieces persiguiendo proyectos difíciles que requieran todos tus recursos
y te destruyan si fracasan. Empieza con proyectos sencillos que tengan un gran
valor empresarial y sean rápidos de completar.
Usa CLUE para seleccionar y organizar proyectos de IA. La C de CLUE (figura

3.4) te permite crear una lista de proyectos de IA útiles que puedes implementar
y te ayuda a calcular su tamaño y valor.
La pregunta empresarial que la IA necesita responder debe traducirse a un

formato técnico mediante la definición de una pregunta de investigación.
Si esa traducción es incorrecta, puede arruinar los resultados empresariales.

Antes de iniciar un proyecto, comprueba tu pregunta de investigación mediante
pruebas basadas en escenarios.
 Utiliza métricas empresariales para medir el progreso de tu proyecto de IA. Las

métricas empresariales deben personalizarse para tu proyecto y organización.
No inicies un proyecto de IA si no tienes la métrica empresarial para medir su
éxito.
 Organiza tu proyecto de IA para que, si fracasa, lo haga rápidamente.
 Empieza con la prueba de concepto. Si el proyecto resulta más difícil de lo que

pensabas, detenlo y trabaja en un proyecto más fácil. El objetivo es optimizar el
tiempo hasta el próximo éxito.
 Estos son algunos errores comunes que deben evitarse cuando se ejecutan

proyectos de IA. Entre ellos se incluyen el fracaso de una relación con los líderes
empresariales pertinentes, el trasplante de casos de uso, la adopción de un
proyecto de «lanzamiento a la luna», la pérdida de los combustibles, la colocación
de demasiada esperanza en herramientas al azar (o análisis al azar) y sustituir la
intuición por CLUE.
Análisis de una
canalización de ML


Determinación de si tienes la canalización
de ML adecuada antes de que osifique
 Economía de recursos en tu proyecto de IA
Realización de análisis MinMax en la

canalización de ML
Interpretación de los resultados de un análisis

MinMax
Es esencial que te asegures de que no tienes una canalización de ML incorrecta

e inadecuada que no pueda cumplir los objetivos empresariales de tu proyecto de
ML. La pregunta empresarial más crítica acerca de la canalización de ML es: «¿Qué
nivel de éxito tiene esta canalización en términos empresariales?». Este capítulo te
muestra cómo analizar una canalización de ML y obtener respuesta a esa pregunta.
Una vez que sepas lo bien que funciona tu canalización de ML en sentido
empresarial, puedes analizarla para determinar si puede cumplir tus objetivos
empresariales. El nombre del análisis que deseas realizar es MinMax.1
57
58 CAPÍTULO 6 Análisis de una canalización de ML
No se puede hacer el análisis MinMax al principio del proyecto y consta de dos partes,
cada una de las cuales responde a una pregunta diferente:
 La parte Min del análisis MinMax: si tu vida dependiera del lanzamiento de tu
proyecto de IA mañana, ¿qué tal funcionaría la implementación más sencilla de
tu canalización de ML? ¿Puede una implementación de este tipo satisfacer tus
objetivos empresariales?
La parte Max del análisis MinMax: ¿cuál es el mejor resultado posible con la

estructura actual de tu canalización? Antes de hacer un esfuerzo en la mejor
implementación posible de cada etapa de esa canalización, ¿esa implementación
cumpliría tus objetivos empresariales?
Como personas prácticas, necesitamos la respuesta a estas preguntas en términos
empresariales, no en forma de métricas técnicas (como la precisión del 99,9543 %).
En la sección 6.1, aprenderás por qué deberías tener en cuenta el análisis de la
canalización de ML. En la sección 6.2 se muestra cómo utilizar los recursos dedicados
a tu proceso de ML y en la sección 6.3 se muestra cómo utilizar el análisis MinMax
para determinar si tienes la canalización adecuada capaz de resolver tu problema
empresarial. La sección 6.4 muestra cómo interpretar los resultados de un análisis
MinMax y con la sección 6.5 aprenderás a realizar un análisis MinMax. Por último, la
sección 6.6 presenta las preguntas frecuentes sobre el análisis MinMax.
6.1 Por qué debería importarte analizar tu canalización de ML

Por ahora, ya sabes que un sistema de IA es más importante que la suma de sus
partes y que una canalización de ML es uno de los artefactos principales del software
que determina el comportamiento del sistema. Una canalización de ML se osifica
rápidamente y permitir que la canalización de ML incorrecta se osifique es un error
costoso. Por ese motivo, la administración de la canalización de ML debe estar basada
en datos. El análisis de una canalización de ML proporciona los datos.
Todas las decisiones de administración de proyectos se toman con una limitación
de tiempo (consulta la figura 6.1). Cuando un proyecto está en curso, cada día cuesta
tanto dinero como oportunidad. Al contabilizar los costes, debes tener en cuenta todos
los costes: el coste de cambiar algo y el coste de seguir el curso actual.
ADVERTENCIA La inacción es la decisión de seguir el curso actual y a veces

puede ser tan peligrosa como tomar la acción incorrecta.
La forma de canalización de ML que usas en tu proyecto es una de las decisiones de
arquitectura de software y administración de proyectos más críticas que tienes que
tomar. Si eliges la canalización de ML incorrecta, tú y tu cartera lo sabréis. Sin embargo,
para entonces, será demasiado tarde. El análisis de una canalización de ML al principio
del proyecto te da la confianza de que estás utilizando la adecuada. Un análisis de este
tipo debe hacer lo siguiente para ser útil para un equipo en la empresa y el sector:
 Ser sencilla de aprender para realizarla
 Rendir económicamente
1
Por si estás familiarizado con el algoritmo Minimax de la teoría de juegos [114], no debes confundir el análisis
MinMax con el algoritmo Minimax: son conceptos totalmente distintos.
Por qué debería importarte analizar tu canalización de ML 59
Figura 6.1 Las decisiones de administración de proyectos se toman con

limitaciones de tiempo. Algunos proyectos son como el avión de esta figura y deben
corregir el rumbo antes de estrellarse. A veces, no hacer nada puede ser tan
peligroso como tomar las medidas incorrectas.
 Proporcionar resultados intuitivos de interpretar

 Proporcionar un nivel razonable de confianza a partir de la información que ofrece
En este capítulo, te mostraré un método de análisis que cumple estos cuatro requisitos.
El siguiente capítulo ofrece otro. Tú, como líder, necesitas aprender qué tipo de
análisis debes pedir a tu equipo que realice y cómo interpretar los resultados de un
análisis de este tipo.
CONSEJO Un análisis debe ser barato de realizar. Debe equilibrar el coste del
análisis (coste de hacer las preguntas) con el valor de conocer la respuesta.
Este equilibrio es lo que D. W. Hubbard [75] define como valor esperado de la
información perfecta [79].
Analizar una canalización de ML es algo que deberías hacer para cada proyecto de IA
y para cada canalización de ML que consideras para cada proyecto. Aunque seas un
lector no técnico, dedica tiempo a entender cómo funciona el análisis. El conocimiento
que adquieras te ayudará a tomar las mejores decisiones, no solo para tu proyecto
actual de IA, sino también para proyectos futuros. En el capítulo 8, te mostraré que los
métodos que aprenderás tienen una aplicación mucho más amplia que simplemente
un análisis de la canalización de ML.
Similitudes con el mercado de valores

Hay otro campo en el que tomas decisiones con limitaciones de tiempo y con información
limitada e imperfecta. Ese campo es la inversión.
Veamos lo que Ray Dalio, que creó el mayor fondo de inversión del mundo, quiere decir
sobre cómo tomar decisiones en condiciones de incertidumbre [29]:
«'Quien vive de la bola de cristal está destinado a comer vidrio molido' es un
dicho que he citado mucho en aquellos tiempos. Entre 1979 y 1982, tenía
suficientes opciones para entender que lo más importante no era conocer
(continuación)
el futuro: era saber cómo reaccionar adecuadamente a la información
disponible en cada momento».
Tomarás muchas decisiones cuando estés creando una capacidad de IA para
tu organización. El objetivo es inclinar el equilibrio de probabilidad a tu favor.
6.2 Economía de recursos: la E de CLUE

¿Cómo sabes que la canalización de ML que estás utilizando es la canalización adecuada
para su uso a largo plazo? ¿Debes seguir usando la canalización de ML actual o debes
reemplazarla por otra antes de que se osifique? ¿Qué parte de la canalización debes
mejorar primero? Deberías tomar estas decisiones en función de los datos y en esta
sección se ofrece información general sobre las herramientas que responden a esas
preguntas. Esas herramientas son:
 A
nálisis MinMax : responde a la pregunta «¿Tengo la canalización de ML
adecuada para cumplir mis objetivos empresariales?».
Análisis de sensibilidad: responde a la pregunta «¿Cuánto cambiaría el resultado

de mi empresa si modificara la implementación de una sola etapa de la
canalización de ML?».
Este capítulo se centra en el análisis MinMax. El capítulo 7 presenta el análisis de
sensibilidad. En conjunto, estos dos análisis te permiten asignar tus recursos de
desarrollo a la canalización de ML adecuada y a la etapa correcta de esa canalización.
Concentrarte en tu canalización de ML es un siguiente paso lógico para tu proyecto.
Hasta ahora, has aplicado las partes Consider («considerar»: acciones empresariales
disponibles), Link («enlazar»: investigar preguntas y problemas empresariales),
y Understand («entender»: la respuesta técnica en un contexto empresarial) del
proceso CLUE. Al realizar estas partes de ese proceso, has garantizado lo siguiente:
 Tu proyecto de IA puede afectar a la empresa. Sabes que, en tu proyecto, hay una
manera de aplicar el bucle Detectar/Analizar/Reaccionar a tu problema y que
la parte Reaccionar es posible. En el capítulo 3 se ha abordado este material
describiendo la parte C de CLUE.
Tu proyecto de IA define la canalización de ML que planificas usar.

Lo que aún tienes que hacer es economizar tus escasos recursos durante la construcción
del proyecto de IA. Para economizar (la parte E de CLUE), debes determinar que estás
utilizando una canalización de ML razonable para resolver tu problema empresarial.
También debes decidir cuáles son las mejores etapas de la canalización de ML para
mejorarlas.
Economía de recursos: la E de CLUE 61
El análisis MinMax responde a la pregunta «¿Tengo el proceso adecuado?». Te

permite saber cuál es el mejor resultado empresarial posible que podrías esperar de
tu canalización de ML actual. Te permite saber si la canalización de ML que estás
haciendo es la que podría apoyar tus objetivos de empresa y te permite saberlo antes
de que la canalización de ML empiece a osificarse.
Es muy probable que necesites mejorar tu canalización de ML, a menos que tengas
una que resuelva completamente tu problema empresarial. Tienes recursos limitados
y necesitas asignarlos de forma óptima para obtener los mejores resultados generales
del proyecto. El análisis de sensibilidad [115–117] responde a la pregunta de en qué
etapa de la canalización de ML debes invertir a continuación para obtener el máximo
retorno de tu inversión. La figura 6.2 te muestra cómo integrar tu proyecto con MinMax
y el análisis de sensibilidad.
Figura 6.2. La parte Economizar del proceso CLUE. Los análisis MinMax y sensibilidad te permiten
aplicar tus esfuerzos a las partes correctas de una canalización de ML viable para la empresa.
En la figura 6.2 primero se aplica el análisis MinMax para determinar si tu canalización de

ML ya está produciendo un resultado empresarial viable. De no ser así, ¿la canalización
necesita una mejora adicional para hacerlo? ¿O es, por su naturaleza, incapaz de crear
tal resultado?
Si la canalización no tiene esperanzas, se desecha y se prueba una canalización
diferente (o un proyecto de IA distinto). Una vez que sabes que estás trabajando con
una canalización de ML adecuada para solucionar el problema empresarial: utilizas

el análisis de sensibilidad para mejorar la canalización repetidamente hasta que estés
satisfecho con el resultado empresarial.
Todos los pasos anteriores de la figura 6.2 requieren la cooperación estrecha de
ciencia de datos, ingeniería de datos y el equipo empresarial. El equipo que trabaja
en el análisis de la canalización debe estar compuesto inicialmente por representantes
de los tres ámbitos. El objetivo es llegar a un punto en el que surja un entendimiento
compartido sobre el vínculo entre las métricas empresariales y las técnicas. El equipo
que administra la canalización de ML debe estar formado por líderes de administración
e ingeniería (para incluir a científicos de datos e ingenieros de datos). Tener un
conocimiento continuo y compartido de las características técnicas de la canalización
de ciencia de datos y guiar la implementación de los recursos en función de esas
características es el objetivo de formar este equipo.
CONSEJO Este enfoque de análisis y mejora de la canalización de ML es iterativo

por necesidad. Puedes realizar iteraciones tempranas de análisis mientras
la prueba de concepto (POC) aún está en curso. Si utilizas metodologías
de desarrollo de software Agile [118.119] o iterativas, podrías considerar el
trabajo analítico como parte de las primeras iteraciones del proyecto.
6.3 Análisis MinMax: ¿dispones de la canalización de ML adecuada?

Un análisis fundamental que siempre debes realizar en cualquier canalización de ML,
el análisis MinMax responde a la pregunta: «¿Cuál es el mejor y cuál es el peor resultado
que puede lograr una canalización de ML de la estructura dada?». Esta sección ofrece
información general sobre el análisis MinMax.
NOTA Uso el término análisis MinMax, pero ten en cuenta que este tipo de
análisis a veces también se conoce como análisis de mejor/peor caso. La sección
6.6.4 explica esta terminología.
El análisis MinMax muestra en una etapa temprana de la vida de la canalización de

desarrollo el intervalo previsto de resultados que puede lograr. Para la pregunta,
«¿Debería continuar con esta canalización de ML?», el análisis responde con «sí», «no»
o «tal vez». Es genial saber que tienes la canalización de ML adecuada para no dedicar
mucho tiempo y dinero a crear la canalización de ML incorrecta.
DEFINICIÓN El análisis MinMax es un tipo de análisis que determina si tu

canalización de ML ya cumple tu objetivo empresarial, si necesita mejorar para
poder cumplir el objetivo o si es incapaz de cumplirlo.
MinMax examina la estructura de tu proceso de ML y evalúa su viabilidad empresarial.

Para la canalización de ML que se analiza, la parte Min responde a la pregunta:
«Si lanzo la implementación más sencilla que puedo hacer, ¿cuál sería el resultado
empresarial?». La parte Max responde a la pregunta: «¿Cuál es el resultado empresarial
que conseguiría con la mejor implementación posible?».
Análisis MinMax: ¿dispones de la canalización de ML adecuada? 63
CONSEJO Antes de probar algo, siempre es una idea excelente preguntarse: «¿Qué
es lo mejor que puede suceder si tengo éxito y, sabiendo esto, merece la pena ni
siquiera intentarlo?». La parte Max del análisis MinMax responde a esa pregunta.
Para realizar un análisis MinMax, necesitas una estructura de canalización de ML y una

curva de beneficio. Con la curva de beneficio, tienes una métrica empresarial, que es
una forma de relacionar una métrica técnica con la empresa. También tienes el umbral
(el nivel mínimo de una métrica empresarial que necesitas alcanzar). La figura 6.3
muestra información general del análisis MinMax.
Figura 6.3. Un análisis MinMax consta de la parte Min (–) y la parte

Max (+). Utiliza una curva de beneficios para transformar la métrica técnica en
un resultado empresarial esperado. El resultado de este análisis determina la
viabilidad de la canalización de ML.
A grandes rasgos, el análisis MinMax consta de lo siguiente:

1 Mide lo bien que funciona tu canalización de ML en el problema que intentas
resolver. La canalización de ML se mide mediante una métrica técnica.
2 Expresa el resultado de la canalización de ML en términos empresariales.
Utilizas la curva de beneficios para entender (U de CLUE, como se explica en
el capítulo 4) cuál es el resultado medido en términos empresariales.
3 Repite los dos pasos anteriores dos veces más: una para la parte Max y otra para
la parte Min. La parte Max utiliza la mejor implementación posible en cada
etapa de la canalización de ML. La parte Min utiliza la implementación más
sencilla en cada etapa.
Una vez realizado el análisis, sabrás lo que la canalización de ML más sencilla puede
lograr en términos de negocio. También comprenderás lo que puede lograr la mejor
implementación de tu canalización de ML actual. Si lo mejor no es suficiente para
hacer viable la empresa, ya sabes que es hora de desechar la canalización de ML.
Las siguientes secciones te muestran cómo realizar un análisis MinMax. Pero

primero presentaré un ejemplo de canalización de ML que podemos usar para este
análisis y después mostraré cómo interpretar los resultados.
6.4 Cómo interpretar los resultados del análisis MinMax

El análisis MinMax responde a la pregunta: «¿Merece la pena continuar con el desarrollo
de la canalización de ML actual?». Por lo tanto, cada líder del equipo debe saber cómo
interpretar los resultados de un análisis MinMax. Realizar este análisis es de interés
solo para un subconjunto de lectores que quieran realizar el análisis ellos mismos
o para comprender mejor los detalles. En consecuencia, primero te mostraré cómo
interpretar los resultados del análisis MinMax y, después, en una sección posterior,
aprenderás a realizar el análisis.
Esta sección te ofrece primero un escenario concreto de una canalización de
ML que resuelve un problema empresarial real. A continuación, te pide que tomes
decisiones concretas a partir de este escenario: ¿deberías continuar o no desarrollar
la canalización de ML? Estos ejemplos resaltan que el resultado del análisis puede
señalar no solo que la canalización de ML es suficiente o inadecuada para abordar
tu problema empresarial, sino también la necesidad de mejorarla antes de poder
resolver el problema empresarial. Por último, una vez que hayas visto un ejemplo de
interpretación del análisis MinMax, proporciona un resumen de las reglas para realizar
el análisis MinMax.
Entender los detalles

Decidir si tu tecnología es capaz de resolver un problema empresarial es inherentemente
un problema multidisciplinar. Debes entender los detalles del problema empresarial
porque las decisiones en la empresa no se pueden tomar sin considerar el impacto
financiero y las reglas de negocio y dominio. Primero necesitas una comprensión básica
de la solución técnica. A continuación, tienes que decidir si esa solución es rentable.
Por tanto, sería un poco más complicado un escenario realista para un análisis MinMax
que otros escenarios de este libro. Sin embargo, vale la pena esforzarse en comprender
los detalles del análisis, ya que la forma más fácil de ahorrar una gran cantidad de
dinero en un proyecto de IA es abandonar la canalización de ML incorrecta antes de
que salga caro.
6.4.1 Escenario: la canalización de ML de un parquímetro inteligente

Hablemos de un escenario empresarial concreto con todos los detalles de un problema
empresarial que hay que resolver y las implicaciones financieras de las distintas decisiones
que toma tu sistema. Empezaré describiendo el lado empresarial del problema y luego
mostraré la descripción de la canalización de ML que resuelve el problema.
Tu empresa fabrica parquímetros inteligentes. Los parquímetros tienen una cámara,
que se puede utilizar para tomar fotos de las matrículas. Tu cliente es una ciudad.
Tiene muchos planes y posibilidades para estos parquímetros, pero, de momento,
emite multas automáticas si alguien aparca más tiempo del debido en su visita.
Cómo interpretar los resultados del análisis MinMax 65
A la ciudad le interesa principalmente el cumplimiento de la normativa de

aparcamientos, no los ingresos por multas. En nuestro escenario, la ciudad ha
decidido pagar la instalación inicial de los medidores y ofrecerte un plus anual por
cada medidor con menos de 50 al año de coches que aparcan más tiempo del debido.
La ventaja en sí es lo suficientemente grande como para que tu empresa esté satisfecha
con esa recompensa como única fuente de ingresos relacionada con los parquímetros
inteligentes para la ciudad.
El aspecto económico del parquímetro inteligente es que tienes un beneficio de
3 dólares por multa y tienes que pagar al ayuntamiento 20 dólares por cada multa
incorrecta emitida. Para que el negocio de parquímetros inteligentes sea práctico para
tu empresa, el umbral de valor es 100 dólares/año (por parquímetro) u obtener la
bonificación de la ciudad, que es la opción preferida. La estimación es que, al año,
300 coches están más tiempo del debido en cada plaza, con el beneficio máximo por
medidor en 900 dólares si todas las multas se emiten correctamente.
NOTA Como has aprendido en el capítulo 1, debes intentar no extrapolar los

datos anteriores a datos futuros cuando la implementación de tecnología de
IA pueda cambiar la realidad de esa extrapolación. ¿Habría el mismo número
de coches que aparquen más tiempo del debido una vez que empieces a emitir
multas? Alternativamente, ¿los coches que aparcan más tiempo del debido
desaparecerían al instante?
Para estar seguro, decides dar por hecho que el número de coches que aparcan más
tiempo del debido se desplomaría. En lugar de usar 300/año, supones que habría al
menos 51 casos de tiempo de estancia superado/año. La ciudad te cubre si hay 50 o
menos coches que aparcan más tiempo del debido, por lo que 51 coches/año es el peor
de los casos para ti. En la figura 6.4 se muestra la sencilla canalización de ML que utilizarás.
Figura 6.4. Una canalización de ML sencilla para el parquímetro automatizado que toma
una foto de la matrícula, comprueba si el aparcamiento es legal y emite una multa si no es
así. Los ejemplos de este capítulo utilizan esta canalización para el análisis.
La canalización de ML mostrada en la figura 6.4 usa una cámara y el reconocimiento

de imágenes. Sin embargo, como estamos trabajando con un dispositivo físico en el
mundo real, hay algunas complicaciones:
 La calidad de la imagen de la cámara depende del momento del día y del tiempo.
(Los reflejos del sol, la luz y la lluvia son factores fundamentales).
 L
as multas se emiten a través de una red móvil, por lo que el parquímetro tiene
un módem móvil. Para este ejemplo, supondremos que la etapa de emisión de
tickets de la canalización siempre funciona perfectamente.2
2
En la práctica, es posible que algunas multas fracasen debido a errores de comunicación o problemas con el
sistema de multas. Para simplificar este ejemplo, voy a hacer caso omiso de esos problemas.
Las reglas de aparcamiento son un poco más complicadas de lo que he descrito

inicialmente. De hecho, son lo suficientemente complicadas como para que la
canalización de ML mostrada en la figura 6.4 necesite un motor de reglas que admita
esas reglas de aparcamiento.
NOTA En este capítulo, inicialmente vamos a cubrir un caso básico de análisis
MinMax. En el caso básico, es seguro suponer que tu curva de beneficios es de
tal manera que un mayor valor de la métrica técnica siempre daría lugar a un
mayor valor de la métrica empresarial. La sección 6.5.5 te mostrará qué hacer
si este supuesto no se cumple.3
En algunos casos, puedes tomar decisiones basadas solo en la parte Min o Max del
análisis. En otras, deberás examinar tanto la parte Min como la parte Max del análisis
antes de tomar una decisión.
NOTA Antes de ver el conjunto de resultados hipotéticos del análisis MinMax,
recuerda que, para que el parquímetro sea rentable, el umbral que necesitas
es al menos 100 dólares al año a partir de cada medidor para que sea práctico.
Ese umbral se basaba en el supuesto de que habría 51 coches que aparcan
más tiempo del debido al año, que es el peor de los casos ya que no serían
suficientes para que la ventaja municipal la pusiera en marcha. (La ciudad
paga si no hay más de 50 infracciones).
En el primer escenario de este ejemplo, sabes que con el medidor más sencillo que
puedes construir y la implementación más sencilla del reconocimiento de vídeo de
la matrícula, el 97 % de las multas serán correctas. Lamentablemente, el 3 % será
incorrecto. En función de tu curva de beneficios, los científicos de datos te dicen que
han completado la parte Min del análisis MinMax y han descubierto que el beneficio
previsto por medidor es de 117,81 $ al año (para 51 multas de aparcamiento ilegales
al año). Como tu umbral era solo 100 $ al año, sabes que tu canalización de ML es
viable y que el sistema de IA podría obtener beneficios en forma «tal como está» de la
canalización. No hace falta que te preocupes por la parte Max de MinMax, porque la
canalización de ML que tienes hoy en día ya es lo suficientemente bueno como para
respaldar tus objetivos empresariales.
¿Publicar o no publicar?
Si la parte Min de tu análisis MinMax muestra que tu canalización de ML actual ya está
produciendo un valor que excede tu umbral, puedes escoger lanzar tu producto. Como
alternativa, por diversos motivos empresariales, puedes decidir no publicarla. Esta es
ahora una decisión empresarial que podría requerir más análisis.
Como otra consideración, los parquímetros tienen piezas que pueden complicar
las decisiones empresariales, por ejemplo, una vez que los parquímetros están
implementados, no se pueden cambiar las cámaras fácilmente. No obstante, si sabes
que ya dispones de la mejor cámara que puedes obtener y puedes actualizar el software
en el medidor de forma remota, puedes tratar el medidor como un sistema de software
convencional. En este caso, debes lanzarlo una vez y, si es necesario, crear un mejor
sistema de reconocimiento de visión en el futuro.
3
Para los científicos de datos de la audiencia, tu curva de beneficios es monotónica, pero no hay requisitos para
que la relación entre la métrica técnica y la métrica empresarial sea lineal.
Cómo interpretar los resultados del análisis MinMax 67
Echemos un vistazo a un escenario alternativo: alguien ha decidido que, en lugar de

colocar una cámara en el parquímetro (para que esté a solo unos centímetros de la
matrícula), se hubiera reutilizado una cámara de seguridad en el tejado del edificio
cercano al aparcamiento para ver todos los coches estacionados. Con un sistema de
este tipo, ni siquiera necesitas instalar nuevos dispositivos físicos de parquímetros con
cámaras.
El ayuntamiento dice que les gusta la idea y la usaría, ya que le ahorraría tener que
pagar por instalar nuevos parquímetros con cámaras. Todos los demás parámetros, como
el coste de las multas y el umbral de valor de 100 $, permanecen iguales. Tu empresa
decide que seguirá queriendo hacer negocios con la ciudad en esas condiciones.
A continuación, obtienes las imágenes de la cámara de seguridad existente en el
tejado. Resulta que la cámara solo toma imágenes borrosas y distorsionadas una vez
cada pocos segundos. Es una cámara de lente de ojo de pez para sistemas de seguridad.
También se puede visualizar el aparcamiento y ahora es necesario asignar la imagen de
la cámara para determinar qué coche está en cada plaza de aparcamiento.
Pides opinión a los ingenieros. Tu equipo vuelve a realizar un análisis MinMax.
Esta vez, saben que se enfrentan a un desafío técnico difícil y se preguntan si podría
resolverlo la mejor implementación de la canalización de ML actual.
El equipo realiza por primera vez la parte Max del análisis MinMax. El análisis
muestra que con las imágenes que tienes, tu sistema emitirá el 89 % de multas correctas
y el 11 % incorrectas. Con 51 coches que aparcan más tiempo del debido al año, el
beneficio por medidor sería de 23,97 $ al año. La canalización de ML no va a funcionar.
¡Momento de entrar en pánico! ¿La ingeniería puede construir una canalización de
ML diferente? Lo intenta, pero ninguna es práctica si utilizas imágenes de la cámara de
seguridad existente. Si no puedes sacar mejores fotos, no tienes un proyecto de IA viable.
CONSEJO Cancelar un proyecto en casos como este no es nada malo en

absoluto. Este ejemplo muestra exactamente por qué debes realizar el
análisis MinMax al principio del proyecto. ¿Cuándo preferirías hablar con
tu jefe sobre la cancelación del proyecto: cuando hayas gastado el 3 % del
presupuesto (tiempo y coste) y puedas demostrar que no funciona, o cuando
has gastado el 105 % del presupuesto y te has dado cuenta de que no va
a llegar a ningún sitio? Si estás destinado a fracasar, fracasa rápido y comienza
algo más productivo.
Tu jefe es razonable y sabe que la idea de usar imágenes de la cámara de seguridad

instalada en el tejado no es buena. El jefe hace algunas llamadas telefónicas y vuelve
a hablar contigo para darte buenas noticias. En su lugar, podrás utilizar cámaras mucho
mejores situadas alrededor del aparcamiento. Varias cámaras estarán posicionadas de
tal manera que no tengas que preocuparte de los obstáculos. Pides al equipo que repita
el análisis MinMax con la misma canalización de ML, pero con el supuesto de que
usarás mejores cámaras.
Esta vez, la parte Max de MinMax muestra que lo mejor que es posible con un
sistema así es un 98 % de multas correctas, con un 2 % de incorrectas. Y con 51 coches
que aparcan más tiempo del debido al año, el beneficio por medidor sería de 129,54 $ al
año. (Recuerda que la parte Max proporciona un resultado que corresponde a la mejor
68 CAPÍTULO 6 Analizar una canalización de ML
implementación de la canalización de ML). Sin embargo, la parte Min, analizando la

canalización más sencilla que se puede construir, muestra que solo tendrías el 91 %
de multas correctas, con un beneficio de 47,43 $ al año. La implementación más
sencilla de la canalización de ML no va a funcionar, pero tal vez puedas mejorarla.
El proyecto debe continuar, pero existe una pregunta sobre la dificultad de mejora
de la canalización de ML. Hablaremos de eso a continuación.
6.4.2 ¿Y si tu canalización de ML necesita mejoras?

Los resultados de los análisis MinMax normalmente son concluyentes en cuanto al valor
empresarial de tu canalización de ML. En la sección anterior, hemos visto un ejemplo
en el que el análisis Min ha mostrado que la canalización ya estaba proporcionando
resultados empresariales viables. También has visto un ejemplo en el que la canalización
de ML no era adecuada para cumplir el objetivo empresarial. No obstante, a veces los
resultados no son concluyentes: la canalización de ML necesita mejorar para cumplir
tu objetivo empresarial.
En esta sección se describe la última de estas situaciones. En la figura 6.5 se muestra
información general sobre la aplicación de análisis MinMax para el caso en el que una
canalización de ML necesite mejorarse.
Figura 6.5. Aquí, el análisis Min no alcanza el umbral de valor, pero el análisis Max lo
supera. Podría ser posible mejorar esta canalización lo suficiente como para hacerla viable
para la empresa.
En la figura 6.5 se puede observar que el resultado del análisis muestra que con la
canalización de ML que estás utilizando, no es suficientemente buena la implementación
Min, pero el análisis Max muestra que la estructura actual de la canalización de ML
se puede mejorar para proporcionar un resultado empresarial aceptable. En esta
situación, puedes decir que la canalización de ML supera el análisis Max y genera
errores en el análisis Min.
Una canalización de ML que te permite generar ingresos con un esfuerzo mínimo
por tu parte es algo bueno. Una canalización de ML que no te hace ganar dinero
aunque utilices las mejores técnicas posibles en cada una de sus etapas es algo que
conviene abandonar pronto. No obstante, ¿qué ocurre cuando estás en medio y sabes
que la parte Max es lo suficientemente buena, pero no la parte Min? Debes mejorar
tu canalización de ML para poder lanzar tu producto de IA, por lo que tendrás que
realizar un análisis de sensibilidad (como se detalla en el capítulo 7).
Cómo llevar a cabo un análisis de la canalización de ML 69
6.4.3 Reglas para interpretar los resultados del análisis MinMax

En la sección anterior has aprendido a interpretar los resultados del análisis MinMax.
Si resumimos cómo tomamos esas decisiones, podríamos formar un conjunto de reglas
para interpretar los resultados del análisis MinMax. Esta sección resume esas reglas.
Primero pongámonos de acuerdo en alguna terminología:
 Podríamos decir que la parte Min del análisis MinMax aprobó si la implementación
mínima de la canalización de ML que puedes hacer ya tiene un valor empresarial
que supera el umbral de valor en la curva de beneficios. La canalización de ML
mínima es viable para la empresa.

Podríamos decir que la parte Max del análisis MinMax aprobó si la mejor
implementación posible de la canalización de ML tendrá el valor empresarial
suficiente como para superar el umbral de valor en la curva de beneficios. La
mejor implementación posible de tu canalización de ML actual será viable para
la empresa.
Las diferentes combinaciones de los resultados del análisis Min y Max tienen un
significado empresarial diferente. La tabla 6.1 resume los posibles resultados de un
análisis MinMax y su impacto en la empresa.
Tabla 6.1 Resumen de los posibles resultados de un análisis MinMax. Cada uno de los resultados
tiene implicaciones directas para tu empresa.
Resultado de Min/Max Max aprobado Max fallido
La canalización de ML es viable para Esta combinación no puede produ-

la empresa. cirse.
La canalización de ML actual no es
La canalización de ML debe mejorar adecuada para resolver el problema
para que sea viable para la empresa. empresarial.
6.5 Cómo llevar a cabo un análisis de la canalización de ML

Ahora que ya sabes cómo interpretar los resultados del análisis MinMax, hablemos de
cómo realizarlo. ¿Cómo hemos logrado los números de la sección anterior que son el
resultado del análisis MinMax? Mediante el análisis de una canalización de ML. En esta
sección se muestra cómo realizar un análisis de este tipo.
NOTA Es posible que desees analizar la descripción del análisis MinMax para
obtener una comprensión básica de lo que tu equipo hará durante él si eres
un director sin experiencia en ingeniería. Deberías poder entender (o incluso
realizar) este análisis en caso de que seas un director sin experiencia en
ingeniería.
El primer paso en el análisis de una canalización de ML es asegurarse de que tienes

todos los requisitos previos. Necesitas un diagrama lógico de la canalización de ML
propuesta. También necesitas las métricas técnicas y empresariales que estás utilizando
en el proyecto y la curva de beneficios.
70 CAPÍTULO 6 Analizar una canalización de ML
Analizas una canalización de ML haciendo pasar datos por ella y luego utilizando
una curva de beneficios para medir el resultado en términos de empresa. El proceso
general para el análisis (figura 6.6) es el mismo para la parte Min y Max del análisis
MinMax e incluso se aplica al análisis de sensibilidad de la canalización de ML.
Figura 6.6. Análisis de una canalización de ML. Este análisis te indica qué puede lograr la canalización
de ML actual para la empresa. La parte Min y la parte Max del análisis MinMax utilizan el mismo proceso.
El análisis que se muestra en la figura 6.6 mide los resultados de la canalización de ML

en términos empresariales. Esto se hace procesando datos reales con tu canalización
de ML actual, midiendo el resultado mediante métricas técnicas y transformando
ese valor en la métrica empresarial. Otra forma de imaginar este análisis es que estás
alimentando la canalización de ML con datos reales y luego estás aplicando la parte
Understand («entender») del proceso CLUE para medir el resultado.
Se aplicaría el mismo proceso de la figura 6.6 a las partes Min y Max del análisis
MinMax. Lo que cambia no es cómo se analiza la canalización de ML, sino la
implementación de las etapas de la canalización de ML.
Ahora que ya entiendes el proceso general para analizar una canalización
de ML, veamos cómo realizar el análisis real. Puedes consultar cómo realizar la
parte Min del análisis MinMax en la sección 6.5.1 y cómo realizar la parte Max en
la sección 6.5.2. Se explica cómo tener en cuenta las estimaciones de tendencias y
los factores de seguridad durante el rendimiento del análisis MinMax en la sección
6.5.3. En la sección 6.5.4 se presentan diferentes tipos de curvas de beneficios que
puedes encontrarte en la práctica. Por último, la sección 6.5.5 te muestra cómo
aplicar el análisis MinMax a las curvas de beneficios que tienen una forma compleja.
6.5.1 Realizar la parte Min del análisis MinMax

Para realizar la parte Min del análisis, primero debes crear la implementación más
sencilla de la canalización de ML. El objetivo es crear una implementación de la
canalización de ML que se pueda probar con datos reales.
¿Cuánto esfuerzo hay que hacer para preparar la canalización de ML para la parte
Min del análisis MinMax? El esfuerzo debería ser insignificante en comparación con el
tamaño del proyecto completo. La norma general es que no se debe tardar más de un
par de semanas en realizar un esfuerzo de un par de semanas, independientemente
del tamaño del proyecto, ya que el coste no será superior al 5 % del presupuesto total
del proyecto. Si tu empresa es pequeña, puede significar lo mejor que puede hacer
una sola persona en pocos días.
El uso de precinto es clave. Utiliza una implementación de canalización que
puedas construir rápidamente. Si los productos comerciales «estándar» (COTS)
pueden ayudarte, úsalos. Pregúntate: «¿Puedes utilizar el producto de otra persona en
cualquier etapa de la canalización para implementar la funcionalidad necesaria?». Te
interesa que el sistema funcione con el mínimo esfuerzo necesario para poder ver qué
resultado empresarial es posible con un sistema de este tipo.
Una vez finalizado el análisis, es el momento de aplicar las técnicas aprendidas en
la sección 6.4 e interpretar los resultados del análisis. La canalización es viable para la
empresa tal como está si ya tienes una canalización de ML que te ofrece resultados que
superan el valor de umbral de la métrica empresarial.
NOTA ¿Qué sucede si la cantidad de esfuerzo que necesitas gastar para
construir la canalización de ML más sencilla es grande? No podrás realizar la
parte Min del análisis sin esa sencilla implementación. Por lo tanto, el resultado
del análisis Min es cero: la implementación actual de la canalización de ML no
tiene ningún valor empresarial. Sin realizar mejoras, no tienes nada.
6.5.2 Realizar la parte Max del análisis MinMax
Está claro que necesitas mejorar tu sistema de IA antes de que sea viable para la empresa
si lo que tienes hoy no es lo bastante bueno como para lanzarlo. Es hora de realizar
la parte Max del análisis MinMax y determinar si tu canalización de ML es algo que
puedas mejorar lo suficiente como para lograr tu objetivo empresarial. En esta sección
se muestra cómo realizar esta parte del análisis.
Para la parte Max del análisis MinMax, la idea es que para una canalización de ML
con la estructura dada, el mejor resultado posible para la canalización en su conjunto
es aquel en el que cada una de sus etapas tiene la mejor implementación posible.
Echa un vistazo a la etapa B de la canalización de ML que se muestra en la figura 6.6.
Supongamos que a esa etapa se le da una imagen y se encarga del reconocimiento
visual de los dígitos que hay en la imagen. Para el análisis Max, estudiarías cuál es el
mejor resultado que otra persona ha conseguido reconociendo dígitos y lo utilizarías
como aproximación a cuál es el mejor resultado posible que tu fase B podría conseguir
si le dedicaras un esfuerzo considerable.
Lo mejor hasta ahora es un límite superior de expectativa razonable

Por el bien del argumento, supongamos que el mejor resultado que se ha obtenido
hasta ahora en alguna fase de la canalización de ML (llamémosla etapa B) es un
99,22 % de precisión. Supongamos que creas una canalización de ML usando
esa etapa y, cuando realizas la parte Max del análisis MinMax, descubres que tu
canalización de ML no es viable para la empresa. Sin embargo, si pudieras mejorar
la precisión de la etapa B en tan solo un 0,5 % (hasta una precisión del 99,72 %),
tendrías una canalización de ML viable para la empresa. ¿Deberías suponer que tu
equipo sería capaz de lograr esa precisión del 99,72 %?
Para la mayoría de los equipos del sector, es arriesgado apostar por que un equipo
pueda mejorar el mejor resultado publicado conseguido en el campo de la IA hasta
ahora. Esto significa que cualquier canalización de ML que no pueda producir
resultados empresariales aceptables cuando cada una de las etapas utiliza la
mejor implementación posible conocida no resulta, por su estructura, adecuada
para resolver tu problema empresarial. Una canalización de ML de este tipo ha
fallado la parte Max del análisis MinMax. En caso de que necesites superar el mejor
resultado histórico para obtener incluso un producto mínimamente viable, es hora de
abandonar una canalización de ML de este tipo.
La parte Max del análisis es especialmente crucial en la etapa inicial de la creación

de un nuevo negocio o producto. En esta etapa, estás calculando los costes totales
del proyecto y la canalización y, es probable que pases por alto algunos costes. Si tu
canalización de ML falla la parte Max del análisis MinMax aunque tus costes totales
pueden estar subestimados, esa canalización de ML seguramente no puede admitir un
producto de IA viable.
La pregunta más importante durante el análisis Max de la canalización de ML es:
«¿Cuál es un referente indirecto razonable del mejor resultado posible en esa etapa?».
Veamos algunas formas de encontrar un buen referente.
La parte Max del análisis MinMax tiene su raíz en la evaluación comparativa competitiva
[1,120]. La comparativa competitiva significa que estás buscando un referente, alguien
que tenga un problema similar y mides su nivel de resolución. Estos son algunos orígenes
que investigaremos con más detalle y que puedes usar como referente:
 L
os mejores resultados conseguidos hasta ahora en el ámbito empresarial,
industrial o académico en un problema similar al que intentas resolver
 Una persona que desempeñe la tarea que necesita que tu IA lleve a cabo
¿CUÁLES EL MEJOR RESULTADO PARA PROBLEMAS COMO EL TUYO EN EL MUNDO ACADÉMICO

O INDUSTRIAL?
¿Cuál es el mejor resultado publicado en el mundo académico o empresarial para una
tarea como la tuya? Lo que estás buscando es una organización que tenga el mismo
problema que el que tienes y lo bien que lo ha resuelto.
Cuando observas el sector, buscas no solo los productos COTS que puedes comprar,
sino también lo mejor que otras empresas (aunque no sean tus competidoras directas)
han podido conseguir al abordar el problema al que te enfrentas. Cuando buscas
artículos académicos, buscas el mejor resultado publicado. En ambos casos, la clave
está en que intentas encontrar qué es lo mejor que ha conseguido otra persona al
resolver el problema que se parezca lo más posible al tuyo.
CONSEJO Si estás considerando un producto COTS para alguna etapa de

la canalización, pregunta al proveedor cuál es el mejor resultado que ha
conseguido con su producto para un problema como el tuyo. Un proveedor que
confía en que suministra un valor empresarial tangible para un caso de negocio
como el tuyo debe ver esa pregunta como una oportunidad para diferenciarse.
La idea de utilizar el mundo académico o el sector como referente es que si los mejores
expertos del mundo no fueran capaces de lograr más del 80 % de precisión en alguna
tarea, es lógico pensar que no superarás el 80 %.
En cuanto a qué referente elegir, normalmente es mejor usar un referente que se
parezca más a tu problema: el uso demostrado en el sector siempre es un referente más
sólido que un documento académico. Por otra parte, un documento académico que
describe una situación igual a la tuya podría ser un mejor referente que el uso sectorial
en un problema que no está tan relacionado.
¿En qué medida es similar tu situación?

Debes trabajar cuidadosamente para asegurarte de que el problema que escoges para
usar como referente es similar a tu situación. El referente debe estar estrechamente
relacionado y debes comprender en qué condiciones se ha conseguido el resultado
anunciado. Presta atención especial a cualquier simplificación que los autores de un
artículo académico puedan haber incorporado.
B. Hu et al. presentan un ejemplo en su informe sobre clasificación de series
temporales [121]. Los datos del acelerómetro se pueden utilizar para reconocer
los movimientos y gestos de un actor. La pregunta es: ¿cómo puedes saber cuándo
comienza un movimiento y termina otro? La respuesta a esa comunidad académica
concreta, en un momento dado, fue que usarían lo que técnicamente se conoce
como presegmentación.
Esa comunidad estaba interesada en clasificar gestos con la condición de que ya se
sabía cuándo había empezado y parado el gesto. Eso se sabía porque se le pidió al
actor que realizara los gestos sobre la marcha. Para obtener una presegmentación
más precisa, algunos actores estaban usando hasta un metrónomo.
El único problema es que reconocer gestos si los datos del acelerómetro están
presegmentados con la ayuda del metrónomo es mucho más fácil que comprender
los datos del acelerómetro procedentes de un reloj inteligente (como un Apple
Watch). Si utilizaras los resultados de una comunidad anterior como aproximación
a lo que es posible con un acelerador de reloj inteligente, dejarías de preguntarte por
qué eres incapaz de conseguir una precisión de reconocimiento de gestos cercana
a lo que esa comunidad académica fue capaz de lograr.
¿Qué pasa si durante el análisis Max tu equipo se pierde el mejor resultado absoluto
publicado? Por ejemplo, estaba en un estudio científico oscuro. Eso no importa; el
hallazgo de Max que tu equipo hizo todavía se considera el resultado Max para tu
organización, y ese resultado Max no se ve afectado por la existencia de algún estudio
oscuro. Lo que buscas durante el análisis Max no es el resultado Max absoluto conocido
por la humanidad. Buscas un resultado Max práctico o sectorial, el que tu equipo
real podría obtener cuando intente implementar la etapa dada de la canalización. Tu
equipo no puede implementar algoritmos de estudios que no conocen.
¿CON QUÉ EFICACIA PODRÍA UNA PERSONA RESOLVER TU PROBLEMA?

¿Qué pasa si no tienes ningún ejemplo que sea parecido a tu problema? Es peligroso
suponer que puedes crear un producto de IA que resolvería tu problema mejor que
una persona si no ha habido nadie que lo haya resuelto antes. En su lugar, observa lo
que una persona puede hacer cuando se le da un pequeño subconjunto de los datos.
Usa a esa persona como referente.
Toma una persona y muéstrale los mismos datos que ve la etapa de la canalización.
Pídele que desempeñe el papel de la etapa de canalización y, a continuación, mide lo
que consigue la etapa basada en personas. Esa es tu estimación del máximo que un
algoritmo de IA podría hacer.
NOTA Aunque podría ser posible tener un efecto mejor que una persona en
algunas tareas, en el momento de redactar este libro, tales situaciones son
poco frecuentes, a menudo dignas de noticia e, incluso cuando se logran,
suelen producirse por equipos que ya están formados por personas que se
encuentran entre los mejores investigadores de IA del mundo. Es mucho más
probable que los resultados que te pueda ofrecer un algoritmo de IA sean
mucho peores que los resultados que te podría ofrecer una persona.
6.5.3 Estimaciones y factores de seguridad en el análisis MinMax

La naturaleza de la parte Max del análisis MinMax es que estás calculando lo que se
puede lograr si cada etapa de tu canalización de ML tiene la mejor implementación
posible. En esta sección se abordan las preguntas que se suelen presentar cuando se
realiza una estimación de lo que puedes lograr. Por ejemplo:
 Cuando realizas un análisis MinMax y tu proyecto va a salir al mercado
en 18 meses, ¿deberías tener en cuenta las tendencias en la mejora del hardware
o los algoritmos de IA?
 ¿Cómo debes utilizar las opiniones de los expertos durante un análisis MinMax?
 ¿Debes añadir algún factor de seguridad a tus resultados?
USO DE ESTIMACIONES DE TENDENCIAS EN UN ANÁLISIS MINMAX
En ocasiones puedes ver una tendencia de mejora y calcular lo que significaría la
continuación de esta tendencia en el momento de implementar tu proyecto. Por
ejemplo, el coste del almacenamiento de datos está disminuyendo y, si tu proyecto
se va a enviar en dos años, puedes contar con una disminución de los costes de
almacenamiento de datos y concluir que podrías permitirte el lujo de almacenar más
datos de los que podrías tener en la actualidad.
Puedes aplicar tendencias a la mejora de algoritmos de IA. A veces, podría haber
una tendencia clara de que los algoritmos de IA están mejorando. Por ejemplo, en este
momento, la IA está mejorando en el reconocimiento de imágenes y secuencias de
vídeo y lo está haciendo rápidamente. Puede ser tentador calcular las tendencias si los
resultados de tu análisis Max no tienen un pequeño margen del umbral de viabilidad
empresarial al que intentas llegar. Por ejemplo, necesitas una precisión del 96 %
y actualmente la mejor opción es el 95,5 %, pero crees que en dos años será del 96 %.
No soy muy partidario de calcular tendencias en tus primeros esfuerzos de IA; le
aconsejo a la mayoría de mis clientes que no lo hagan. Si quieres predecir con éxito las
tendencias en algún campo, necesitas más conocimientos de los que es probable que
poseas en el momento en que estás iniciando las primeras iniciativas en ese campo. Me
refiero no solo al conocimiento técnico, sino también al conocimiento de la capacidad
de integración de tu organización de la nueva tecnología de IA. Por último, a fin de

que las tendencias sean significativas, el proyecto debe ser lo suficientemente largo
como para superar el primer proyecto de IA.
ESTIMACIONES BASADAS EN OPINIONES DE EXPERTOS
Siempre es buena idea preguntarle a un experto cuál es su estimación del resultado
Max que puedes obtener en alguna parte de la canalización. Estos expertos podrían ser
consultores o académicos. Además, podrían señalar no solo cuál es el mejor resultado
posible en alguna etapa de la canalización, sino también cómo conseguirlo.
Otra ventaja de la opinión de los expertos es que puede que conozcan un área lo
suficientemente bien como para decirte no solo cuál es el mejor resultado actual, sino
cuáles son las tendencias en el área de investigación concreta. ¿Es un área que está
mejorando rápidamente sus capacidades (como la comunidad de reconocimiento de
imágenes)? ¿Cuánta formación necesita tu equipo para conseguir esos resultados?
Asegúrate de poner en contexto los consejos de los expertos. ¿El experto ha
respondido a la única pregunta de forma aislada y entiende bien tu situación concreta?
Los expertos son caros y suelen estar ocupados, y es tentador tratar de ahorrar
dinero hacerles una pregunta sencilla que ha creado tu equipo. El problema es que
ahora tu equipo tiene que encargarse de contextualizar la pregunta y la respuesta en
un área en la que tengan menos conocimientos que el experto.
Las respuestas que obtienes en estas situaciones también pueden dar una falsa
sensación de seguridad: es probable que creas que la respuesta es correcta porque la
ofrece un experto reconocido. No obstante, la parte de la contextualización (que hacen
expertos menores) podría ser una parte esencial del problema. Hacer las preguntas
correctas es difícil y gran parte de lo que convierte a un experto en un experto es saber
qué preguntas hacer.
Te has encontrado con el problema de contextualizar la pregunta en el capítulo
3, cuando estábamos formulando preguntas de investigación para resolver problemas
empresariales. Al igual que el ejecutivo y el científico de datos con los que debías
hablar en el capítulo 3, tendrás que hablar con un experto para asegurarte de que la
pregunta (que se ha hecho correctamente) refleje tus necesidades.
Considero que ahorrar dinero en consejos de expertos es una estrategia de «codicia
que engaña a la sabiduría». Estima lo que se necesita para obtener tiempo suficiente
con el experto a fin de explicar el problema al que te enfrentas para que ese experto
pueda contextualizar la respuesta. Si tienes al experto adecuado, puedes explicarle los
detalles de tu situación empresarial en pocas horas.
Finalmente, asegúrate de entender la forma de la respuesta que recibes del experto.
¿Es un hecho, una opinión de un experto sobre la situación o solo una estimación? Ya
sabes que no soy partidario de las estimaciones de tendencias en los proyectos iniciales
de IA, y mi opinión no cambia mucho porque la persona que haga la estimación sea
un experto técnico en la materia.
ADVERTENCIA Si te dan una estimación, ten en cuenta que la mayoría de la

gente (y la mayoría de los expertos) no hacen estimaciones especialmente
precisas. Merece la pena leer el libro de D. W. Hubbard [75] para datos que
muestren que la mayoría de las personas hacen estimaciones deficientes, una
explicación sobre por qué a las personas no se nos dan bien las estimaciones
y cómo podemos mejorar eso.
¿DEBERÍAS AÑADIR FACTORES DE SEGURIDAD DURANTE EL ANÁLISIS?

A veces los resultados académicos no se pueden reproducir en la industria. También
puedes ser escéptico respecto a que tu equipo pueda crear una solución de IA que
produzca resultados en alguna tarea que se aproximen a lo que puede hacer una
persona trabajando en la misma tarea.
En tal situación, es posible que quieras introducir un factor de seguridad, por
ejemplo: «Suponemos que solo podemos llegar al 50 % del mejor resultado publicado».
Por supuesto, no está claro cuál debería ser este factor de seguridad: ¿por qué hemos
elegido el 50 % como factor de seguridad y no el 80 %? Es buena idea incorporar un
factor de seguridad cuando se entiende el problema lo suficientemente bien como
para poder describir de dónde viene la incertidumbre y el nivel de incertidumbre que
hay. No obstante, cuando no se sabe el nivel de incertidumbre que hay, un factor de
seguridad es solo una conjetura.
ADVERTENCIA Ten cuidado cuando encuentres factores de seguridad que son

números redondeados (como 2, 3, 10 o 50 %). Son sospechosamente perfectos
para ser el resultado de un análisis técnico del problema y esas cifras puede que
sean una suposición.
6.5.4 Categorías de curvas de beneficios
En los ejemplos de análisis de curva de beneficios que se han presentado hasta ahora,
hemos supuesto que la curva de beneficios es monotónica, es decir, cuando las métricas
técnicas aumentan, la métrica empresarial (como el beneficio) también aumenta. Esta
es la situación real más habitual, pero en esta sección se mostrará qué hacer cuando
la curva de beneficios y las métricas técnicas tienen relaciones más complicadas.
NOTA Esta sección es de interés tanto para el lector general como para el lector
con inclinación matemática. Usaré la terminología cotidiana para describir
algunos de los conceptos de manera más sencilla para que el público general lo
pueda entender más fácilmente. Pido paciencia a mis lectores con inclinaciones
matemáticas: tú ya conoces los conceptos básicos que describo, así como los
casos extremos, y puedes añadir tú mismo el rigor matemático subyacente.
Las curvas de beneficios tienen diferentes formas. Las cuatro categorías de la figura
6.7 son las que nos generan especial interés. Analicemos las categorías de curvas de
beneficios que se muestran en la figura 6.7:
 En una curva de beneficios lineal, la relación entre la métrica empresarial y la
métrica técnica es una línea recta.
 En una curva de beneficios monotónica, cuando la métrica técnica aumenta,
también lo hace la métrica empresarial. No obstante, la función que describe la
relación entre la métrica técnica y la métrica empresarial no es una línea recta:
la curva de beneficios puede adoptar muchas formas. Cada curva de beneficios
lineal es una curva monotónica, pero no al revés.
 La curva de beneficios no monotónica es la siguiente curva de beneficios más
complicada. Esta curva tiene segmentos en los que la métrica empresarial
aumenta cuando lo hace la métrica técnica y otros segmentos en los que la
métrica empresarial disminuye cuando aumenta la métrica técnica. El gráfico (c)
muestra un tipo de curva no monotónica que puedes encontrar en la práctica.
Figura 6.7 Varios tipos de curvas de beneficios. Las curvas de beneficios lineales y monotónicas
son más sencillas de optimizar que la curva de beneficios no monotónica. Evita curvas de beneficios
que no sean únicas.
 El último ejemplo es una curva de beneficios que no es única (ambigua): no

hay una relación única entre una métrica técnica determinada y los ingresos.
Verás este tipo de curva de beneficios cuando una métrica técnica no mida las
consideraciones empresariales vitales para ti.
Conoces la forma de la curva de beneficios de tu proyecto; tu equipo lo ha creado.4 Veamos algunos
ejemplos concretos de cuándo te encontrarás con los tipos de curvas de beneficios que
se muestran en la figura 6.7:
A menudo verás una curva de beneficios lineal (gráfico (a)) cuando existe una

relación simple y directa entre tu métrica técnica y tu métrica empresarial. Por
ejemplo, se produciría una curva de beneficios lineal si se tuviera una regla con
el formato: «Nuestro coste anual se da con la fórmula 100 000 USD * RMSE».
Aunque en algunos casos se puede derivar experimentalmente una curva de beneficios, se trata de un tema
4
técnico avanzado que no resulta práctico tratar en este libro debido a la audiencia a la que va dirigido y al
espacio disponible. Algunos de los temas técnicos relevantes para la derivación experimental de las curvas
de beneficios incluyen: el diseño de experimentos, el análisis de superficie de respuesta y la optimización
Bayesian.
 Puede que te encuentres con una curva de beneficios monotónica (pero

no lineal) al predecir cierto valor: mejor será tu predicción y más valiosa
será. El gráfico (b) muestra una relación exponencial entre una métrica
técnica y una métrica empresarial, donde un pequeño aumento en la
precisión de la predicción dará lugar a un aumento masivo de los beneficios.
A menudo, te enfrentarás a esa situación en los mercados financieros.5
 O
tro ejemplo de una curva no monotónica está en la robótica, donde la curva
de beneficios tendrá un aspecto parecido al que se muestra en el gráfico (c).
En robótica, existe el concepto de valle misterioso [122]. Pensemos en dos
robots, el primero con cara de muñeca y el segundo con características faciales
(y movimiento facial) similares a las de un humano, pero no un facsímil perfecto.
Solemos pensar que el segundo robot con modelos faciales más sofisticados sería
más popular, pero podría ser lo contrario [122]. El segundo robot recibe una
reacción negativa instintivamente.
 Otro ejemplo de una curva no monotónica son los sistemas automatizados que
requieren una supervisión humana estrecha. Piensa en un sistema de seguridad
que utilice la IA para resaltar las actividades sospechosas. Otra situación ocurre
cuando los trabajadores supervisan máquinas y robots automatizados. Los
sistemas de transporte (como los aviones) también pueden estar sujetos a los
mismos fenómenos [123].
Cuando (por razones jurídicas o prácticas) debes tener una persona totalmente
dedicada a supervisar tu sistema (y estar aburrida durante una cantidad
significativa de tiempo), es posible que veas formas similares a los gráficos (c). El
sistema combinado de IA y un ser humano empeorará su rendimiento cuando una
IA imperfecta comete errores ocasionales (pero los sigue haciendo) que cuando
la IA comete errores más frecuentes. La razón no radica en el rendimiento del
sistema de IA, sino en el rendimiento de la persona que supervisa la operación:
los seres humanos tienden a aburrirse y a no prestar atención y, por lo tanto,
pueden ser lentos para corregir problemas cuando finalmente ocurren. O pueden
simplemente no tener práctica en cómo reaccionar a los errores del sistema de IA.
 Otro ejemplo de una curva de beneficios no monotónica está en algunas
situaciones en las que la métrica empresarial es el beneficio. A veces, obtener un
mayor valor en la métrica técnica puede ser demasiado caro y requerir gastos de
capital adicionales. Supongamos que una mejora adicional de tu métrica técnica
podría requerirte que compres el acceso a costosas fuentes de datos adicionales.
Esto crea un «descenso» en tu curva de beneficios donde la mejora adicional de
tu métrica técnica solo es posible después de comprar datos adicionales costosos
(y, por lo tanto, reducir el beneficio en ese momento).
Como norma general, las curvas de beneficios monotónicas son más fáciles de
administrar y, si puedes, deberías escogerlas. Si tienes dos combinaciones de métricas
técnicas/métricas empresariales igualmente buenas para elegir, una de las cuales es
monotónica y la otra no, elige la combinación monotónica.
5
Ten en cuenta que la razón por la que una relación exponencial mejore puede ser difícil o incluso imposible.
Es probable que debido a la competencia, una vez que muestres que la mejora es posible, tu competencia
intente ponerse al día y la forma de la curva puede cambiar rápidamente. El capítulo 7 muestra cómo operar
con una curva de beneficios que cambia con el tiempo.
ADVERTENCIA No debes tomar decisiones empresariales basadas solo en una métrica

técnica que no puedes relacionar con una consideración empresarial que te preocupe. De
lo contrario, estás decidiendo maximizar el número (métrica técnica) en vez
de optimizar los resultados empresariales.
En tus proyectos de IA iniciales, o mientras tu equipo de IA aún está ganando
experiencia, debes preferir usar casos que tienen curvas de beneficios simples. Esto se
debe tanto a razones técnicas (las curvas de beneficios monotónicas son más fáciles de
analizar) como a razones empresariales.
NOTA Una curva de beneficios compleja puede ser un indicativo de un caso
de negocio débil para la IA, en el que la monetización no es sencilla. Pero
también puede ser un indicio de un caso de negocio tan sólido que vale la
pena el tiempo para realizar un análisis detallado de la curva de beneficios.
O puede tratarse simplemente de una técnica de documentación técnica,
como: «Eso es justo lo que es la relación entre estas métricas empresariales
y técnicas en particular». No empiezo con ninguna noción preconcebida, pero
cuando veo una curva de beneficios no monotónica, siempre me pregunto:
«¿Por qué la curva de beneficios tiene esta forma?».
A veces no tienes elección: la única combinación de métricas técnicas/métricas
empresariales que funciona es no monotónica. Tu equipo de ciencia de datos podrá
solucionar esa situación gracias a las técnicas que se muestran en la siguiente sección.
6.5.5 Tratamiento de curvas de beneficios complejas
Hablemos sobre los detalles necesarios para construir las curvas de beneficios más
complejas. Esta sección describe los aspectos técnicos sobre la administración de curvas
de beneficios no monotónicas y no únicas.
NOTA Supongo en esta sección que el lector ya está familiarizado con las
matrices de confusión y las puntuaciones F en el contexto del procesamiento
del lenguaje natural (NLP). En el artículo de Leon Derczynski puedes
encontrar más información [124].
Primero encarguémonos de reconocer una curva de beneficios que no es única.
Cuando no existe ninguna relación matemática única entre la métrica empresarial y la
métrica técnica que estás utilizando, se produce una curva de beneficios no única. Un
ejemplo del campo jurídico es el eDiscovery, en el que se usa la IA para ahorrar en el
coste de los abogados que revisan documentos. Podemos usar la IA para verificar un
gran número de documentos. Si un sistema de IA puede marcar de forma fiable el texto
no relacionado con el litigio, puede producir un ahorro de tiempo drástico para los
abogados y un ahorro de costes para el litigante.
Supón que estás trabajando para un bufete de abogados. Tu pregunta empresarial
es: «¿Puedes calcular la cantidad máxima de dinero que la IA puede hacer que ahorre
durante la fase de detección de litigios?».6 Tus ahorros en eDiscovery se integran en el
porcentaje de documentos que la IA clasifica correctamente como «no relacionados
con la demanda»: los verdaderos negativos.
Los sistemas de IA que analizan documentos forman parte del campo más amplio
del NLP. Una métrica que normalmente utiliza la comunidad de NLP es la puntuación
6
Para que este ejemplo sea sencillo y práctico, supongamos que esta es la única pregunta que te importa
e ignoramos los costes si la IA comete un error legal. Por supuesto, si esta primera pregunta ahorra suficiente
dinero y el bufete de abogados decide explorar este sistema de IA, se harán más preguntas empresariales.
F [124]. La puntuación F no tiene en cuenta verdaderos negativos, lamentablemente

para nuestro caso de negocio. Es bastante posible que dos sistemas de IA diferentes,
con un número muy variado de verdaderos negativos, tengan la misma puntuación
F. En nuestro caso de negocio, eso significa que no hay una relación única entre la
puntuación F y la cantidad de ahorro que la IA puede proporcionar. La misma
puntuación F puede ahorrar un 10 % del tiempo de abogado o un 80 %. No puedes
utilizar esta puntuación F para crear una curva de beneficios de «ahorro/puntuación
F». Aunque puedes utilizar la puntuación F para medir otras características de este
sistema, no es una buena métrica técnica para una curva de beneficios en la que la
métrica empresarial es de ahorro de costes.
NOTA Si es así, ¿por qué se usa la puntuación F? Porque la puntuación F tiene
sentido en muchas áreas de recuperación de información, pero no en nuestro
caso de negocio concreto. La puntuación F se utiliza a menudo en el contexto de
NLP [124], así que si estás debatiendo sobre qué métricas técnicas utilizar, es
un punto de partida razonable. El punto de enseñanza más amplio es que el
hecho de que se utilice ampliamente una determinada métrica técnica no la
convierte de forma automática en una métrica útil para tu curva de beneficios.
Ahora vamos a explorar algunas curvas de beneficios no monotónicas. Debe realizar
el análisis MinMax de la curva de beneficios no monotónica de forma diferente que
el análisis de la curva monotónica. Debes emprender el enfoque de análisis MinMax
mostrado en la figura 6.8 si tu curva no es monotónica.
Recuerda que el término Min en el análisis MinMax se refiere a la configuración mínima
de tu canalización de ML (cada etapa tiene una implementación simple y mínima), no
al valor mínimo de la métrica empresarial. Siempre te interesa obtener el máximo valor
de la métrica empresarial posible con tu canalización de ML. Por lo tanto, al realizar
Figura 6.8. Análisis MinMax de una curva de beneficios no monotónica. El resultado del análisis
Min es el mejor valor de la métrica empresarial en el segmento [0, punto Min]. El resultado del
análisis Max es el mayor valor de la métrica empresarial en el segmento [0, punto Max].
Preguntas frecuentes sobre el análisis MinMax 81
el análisis MinMax de la figura 6.8, el resultado de tu análisis Min es el mejor valor que
has visto en todo el intervalo [0, punto Min] entre el inicio de la curva y el punto en el que has
realizado el análisis Min. Se aplica una lógica similar al realizar la parte Max del análisis
MinMax en todo el intervalo [0, punto Max].
No es difícil realizar el análisis MinMax en la curva de beneficios no monotónica
una vez que te encargas del análisis MinMax en general. No obstante, es más laborioso
que trabajar con una curva de beneficios monotónica. Y el trabajo no se detiene con el
análisis MinMax: un proyecto con una curva de beneficios no monotónica normalmente
tiene consideraciones especiales. Por ejemplo, si la curva de beneficios tiene la forma
de la figura 6.7 parte (c), porque un supervisor humano puede estar aburrido y no
prestar atención, ¿cómo vas a abordar ese aburrimiento?
Cuando el cálculo mental no funciona

Cuanto más escales en la complejidad de las curvas de beneficios, más difícil será
entender las relaciones. La no linealidad simple en una curva de beneficios ya hace que
el cálculo mental no sea práctico. Es mucho peor cuando la curva no es monotónica.
Cuando no presentas una curva de beneficios bien definida, estás obligando a los
participantes de las reuniones de tu equipo a realizar cálculos mentales para averiguar lo
que significa la métrica técnica en términos empresariales. Sé que no puedo concentrarme
en el tema central de la mayoría de las reuniones realizando simultáneamente el cálculo
mental necesario para las curvas de beneficios no lineales y no monotónicas como una
«actividad lateral». Sospecho que muchas personas atrapadas en un puesto de trabajo
se saltarán totalmente el cálculo mental y se conformarán con «Mejoremos las métricas
técnicas». A continuación, se pasa por alto cualquier no linealidad en la relación entre
la métrica técnica y la métrica empresarial o, en el mejor de los casos, se hace una
aproximación.
Eso significa que cualquier proyecto de IA que no consigue crear una curva de beneficios,
pero tiene una curva de beneficios no monotónica, ¡está optimizando lo que no debe!
Esto resulta especialmente desafortunado cuando la optimización precisa de la métrica
técnica era una actividad costosa, a lo que después siguió una aproximación.
Oí un chiste sobre la serie de aproximación sucesiva cuando empecé la universidad.
El chiste era: «La ingeniería trata de usar un medidor de micrómetro para tomar una
medición, después de marcar dónde cortar con tiza y, finalmente, usar un hacha para
cortar en el punto marcado».
6.6 Preguntas frecuentes sobre el análisis MinMax

Cuando entiendes los conceptos básicos de realizar análisis MinMax, necesitamos
abordar algunas preguntas sobre la realización de ese análisis. En esta sección
se presentan respuestas a las siguientes preguntas comunes:
 ¿MinMax debería ser el primer análisis de la canalización de ML cuando un
análisis más complejo podría proporcionar resultados más precisos?
 ¿Debería realizar primero la parte Min o la parte Max del análisis MinMax?
 ¿Un análisis MinMax es algo que solo las grandes empresas pueden permitirse
hacer?
 ¿Por qué usas el término «análisis MinMax»? ¿Por qué no lo llamamos mejor
análisis de mejor/peor de los casos?
6.6.1 ¿El primer análisis de la canalización de ML debe ser MinMax?

Empecemos con la pregunta de si MinMax debería ser el primer análisis de la
canalización de ML. Es posible que estés familiarizado con los distintos tipos de análisis
que podrían ser adecuados para analizar la canalización de ML si conoces los campos de
la ingeniería de sistemas y el control de procesos industriales. Entonces, ¿por qué usar
el análisis MinMax en su lugar, cuando un análisis más complejo podría proporcionar
resultados más precisos?
Hablaré de algunos tipos de análisis de canalización de ML alternativos en el
capítulo 7. Esos tipos de análisis pueden ser más potentes que MinMax, como se describe
aquí. Sin embargo, MinMax es fácil de aprender, es barato de realizar y proporciona
una estimación razonable de la idoneidad de tu canalización. Es una buena relación
entre la complejidad del análisis y la precisión de los resultados.
ADVERTENCIA No tiene sentido realizar un análisis de una canalización de ML

si ese análisis es demasiado complejo de aprender y costoso de implementar,
independientemente de lo precisos que puedan ser los resultados de un
análisis de este tipo. Un análisis que predice perfectamente el futuro merece
la pena si sus resultados están disponibles antes de que haya llegado el futuro.
6.6.2 ¿Qué análisis deberías realizar en primer lugar? ¿Min o Max?

Hablemos sobre el orden en el que debes realizar un análisis MinMax. ¿Programas
primero la parte Min o la parte Max del análisis MinMax? Estas partes son independientes,
por lo que para la validez del análisis, el orden de las partes Min y Max del análisis
no importa demasiado. Cuando implemento MinMax, uso el proceso mostrado en la
figura 6.9 para tener en cuenta factores como la dificultad de las partes Min y Max, y las
opiniones anteriores sobre los resultados esperados.
Figura 6.9. El orden en

el que debes realizar un
análisis MinMax en la
canalización de ML. Realiza
primero la parte del análisis
que puede proporcionar
respuestas concluyentes.
Preguntas frecuentes sobre el análisis MinMax 83
Cada una de las partes Min o Max puede ser concluyente si estás usando la
canalización correcta. La conclusión de cualquiera de las partes del análisis MinMax te
ayuda a evitar la necesidad de realizar la otra parte. Si el análisis Max es fácil de hacer
y falla, no es necesario realizar el análisis Min. En la figura 6.9 se muestran las partes
de un análisis MinMax para empezar con el componente más sencillo del análisis, que
también proporciona resultados concluyentes.
6.6.3 ¿Debería saltarse el análisis MinMax una empresa o un equipo pequeño?

Otra pregunta es: «¿No deberían las empresas pequeñas minimizar la sobrecarga de
procesos trabajando en los algoritmos de IA y la canalización de ML en sí y después
ver qué sucede cuando la entregan?». Sí, es mejor omitir el análisis de la canalización
de ML. . . si puedes estar seguro de que estás trabajando en la canalización de ML
correcta. El problema es que en la ausencia del análisis MinMax, no puedes estar seguro
de que estás trabajando con la canalización de ML correcta. Dado que las empresas
y los equipos más pequeños tienen menos dinero y recursos para recuperarse de los
errores, el análisis MinMax es aún más crítico para los equipos pequeños.
Cuando creas una canalización de ML para un proyecto de IA, estás trabajando
en una nueva área que, por definición, tiene riesgos importantes y para la que
todavía están surgiendo prácticas recomendadas. Hay muy pocas personas que hayan
hecho suficientes proyectos de IA como para poder construir de forma intuitiva la
canalización de ML correcta en el primer intento y, para muchos problemas, el número
de canalizaciones de ML que no funcionaría sobrecarga el número de canalizaciones
de ML que funcionaría.
¿Cómo sabes si estás trabajando en la canalización de ML correcta? Puedes asumir
un riesgo, pero, si te equivocas, terminarás con una canalización de ML errónea en la
que has invertido mucho esfuerzo y se está osificando.
CONSEJO Saber si tienes una canalización de ML adecuada es aún más
importante en el contexto de la pequeña empresa. Un análisis MinMax
adecuado es el paso técnico más importante de un proyecto de IA y optar por
omitirlo es asumir un riesgo, no racionalizar el proceso.
Hay un argumento que se aplica al análisis de sensibilidad: ¿cómo sabes qué etapa de
canalización deberías mejorar? Utilizar el análisis de sensibilidad en empresas de todos
los tamaños es crucial. El siguiente capítulo profundiza en esto.
6.6.4 ¿Por qué usas el término «análisis MinMax»?

Se utilizan varios términos en el sector y la empresa para hacer referencia al análisis
MinMax. También se conoce como análisis de mejor/peor de los casos. Estos términos
se escuchan a menudo en círculos de ML.7 No obstante, durante mi trabajo en el
sector, he descubierto que la terminología del mejor/peor de los casos es problemática
porque a menudo no está claro desde qué punto de vista (empresarial o de ingeniería)
se debe medir el mejor caso.
7
Como ejemplo de uso del mejor/peor de los casos en el contexto de los algoritmos de ML, el mejor resultado de caso
para un algoritmo de ML se explica en [112].
Observa la canalización de ML que hemos analizado en este capítulo. ¿Cuál es

el mejor caso, desde el punto de vista empresarial? Que la implementación técnica
más sencilla de la canalización de ML resolvería el problema empresarial. Esa es la
canalización de ML que utilizamos para la parte Min de la canalización MinMax.
No obstante, desde el punto de vista de la ingeniería, se podría argumentar que el
resultado Min es el peor caso. He conocido a muchos ingenieros y estadísticos que
discuten precisamente eso. La canalización de ML que tienes actualmente establece
el límite más bajo (el peor de los casos) de cómo se comportaría la IA de tu producto
si has lanzado tu producto hoy.
Todo este debate interesa a algunos ingenieros y tienen buenas razones para ello:
la terminología imprecisa es la causa de muchos de los problemas de su profesión.
Aunque empatizo con el argumento, desde un punto de vista pragmático, prefiero
utilizar el término «análisis MinMax».
6.7 Ejercicios
Los siguientes ejercicios te ayudan a comprender mejor los conceptos presentados
en este capítulo. Por su naturaleza, la interpretación de los resultados de un análisis
MinMax es simple. Analizar la canalización de ML es una habilidad técnica y empresarial,
así que es el momento de crear un equipo con un especialista empresarial y un ingeniero
y hacer algunos de estos ejercicios juntos. Todos los ejercicios de este capítulo utilizan
la canalización de ML que se muestra en la figura 6.10.
Figura 6.10 Un ejemplo de una canalización de ML. Usaremos esta canalización para los ejercicios
de este capítulo.
También tendrás que hacer referencia a la información proporcionada anteriormente

en la tabla 6.1 (que se repite aquí para comodidad como en la tabla 6.2).
Tabla 6.2 Resumen de los posibles resultados de un análisis MinMax.
Resultado de Min/Max Max aprobado Max fallido
La canalización de ML es viable para Esta combinación no puede produ-

la empresa. cirse.
La canalización de ML debe mejorar La canalización de ML actual no es
para que sea viable para la empresa. adecuada para resolver el problema
empresarial.
Responde a las siguientes preguntas.
Pregunta 1: Ten en cuenta que, en la tabla 6.2, no tienes ninguna orientación sobre la
situación en la que la parte Min de MinMax ha aprobado, pero la parte Max de MinMax
ha fallado. Explica por qué es así.
Ejercicios 85
Pregunta 2: Para la canalización de ML de la figura 6.10, supongamos que el umbral de

valor en el que el proyecto se vuelve viable para el negocio es de 1 millón de dólares.
Determina si merece la pena seguir la canalización si los resultados del análisis MinMax
son los siguientes:
Escenario 1: La parte Min es 2,3 millones de dólares y la parte Max es 23 millones

de dólares.
 Escenario 2: La parte Min es 500 000 dólares y la parte Max es 1 millón de dólares.
 Escenario 3: La parte Min es 500 000 dólares y la parte Max es 2 millones de dólares.
 Escenario 4: La parte Min es 1,1 millones de dólares y la parte Max es

900 000 dólares.
 Escenario 5: La parte Min es 500 000 dólares y la parte Max. es 900 000 dólares.
Pregunta 3: Si eres científico de datos o director técnico, toma un problema técnico

de tu elección y crea una canalización de ML para él. Realiza la parte Max del análisis
MinMax para ello.
Pregunta 4: Si eres científico de datos o director técnico, mira los ejemplos dados en la
sección 6.4.1 y realiza un análisis MinMax como se describe en esa sección. Determina
de dónde proviene el importe monetario indicado en esa sección. Sugerencia: se ha
creado una curva de beneficios a partir de la matriz de confusión del clasificador.
Pregunta 5: ¿Cómo clasificarías el uso de la IA en el contexto de ahorro de costes de

litigios durante el proceso de descubrimiento electrónico descrito en la sección 6.5.5?
Utiliza la taxonomía de usos de IA presentada en la sección 2.5. Se muestra en la figura
2.5, duplicada aquí como la figura 6.11, que resume las taxonomías analizadas en esa
sección.
Figura 6.11. Taxonomía de la IA basada en el papel de alto nivel que desempeña en la

empresa. Puedes utilizar esta taxonomía como guía a las acciones empresariales disponibles
que puedes respaldar con la IA. (Esta figura repite la figura 2.5).
Resumen

La administración de proyectos consiste en tomar las mejores decisiones
en función de la información que tienes ahora y, por lo general, con una
limitación de tiempo. Para obtener una indicación temprana del valor empresarial
de tu canalización de ML, debes analizarla mediante el análisis MinMax.
Para asignar recursos económicos en tu proyecto de IA, debes determinar si estás

utilizando la canalización de ML adecuada y, a continuación, mejorar las etapas
correctas de esa canalización de ML según sea necesario. Lo primero se hace
usando un análisis MinMax y lo segundo usando el análisis de sensibilidad. Esta
es la parte Economizar del proceso CLUE.
El análisis MinMax te permite determinar si tu canalización de ML ya cumple los

objetivos empresariales, necesita una mejora para poder cumplir esos objetivos
o es incapaz de cumplir esos objetivos.
El análisis MinMax te ayuda a implementar la política «¡Si vas a fracasar, hazlo

rápido!» en proyectos de IA.
 R
Guiar un proyecto de
IA hacia el éxito
ealización de análisis de sensibilidad en la

7
canalización de ML
 Evaluación de métodos de análisis de sensibilidad
Contabilización de los efectos del tiempo en tu

canalización
Organización de un proyecto para que «Si fracasas,

hazlo rápido»
Este capítulo responde a las preguntas: «¿Qué debo hacer cuando mi canalización
de ML necesita mejora y cómo sé que estoy mejorando la etapa correcta de la
canalización de ML?». Estos problemas surgen casi siempre para un producto de
IA que ya está en el mercado y tu objetivo es seguir mejorando la experiencia de
usuario de un producto de IA.
Las mismas preguntas surgen durante el desarrollo inicial del proyecto de IA
cuando tu canalización de ML actual necesita mejorar para satisfacer los objetivos
empresariales. Técnicamente, esta situación ocurre cuando la parte Min del análisis
MinMax fracasa y la parte Max está aprobada. (Se describen los detalles de un
escenario de este tipo en la sección 6.4.3).
Te mostraré cómo mejorar tu canalización de ML en este capítulo. La clave es
decidir correctamente la etapa de una canalización de ML en la que debes centrar
87
88 CAPÍTULO 7 Guiar un proyecto de IA hacia el éxito
tus esfuerzos de mejora, lo que te permite aprovechar tus recursos. La parte Economizar
del proceso CLUE aborda la mejor manera de dirigir tus recursos.
En la sección 7.1, analizamos cómo el análisis de sensibilidad te muestra qué

etapa de la canalización de ML debe mejorarse.
 La sección 7.2 completa nuestro recorrido por el proceso CLUE.
 En la sección 7.3 se analizan los métodos avanzados para realizar el análisis de
sensibilidad y cuándo se deben usar.
 Puedes ver cómo administrar el crecimiento y el mantenimiento de la canalización
de ML después del lanzamiento de tu proyecto de IA en la sección 7.4.
 Puedes ver cómo debes equilibrar un conjunto de proyectos de IA y tu proyecto
actual reforzando tus proyectos ganadores y recortando a los que pierden en la
sección 7.5.
7.1 Mejora de la canalización de ML con el análisis de sensibilidad
Cuando sabes que necesitas mejorar los resultados de una canalización de ML, surge la
pregunta de qué parte de la canalización debes actualizar. ¿Lo que necesitas son datos
más limpios con menos errores o un mejor algoritmo de IA? Tienes recursos limitados
y no puedes pretender decir: «Mejoremos todo en la canalización de ML al mismo
tiempo y veamos lo que sucede». Debes elegir una etapa de la canalización de ML para
mejorar. En esta sección se presenta la herramienta que te guiará por la búsqueda
de cuál es la mejor etapa de la canalización de ML para mejorar a continuación. Esa
herramienta se denomina análisis de sensibilidad.
DEFINICIÓN El análisis de sensibilidad muestra cómo el refinamiento de una

sola etapa de la canalización de ML mejora el resultado de la canalización en
su conjunto. El análisis de sensibilidad te guía hasta la etapa de la canalización
de ML que debes actualizar primero.
En esencia, el análisis de sensibilidad responde a la pregunta empresarial: «¿En qué
etapa de mi proceso de ML debo invertir para obtener el máximo beneficio?». Conocer
la respuesta a esa pregunta te permite economizar los recursos dedicados a la mejora
de la canalización.
Veamos un ejemplo. Supongamos que tienes la canalización en la figura 7.1
y quieres mejorar el resultado (el resultado de la etapa E) de la canalización.
Figura 7.1. Un ejemplo de una canalización de ML. Utilizamos esta canalización como ejemplo
base para el análisis de sensibilidad. (Esto repite la figura 6.10 para comodidad del lector).
De hecho, te preguntas: «¿Cuál es el resultado si mejoro cada etapa de la canalización?».

Por ejemplo, si la etapa A es un 1 % mejor, ¿cuál es la mejora en la canalización general?
A continuación, debes hacer la misma pregunta para las etapas B, C, D y E. El análisis
de sensibilidad es la herramienta que utilizas para responder a estas preguntas y te
permite reemplazar la intuición y el instinto por el enfoque basado en datos.
Mejora de la canalización de ML con el análisis de sensibilidad 89
CONSEJO El análisis de sensibilidad te aporta el valor empresarial de desarrollar

una etapa en la canalización de ML. El análisis de sensibilidad de cada etapa
te permite clasificar las etapas de la canalización en función de la mejora
global que cada etapa provocará en tu empresa cuando se mejore.
En función de los resultados del análisis de sensibilidad, puedes priorizar las etapas de
la canalización de ML y crear una lista de tareas pendientes necesarias para mejorarla.
Una vez que tengas ese trabajo pendiente, usarás la metodología de administración
de proyectos que normalmente utilizas para administrar el resto del proyecto.
Podrás transformar el problema de mejorar la canalización de ML en decisiones de
administración similares a las que realizas a diario con el análisis de sensibilidad.
Este enfoque se aplica independientemente de si tu entorno es Agile o no. Estás
equilibrando el coste y el tiempo de actualizar una etapa de la canalización de ML con
los beneficios empresariales.
NOTA He escrito las siguientes secciones, 7.1.1 y 7.1.2, para lectores con
experiencia en ingeniería, por lo que se adelantan algunos conceptos sencillos
de nivel de cálculo introductorio. Puedes omitir los detalles de esas secciones
si solo buscas hacerte una idea de cómo tu equipo debe realizar el análisis de
sensibilidad.
En las secciones siguientes, presento dos métodos avanzados para realizar el análisis
de sensibilidad:
 La sección 7.1.1 cubre un análisis de sensibilidad local. Tu equipo debe utilizar
el análisis de sensibilidad local cuando esperes que solo sea posible una mejora
incremental en una etapa de la canalización de ML.
 La sección 7.1.2 cubre un análisis de sensibilidad global. Tu equipo debe utilizar
el análisis de sensibilidad global cuando esperes un amplio rango de mejora en
una etapa de la canalización de ML.
 La sección 7.1.3 presenta un ejemplo de interpretación de los resultados del
análisis de sensibilidad.
Un administrador que toma la decisión sobre qué etapa de la canalización mejorar
a continuación está principalmente interesado en interpretar los resultados del
análisis de sensibilidad (que se describe en la sección 7.1.3); el tipo de análisis realizado
es de interés secundario. No obstante, un experto técnico que realiza un análisis de
sensibilidad debe saber elegir la forma adecuada de análisis: local o global.
7.1.1 Realización de un análisis de sensibilidad local

El análisis de sensibilidad local responde a la pregunta: «¿Cuál sería el resultado
empresarial si mejorara un poco una etapa de mi canalización de ML actual?». Este tipo
de análisis de sensibilidad es adecuado cuando se espera que solo se puedan realizar
mejoras pequeñas e incrementales en una etapa específica. Un ejemplo es cuando tú
(o la comunidad) ya has hecho tanto esfuerzo en mejorar una etapa específica de la
canalización que crees que los días de mejora sustancial en los resultados de esa etapa
ya han pasado.
Por ejemplo, supongamos que queremos mejorar la canalización de ML en la figura

7.1 y queremos encontrar qué etapa de la canalización, cuando se mejore, daría lugar
al mejor rendimiento general de esa canalización. Para ello, aplicaríamos el análisis de
sensibilidad a cada etapa de la canalización de ML.
NOTA Es mucho más rápido llevar a cabo el análisis de sensibilidad de una sola
etapa que mejorar (para todos los resultados posibles) una etapa determinada
de la canalización de ML. Por lo tanto, podemos utilizar el análisis de
sensibilidad como guía para la etapa de la canalización que debe mejorarse
a continuación.
Analicemos la etapa B del análisis de la figura 7.1. Supongamos que la etapa B clasifica
su entrada en un par de categorías. Supongamos que la métrica técnica para medir la
capacidad de la etapa B para clasificar la entrada en las categorías correctas debe ser
de precisión de clasificación. Además, supongamos que actualmente estás logrando
una precisión de clasificación del x % en la etapa B. La figura 7.2 ilustra este método
de análisis de sensibilidad.
Figura 7.2. Análisis de sensibilidad local. Este análisis supone una respuesta lineal en la canalización de ML para
pequeñas mejoras en la respuesta de la etapa B. Si un aumento del 0,5 % en la etapa B se traduce en una mejora del
1 % en el resultado de la canalización, una ganancia del 1 % en la etapa B daría lugar a una mejora del 2 % en toda la
canalización de ML.
¿Qué sucede con el resultado de la última etapa (etapa E) de la canalización cuando

se cambia la precisión de clasificación de la etapa B en una proximidad del x %? ¿Qué
sucede en x - 1 % y x + 1 %? Realizas el análisis de sensibilidad local simulando una
mejora en los resultados de la etapa B.
Este tipo de análisis de sensibilidad se realiza localmente, cerca del punto en el que
la precisión del clasificador es x %. Cuando cambias la salida de la etapa B, obtienes
el resultado de toda la canalización para tener una precisión de x - 1 % y x + 1 %
y, a continuación, mides el efecto del cambio en la etapa B en el resultado de la
canalización de ML. Se utiliza la curva de beneficios para transformar las métricas
técnicas en métricas empresariales y, por último, se traza la relación entre los cambios
en la etapa B y los resultados empresariales de toda la canalización.
ADVERTENCIA La curva de beneficios y la curva de sensibilidad frente a la de

etapa son dos curvas totalmente diferentes. La primera muestra cómo cambia
la métrica empresarial cuando cambia la métrica técnica que mide toda la
canalización de ML. Esto último muestra cómo cambia la métrica empresarial
en función de la mejora en la etapa individual.
Cómo obtener un 1 % peor (o mejor)

Para obtener una salida un 1 % peor, toma el clasificador tal cual y pasa la salida
del clasificador por un generador de números aleatorios. El generador de números
aleatorios debe ajustarse para disminuir la precisión total del clasificador en un 1 %.
Para conseguir un aumento del 1 % en la precisión, puedes utilizar a personas para
revisar los resultados y corregirlos.
También puedes utilizar un producto existente (COTS) que consiga mejores resultados de
los que puede producir actualmente.a Un producto o servicio COTS de este tipo no tiene
por qué ser capaz de desempeñar un papel permanente en la versión de producción
de la canalización de ML. A efectos del análisis, no importa si, por motivos de coste,
rendimiento o la complejidad de integrar el producto COTS con la canalización, no
puedes incorporar el producto COTS en la versión de producción de la canalización de
ML. El producto COTS solo tiene que ser útil para experimentos que puedan producir un
aumento de una sola vez en la precisión del 1 %.
a
iempre debes encuestar el panorama comercial antes de invertir importantes recursos en crear soluciones
S
para el sector de la construcción de soluciones locales. Por lo tanto, ya debes saber cuáles son estas
soluciones de COTS.
Cuando se realiza un análisis de sensibilidad local, estás asumiendo que en la

proximidad de x % la respuesta de toda la canalización de ML es lineal. Si un cambio
del 1 % en la etapa B provoca un cambio del 1 % en el resultado de la canalización de
ML, un cambio del 2 % en la etapa B causaría un cambio del 2 % en el resultado. Con
este enfoque del análisis de sensibilidad, comprendes que el comportamiento de toda
la canalización de ML cerca del resultado de clasificación de la etapa B es del x %.
Este enfoque del análisis de sensibilidad es más adecuado cuando se espera que
cualquier mejora en los resultados del análisis de sensibilidad sea incremental y que un
aumento del rendimiento de un 1 % podría ser importante.
NOTA Un ejemplo típico de esta situación es cuando la etapa de canalización

que estás mejorando es una implementación de algún algoritmo de IA.
Es posible que tu equipo también haya trabajado durante un tiempo en mejorar
ese escenario. En este caso, se supone que incluso una pequeña mejora en la
métrica podría ser difícil.
En el ejemplo que acabo de ilustrar el análisis de sensibilidad local, no hay nada

mágico en una mejora de las métricas del 1 %. No hay que utilizar una mejora del
1 %; también podrías utilizar el 0,1 %, el 1,5 %, el 2 % u otro porcentaje. Lo que es
esencial es utilizar un incremento porcentual que sea una fracción de la mejora total
posible en la etapa. Por ejemplo, si la ganancia potencial se limita al 0,1 %, puedes
utilizar el incremento del 0,05 %.
7.1.2 Análisis de sensibilidad global

A menudo, no hay razón para creer que se limitaría a pequeñas mejoras en una etapa
determinada de la canalización de ML. ¿Tal vez sea posible mejorar una etapa en
un 30 % o un 60 %? El análisis de sensibilidad global te ayuda a comprender cómo
la canalización de ML reacciona a las drásticas mejoras en una sola etapa.
Un ejemplo de la fuente de una posible gran mejora en una etapa de la canalización
es cuando aún no se tiene ninguna implementación de esa etapa, pero sabes que
hay varias implementaciones posibles de la etapa que proporcionarían resultados
significativamente diferentes. Otro ejemplo es cuando se está mejorando la etapa de
canalización que realiza la limpieza de datos. Al menos, teóricamente, si se hace suficiente
esfuerzo en una etapa de este tipo, se pueden limpiar completamente los datos.
NOTA En la práctica, existen límites en cuanto a la alta calidad de los datos

que puedes permitirte y lograr. Aun así, tienes un control significativo sobre
cuánto podrías mejorar la calidad de los datos de entrada.
El análisis de sensibilidad local no es apropiado cuando es posible realizar mejoras

significativas en los resultados de una etapa, ya que se está observando la respuesta
de la canalización de ML en un intervalo amplio. En su lugar, debes probar todo el
intervalo de valores que tienes disponible con un intervalo entre los puntos de prueba.
En la figura 7.3 se muestra este enfoque del análisis de sensibilidad.
El análisis de sensibilidad global se realiza de forma similar al análisis de sensibilidad
local, pero en lugar de llevar a cabo el análisis en dos puntos (x - 1 % y x + 1 %),
se analiza un intervalo de valores que la etapa puede producir. Con este enfoque,
puedes adaptarte mejor a las relaciones no lineales entre los cambios en una sola
etapa de la canalización de ML y la salida de la canalización de ML en su conjunto.
La desventaja es que es necesario poner más trabajo en el análisis de sensibilidad
porque se están analizando más puntos. Así pues, ¿cuántos puntos (y en qué intervalo)
deberías usar?
En lo que respecta al intervalo, proviene de la comparación del nivel actual
de rendimiento con el nivel máximo de rendimiento que crees que es posible
(o del 100 %, si no tienes razón para sospechar que no puedes alcanzar el 100 %).
Figura 7.3. El análisis de sensibilidad global utiliza una amplia gama de valores. Realizas análisis de sensibilidad
global cuando no hay razón para creer que solo se puedan realizar pequeñas mejoras en algunas etapas de la
canalización (en otras palabras, crees que es posible realizar mejoras drásticas).
En cuanto a cuántos puntos necesitas para realizar el análisis, ese datos viene
determinado por el esfuerzo que necesitas para llevar a cabo el análisis por
punto de prueba. La recomendación es comenzar con al menos tres puntos
y utilizar tantos puntos como sea posible en el periodo de tiempo disponible.
Una vez que hayas completado el análisis de sensibilidad de cada etapa de la
canalización, tienes datos sobre cómo los cambios en las etapas individuales de la
canalización pueden afectar al valor de tu negocio. Estos datos te dan una gran
ventaja sobre las personas que mejoran el resultado de sus canalizaciones de ML en
función de la «experiencia y la intuición».
7.1.3 Ejemplo de uso de los resultados del análisis de sensibilidad

Supongamos que tienes la canalización de ML de la figura 7.1 y un análisis MinMax ha
demostrado que necesitas mejorarlo aún más para alcanzar tu objetivo empresarial.
Tienes una estimación del equipo de desarrollo sobre cuánto tiempo se tardaría
en mejorar cada etapa de la canalización (y cuánto se podría mejorar cada etapa).
Estas mejoras tardarían mucho tiempo: algo que tendría que ocupar la mayoría
del equipo durante semanas para mejorar cada etapa. Quieres que tu producto se
comercialice pronto, por lo que solo te interesa implementar las mejoras para las que
la recompensa es razonable.
Supongamos que la métrica empresarial tiene beneficios en dólares por unidad

y que necesitas una mejora del valor 3 $/unidad para alcanzar el umbral de valor.
Asimismo, supongamos que tienes los siguientes resultados del análisis de sensibilidad:
1 Las etapas A y B podrían mejorarse considerablemente. Fue fácil simular varias
mejoras en ellas. Sin embargo, después de realizar un análisis de sensibilidad
global, ninguna de estas etapas afecta significativamente a los resultados de la
canalización.
2 La etapa C solo puede mejorarse entre un 1 y un 2 %. El ingeniero necesita
una hora de trabajo para realizar el análisis de sensibilidad en un único punto.
El resultado de ese análisis es que, por cada mejora del 1 % en la etapa C, basada
en el análisis de sensibilidad local, toda la canalización de ML mejoraría en
10 $/unidad/%.
3 La etapa D también puede mejorarse ligeramente (1-2 %), y todo el equipo
tarda dos días en realizar análisis en un solo punto. El análisis de sensibilidad
local en dos puntos ha demostrado que la sensibilidad para una mejora del 1 %
en esta etapa es de 0,05 $/unidad/%. La dificultad de mejorar la etapa D es
comparable a la de mejorar la etapa C.
4 La etapa E no puede mejorarse en absoluto más allá de su nivel actual.
(Solo proporciona notificaciones).
En este ejemplo, optaría por mejorar la etapa C: tiene alta sensibilidad y parece ser
igual de fácil actualizar como la etapa D. Y lo que es más importante, creo que una
mejora razonable y alcanzable en la etapa C me llevaría a mi objetivo empresarial.
7.2 Hemos terminado CLUE

Como has aprendido en la sección 6.2, la combinación de análisis MinMax y análisis
de sensibilidad es la forma en que se economizan los recursos escasos, que es la E final
de CLUE. El análisis MinMax te dice que estás trabajando en la canalización de ML
correcta. El análisis de sensibilidad te ayuda a trabajar en la etapa correcta de esa
canalización.
CONSEJO Si eres científico de datos, es posible que hayas notado recursión aquí.
Puedes pensar en MinMax y en el análisis de sensibilidad como si utilizaras la
ciencia de datos para predecir cómo se comportaría tu canalización de ML.
CLUE es un proceso integrado, y cada una de sus etapas dependen de la etapa anterior.
En la figura 7.4 se muestran las dependencias de CLUE.
La parte de Economizar de CLUE utiliza la parte de Comprender (en forma de curva de
beneficios como se muestra en la figura 4.4). La parte de Comprender requiere vincular
métricas empresariales y técnicas. Por último, has trabajado en el problema empresarial
correcto, que es donde interviene la parte de consideración de CLUE.
NOTA El objetivo final del proceso CLUE es reducir los arrepentimientos en

el futuro. CLUE organiza tu proyecto de IA de forma que vincule empresa
y tecnología. CLUE evita el despilfarro previsible, como trabajar en el problema
empresarial equivocado o buscar soluciones técnicas que no puedan ofrecer
los resultados empresariales esperados.
Hemos terminado CLUE 95
Figura 7.4. Dependencias entre las partes de CLUE: las etapas posteriores dependen de la implementación
correcta de las etapas anteriores. Seguir CLUE te permite trabajar en el problema empresarial correcto, elegir la
canalización de ML adecuada para resolver ese problema y trabajar siempre en mejorar la etapa correcta de la
canalización.
En cada punto del proyecto, CLUE te ayuda a centrarte en tomar decisiones informadas
basadas en la información que no es barata de recopilar, pero que tiene un poder
predictivo para los resultados técnicos que son posibles para tu canalización de ML. Te
permite responder preguntas como «¿Qué probabilidades hay de que esta canalización
de ML ofrezca resultados empresariales aceptables?».
NOTA CLUE te ayuda a tomar decisiones basadas en la mejor información

que está disponible en la actualidad o fácil de recopilar rápidamente.
Incluso si decides utilizar un proceso diferente aparte de CLUE, este proceso debe
solucionar los mismos problemas que CLUE: debes trabajar en el problema empresarial
correcto, comprender los resultados en términos empresariales y aprovechar tus recursos
en función de la información que tienes (en lugar de la intuición). Si no abordas
ninguna de estas consideraciones, te la estás jugando con los resultados de tu proyecto.
Al no haber datos, las personalidades se hacen con el control.

No utilizar datos para administrar el desarrollo de tu canalización de ML significa que
administras su desarrollo en función de corazonadas o en la cantidad de confianza en
las personalidades de tu equipo que están defendiendo acciones particulares.
Recuerda que es habitual que pocos miembros del equipo entiendan toda la
canalización de ML, la mayoría solo comprende realmente la parte de la canalización
en la que trabajan. Es humano que los miembros del equipo se sientan más cómodos
asesorando sobre cómo mejorar la parte del sistema que entienden en lugar de la parte
que no entienden.
La peor situación en la que se puede ver el administrador es cuando debe adjudicarte
propuestas técnicas en el área que te falta experiencia técnica. Los miembros del
(continuación)
equipo presentarán cualidades de liderazgo, integridad, madurez, poder de opinión
y experiencia mientras exponen sus opiniones. Esas cualidades son genuinas.
Tampoco están completamente relacionados con la parte de la canalización de
ML que podría ser la etapa más productiva para mejorar. Tomar una decisión
basada en la comprensión de la gente puede colocarte en el camino equivocado.
Los dioses de las canalizaciones de ML tienen sentido del humor. A menudo asignarán
la etapa de la canalización de ML que es la etapa más productiva para mejorar al
miembro menos convincente del equipo. Eso te permitirá vivir con las consecuencias.
El objetivo de usar un proceso como CLUE es sustituir la necesidad de un conocimiento

profundo de algoritmos de IA y detalles de sistemas de IA con un conjunto de
métricas que te permiten entender las decisiones técnicas en términos empresariales.
¿Recuerdas el ejemplo del director de fábrica del capítulo 2? ¿El administrador que
no era tan bueno como el supervisor de turnos pero sabía cómo dirigir la fábrica? Ese
directivo usó los datos y los conocimientos de administración para dirigir la fábrica.
Con los datos que proporciona CLUE, puedes usar los datos y habilidades de
administración para dirigir tu proyecto de IA. Aplicar CLUE ofrece un enfoque más
escalable que pedir a los directivos que aprendan detalles complicados de la IA y la
ingeniería de datos al nivel que serían necesarios si los conocimientos técnicos fueran
la única herramienta que usarías para resolver argumentos técnicos.
Los administradores también son humanos

Los detractores te dirán que pase lo que pase, necesitarás un conocimiento exhaustivo
de la IA para liderar un proyecto de IA. Discrepo, especialmente si esas habilidades de
IA son a expensas de las habilidades de liderazgo.
Aparte de eso, si los detractores están en lo cierto, nunca tendremos una revolución de
IA en muchas áreas de negocio e industria. ¿Crees que hay suficientes personas con
la capacidad, la persistencia y el enfoque (y demás cualidades menos favorecedoras
necesarias) para llegar rápidamente al nivel de doctorado en comprensión de la IA? Ah,
sí, esas personas deberían haber aprendido también a ser buenos líderes. Pero la IA
también está mejorando rápidamente, lo que requiere una formación técnica extensa
y continua para mantenerse al día con ella. Después de buscar tiempo para aprender
todo eso, ¿de dónde sacarían tiempo para hacer el trabajo necesario?
Estamos pidiendo un conjunto de habilidades que pocas personas tienen, y «vamos

a enseñarle los detalles de la IA a los administradores» no sirve. Además de eso,
necesitamos a estos directivos no solo en las principales empresas de tecnología, sino
en todos los campos en los que se supone que aplicarán la IA en los próximos años.
No creo que sea realista esperar que podremos enseñar los detalles de la IA a todos los
líderes que necesitamos para conseguir esa revolución de IA. Si queremos tener muchos
proyectos de IA exitosos, necesitamos encontrar una manera de dirigir proyectos de IA
que no requieran una experiencia significativa en IA.
Métodos avanzados de análisis de sensibilidad 97
Tal vez haya directivos que tengan una sensación intuitiva y trabajen en proyectos en nuevas
áreas para las que haya habido pocas oportunidades de experiencia (como es el caso
actual de la mayoría de los proyectos de IA). Adivina el número de directivos. No obstante,
diría que para las personas que no tienen una sensación tan intuitiva, la administración
de proyectos basadas en procesos como CLUE los hace mejores administradores de las
responsabilidades de gestión y arquitectura de software que administrar con el instinto.
7.3 Métodos avanzados de análisis de sensibilidad

Los métodos introducidos anteriormente para el análisis de la canalización son rápidos
y podrían ayudarte a aprender con antelación si la canalización es la adecuada para usar
a largo plazo. Te recomiendo que, al empezar con CLUE e IA, utilices los métodos de
análisis de sensibilidad descritos en la sección 7.1. No obstante, a medida que tengas más
competencias en el análisis de sensibilidad, puede que te interesen formas más precisas
(pero también mucho más complicadas) de realizar análisis de sensibilidad. En esta
sección se analizan esos métodos.
Tema complejo a continuación

En esta sección se describen los métodos avanzados que requieren una experiencia
sustancial de ingeniería de procesos para aplicar con éxito. Está pensado para lectores
avanzados que ya cuentan con experiencia en ingeniería de procesos o para equipos
que ya han implementado CLUE y desean mejorar en ello.
Mi objetivo es enseñarte a reconocer cuándo tienes una situación en la que podrían
necesitarse estos métodos avanzados y ofrecerte la suficiente comprensión de estos
métodos para que sepas qué tipo de ayuda pedir a los expertos.
Las secciones 7.3.2 y 7.3.3 son las únicas partes de este libro que pienso que son
importantes solo para la gran empresa con una importante inversión en herramientas,
tecnología e infraestructura de IA. Necesitarás un experto en el área de la ingeniería de
procesos para aplicar muchos de los temas que se describen en estas secciones, y no hay
forma de aprender esa experiencia de un solo capítulo o, en ese caso, de un solo libro.
Si no tienes el presupuesto para permitirte el lujo de estos expertos, también incluyo
algunas referencias que te darán ventaja sobre cómo aprender a hacer estas cosas tú
mismo. Necesitarás tener experiencia en ingeniería (y mucha paciencia) para sacar el
máximo partido de esas referencias.
Es posible que quieras dedicar más tiempo a analizar formas en las que puedes mejorar
la canalización de ML inicial una vez que la hayas desarrollado y hayas invertido mucho
tiempo y dinero en ella. Aquí es donde resultan útiles los métodos de análisis más
avanzados. En escenarios específicos, esos métodos podrían proporcionar mejores
resultados analíticos, aunque a costa de un aumento en la complejidad del análisis
realizado. A continuación, se incluye una hoja de ruta en el resto de esta sección:
 Puedes aprender cómo detectar la presencia de no linealidad en la sección 7.3.1.
 La sección 7.3.2 habla sobre las interacciones en la canalización de ML.
 En la sección 7.3.3 se introduce el concepto de diseño de experimentos, una

técnica que puede detectar y abordar la interacción, pero que requiere un
importante conocimiento de ingeniería de procesos para aplicarlo con éxito.
 La sección 7.3.4 aborda las críticas comunes que puedes encontrar al realizar
análisis de sensibilidad.
 La sección 7.3.5 aconseja sobre las prácticas recomendadas para mejorar
tu canalización de ML mejorando la calidad de tus datos.
 La sección 7.3.6 muestra la aplicabilidad de algunos avances recientes en
el campo del análisis de sensibilidad para canalizaciones de ML.
Hay dos fuentes significativas de errores en el análisis de sensibilidad: la no linealidad
[125, 126] y la interacción entre las etapas de la canalización. Los resultados del
análisis de sensibilidad local están sujetos a errores si se produce algún problema de
falta de linealidad. Cuando se reúnen las interacciones, el cambio de dos etapas de la
canalización puede dar lugar a un comportamiento significativamente diferente si las
cambias juntas en lugar de cambiarlas una por una. Echemos un vistazo a cada fuente
brevemente.
7.3.1 ¿El análisis de sensibilidad local es apropiado para tu canalización de ML?

El análisis de sensibilidad local, descrito en la sección 7.1.1, supone que la respuesta de
toda la canalización de ML al cambio en una sola etapa es lineal: si un cambio de 0,5 %
en la etapa B produce una mejora del 1 % en toda la canalización, una mejora del 1 %
en la etapa B daría lugar a una mejora del 2 % en la canalización de ML. Los resultados
de tu análisis de sensibilidad tendrán un error si se incumple la suposición de la
linealidad de la respuesta de la canalización. En esta sección se muestra cómo detectar
cuándo se rompe el supuesto de linealidad. En ese caso, el análisis de sensibilidad local
no es adecuado y debes sustituirlo por un análisis de sensibilidad global.
Informalmente, una respuesta no lineal significa que el resultado de la curva de
beneficios podría cambiar más rápido (o más lento) que si la respuesta fuera lineal. La
figura 7.5 muestra una situación en la que la curva de beneficio del sistema aumenta
de forma no lineal (superlineal o convexo) y, para un determinado porcentaje de
aumento en el rendimiento de una sola etapa de la canalización, se obtiene más de ese
porcentaje de aumento en la respuesta en la curva de beneficios.
¿Por qué es importante la convexidad de la respuesta? Porque, como se puede ver
en la figura 7.5 cuando tienes una respuesta convexa, cuanto más lejos te muevas del
punto en el que realizas el análisis, mayor será el error. En un caso extremo, el error
podría ser tan significativo como para invalidar los resultados del análisis. Incluso
se podría perder que la mejora en esa etapa de la canalización de ML proporcionaría
un retorno considerable. Estos eventos de baja probabilidad y alto impacto se conocen
habitualmente en los círculos de negocio como cisnes negros [127].1 Así que la falta de
linealidad importa cuando se echa en falta un pago importante. En la figura 7.6 se
muestra una situación en la que el análisis de sensibilidad local pierde la convexidad.
1
n Europa, se creyó durante mucho tiempo que todos los cisnes eran blancos, hasta que alguien viajaba
E
lo suficiente como para ver un cisne negro. Aunque es poco habitual, solo se necesitó un cisne negro para
disipar esta teoría.
Figura 7.5. Convexidad en la respuesta de la canalización de ML. A medida que te alejas del punto
en el que se realizó el análisis, más significativo es el error en tu análisis. Nunca extrapolas lejos del
punto desde el que se realizó tu análisis de sensibilidad local.
Figura 7.6. Análisis de sensibilidad con convexidad presente. El análisis de sensibilidad localizado
realizado en solo dos puntos, x y x + 1 %, se ha perdido la convexidad porque siempre se puede trazar una
línea entre dos puntos.
Hay técnicas heurísticas que se pueden utilizar para mostrar que se está obteniendo
una respuesta no lineal, que es especialmente adecuada en situaciones en las que
es probable que la falta de linealidad afecte al resultado. Una heurística consiste
en reemplazar el análisis de sensibilidad local por análisis de sensibilidad
Figura 7.7. Análisis de sensibilidad global en presencia de convexidad. A un precio de mayor complejidad del
análisis, el análisis de sensibilidad global podría detectar la presencia de falta de linealidad de la respuesta.
global en tres puntos y ver si la respuesta es lineal o si hay indicaciones de convexidad/

concavidad. Taleb et al. [126] explica los detalles de esta técnica. La figura 7.7 muestra
la aplicación de ese sistema heurístico. Por casualidad, cualquier análisis de sensibilidad
global podría aplicar la misma técnica (descrita en el documento de Taleb et al. [126])
para detectar la respuesta no lineal.
¿Cuánto importan los posibles errores en el análisis de sensibilidad lineal para tu
canalización de ML y el hecho de que el análisis de sensibilidad lineal pueda perder la
convexidad significa que siempre debes realizar un análisis de sensibilidad global? Yo
hago una visión pragmática y recuerdo que todas las decisiones de gestión de proyectos
deben tomarse con limitaciones de tiempo. La diferencia clave entre el análisis de
sensibilidad local y el análisis de sensibilidad global es que el primero requiere dos
puntos (como x y x + 1 %) para realizarse, mientras que el análisis de sensibilidad global
(y el enfoque heurístico descrito en el documento de Taleb et al. [126]) requiere al
menos tres puntos para completarse.
CONSEJO Si sé que realizar análisis de sensibilidad en más de un punto de

datos es barato y sencillo, hago análisis de sensibilidad global. Si es caro (por
ejemplo, cuando tengo que usar un humano como proxy para realizar el
análisis), uso el análisis de sensibilidad local cuando corresponde y lo hago en
solo dos puntos.
Si el análisis de sensibilidad de la canalización de ML en puntos de datos adicionales

fuera costoso, la única situación en la que me preocupa la convexidad es cuando no
tengo un claro ganador después de analizar el resto de la canalización. No obstante,
en este caso, programo una mejora de la etapa que tiene convexidad frente a las etapas
que tienen un resultado de análisis de sensibilidad similar pero no muestran una
respuesta convexa. Eso da la oportunidad al cisne negro de trabajar a mi favor.
NOTA No deberías pensar en la falta de linealidad como un peligro para

tu proyecto. Convexidad significa que sería más fácil lograr un objetivo
empresarial que si la sensibilidad de la etapa fuera lineal. El impacto de la
falta de concavidad durante el análisis de sensibilidad es limitado. Tu proyecto
debe estar organizado para que, «si fracasas, lo hagas rápido». Por lo tanto, si
una etapa mejora más despacio de lo que esperas, descubres eso pronto y dejas
de trabajar en esa etapa.
7.3.2 Cómo abordar las interacciones entre las etapas de la canalización de ML

A veces, el resultado de cambiar dos cosas a la vez es muy diferente que cambiarlas una
a una. Esto sucede cuando hay una interacción entre dos variables. Se proporciona un
ejemplo de interacciones y consejos sobre cómo abordarlas en el contexto del análisis
de la canalización de ML en esta sección.
Un ejemplo de interacción es que cuando compras un portátil, te importa su peso
y la velocidad de su procesador. Un portátil más ligero siempre es mejor, todas las
demás cosas iguales. Un procesador más rápido siempre es mejor, todas las demás cosas
iguales. No obstante, si pones un procesador rápido en un portátil pequeño (y ligero),
el procesador podría comenzar a sobrecalentarse, ya que no hay suficiente volumen
en el portátil para que el procesador se enfríe adecuadamente. Fabricar un portátil
pequeño pero potente también es caro. Como resultado, es posible que no valga la
pena crear (o comprar) un portátil pequeño con un procesador pequeño.
¿Cuál es el efecto de las interacciones?

Cuando hay interacciones, un análisis que cambia una sola variable a la vez (como
el resultado de una etapa de la canalización de ML) puede no ser válido. Además,
encontrarás expertos en estadística y científicos de datos que señalarían que la presencia
de interacciones afecta a los resultados de MinMax y los análisis de sensibilidad.
Es verdad, pero ¿qué importancia tiene para el análisis que puede realizar tu equipo?
Solo puedes realizar análisis de interacciones si tu equipo sabe cómo realizar el análisis
de las interacciones. Incluso si las interacciones están presentes, si no sabes cómo
encontrarlas, tendrías que aceptar el riesgo de las interacciones (y su efecto en MinMax
y el análisis de sensibilidad).
Mi consejo es que determinar cuánto te importan las interacciones depende del equipo
que tengas. Si tu organización tiene conocimientos importantes sobre la ingeniería de
procesos y la capacidad de analizar rápidamente el comportamiento de tu canalización
de ML en varios puntos, te aconsejaría que realices el análisis de las interacciones. En
la práctica, eso suele significar que un equipo bien financiado en una gran empresa
trabaja en un proyecto en el que un pequeño cambio en la canalización de ML podría
proporcionar una enorme recompensa financiera.
Para los equipos que están empezando con la IA y el análisis de sensibilidad, mi
consejo es no preocuparse de las interacciones en un inicio y concentrarse en lo que
pasa con la canalización de ML cuando cambias factor por factor. Dos recursos de Six
Sigma de ASQ [21,22] dan algunos puntos de partida sobre el proceso y un perfil de
las personas que tienen buena experiencia en el diseño de experimentos para detectar
interacciones, lo que nos lleva al tema más amplio del diseño de experimentos ([24]).
7.3.3 ¿Debo usar el diseño de experimentos?

El diseño de experimentos (DOE) [24] es una metodología que se ha utilizado con
éxito en el área de la ingeniería de procesos durante décadas para mejorar la calidad,
el coste y la eficiencia de procesos como la fabricación de objetos físicos. Cuando
una línea de fábrica cuesta millones de dólares para ejecutarse, te interesa saber que
funciona de manera óptima. DOE trata de realizar experimentos, cuyos resultados te
mostrarán cómo mejorar la línea de producción. Esta sección te presenta el DOE y te
informa sobre cuándo se aplica el DOE a un proyecto de IA.
Históricamente, el desarrollo de software no usaba mucho DOE. Algunas razones
para ello son que el DOE es un tema complejo que a los ingenieros de software no
les es familiar. Y lo que es más importante: en lugar de DOE, el coste de implementar
un seudoexperimento («vamos a probarlo y a ver lo que sucede») era pequeño en
términos de software; por ejemplo, era fácil cambiar un parámetro de configuración
para ver cómo reaccionó tu base de datos.
NOTA Los seudoexperimentos tienen muchas debilidades. Por ejemplo, podrían

perderse las interacciones. Además, son sensibles a los procesos en segundo
plano; si un proceso en segundo plano se ejecuta en un momento inconveniente,
puede afectar a los resultados de tu seudoexperimento. A diferencia de los
seudoexperimentos, un experimento adecuado realizado con arreglo a la
metodología del DOE proporcionaría respuestas correctas, incluso en presencia
de interacciones y procesos en segundo plano.
Con proyectos de IA recientes, el coste de «intentar algo» ha aumentado drásticamente.

No es inaudito que un gran proyecto de una gran empresa pueda usar cientos de
máquinas para entrenar algunos algoritmos de IA complicados [128]. Ejecutar un sistema
de este tipo cuesta mucho dinero y, a medida que el precio de la infraestructura de
hardware empieza a rivalizar con el coste de ejecutar una fábrica, los métodos utilizados
para ejecutar la fábrica también pueden ser relevantes para los ingenieros de software.
DOE permite muchas ventajas comparadas a seudoexperimentos. El uso de DOE te
permite administrar mejor un costoso desarrollo de la canalización de ML.
¿Deberías usar DOE en tu proyecto? Para la mayoría de los proyectos de IA, no
recomiendo DOE porque es complicado realizar correctamente y requiere expertos
con formación especializada para implementarlo correctamente. El coste de los
experimentos (y de esos expertos) es demasiado alto como para justificar este enfoque
en un proyecto de IA promedio hoy en día. Además, si nunca has pensado en la
administración sistemática de la canalización de ML, los métodos que se presentan en
este libro serían un gran paso adelante.
NOTA Si nos fijamos en la historia de cómo se desarrolló el campo de la ingeniería

de procesos, también empezó con experimentos sencillos y creó la teoría y el
conocimiento del DOE más adelante.
No obstante, si estás ejecutando una operación de IA masiva y tu inversión capital en

el equipo, hardware e infraestructura se compara al coste de dirigir una fábrica y si
los resultados de cada decisión que tomas en relación con la administración de tu
canalización de ML son apuestas fuertes, revertiría esa recomendación. En cambio, mi
consejo sería trabajar con un experto que conozca tanto la IA como la ingeniería de
procesos. Un experto puede asesorarte caso por caso sobre lo que es correcto para tu
sistema. Ya estás gastando tanto dinero en ejecutar tu sistema que deberías diseñar los
experimentos correctamente.
7.3.4 Una objeción común que podrías encontrarte

Esta sección es sobre una crítica que puedes encontrarte y por qué la crítica es correcta
y generalmente irrelevante para el caso práctico de análisis de canalización de ML. La crítica
es que es posible crear un ejemplo en el que el análisis de sensibilidad indique resultados
que, aunque sean útiles, no son el mejor resultado posible.
Veamos un ejemplo. Supongamos que tienes una situación en la que realizaste análisis
de sensibilidad global en cinco puntos y hay una situación inusual en la que las interacciones
han causado la curva de sensibilidad en la figura 7.8.
Figura 7.8. El análisis de sensibilidad se realizó en ubicaciones S1–S5 pero faltaba el máximo real en el punto
M. No importa; estás por encima del umbral de valor, por lo que sigues ganando dinero. Ningún análisis barato
realizado en solo unos pocos puntos puede evitar este problema.
En la figura 7.8, has realizado el análisis en cinco puntos, S1–S5. El mejor resultado
que has conseguido es el máximo de los cinco puntos que has visto (S5). No obstante,
no es el máximo absoluto de la función subyacente, que es la ubicación M.
Figura 7.9. Si la curva subyacente tiene una forma dada en esta figura (a diferencia de la figura 7.8),
el análisis de sensibilidad encontrará el máximo real. Nunca se conoce la forma de la curva subyacente,
por lo que no importa cuál sea el máximo de esa curva. Lo importante es que estás por encima del
umbral de valor.
Aunque el ejemplo anterior parece convincente, piensa de nuevo. En la práctica,

¿tienes acceso a la «verdad», representada como la curva de sensibilidad subyacente
real en la figura 7.8? ¡No es así! Se desconoce esa sensibilidad real y no está disponible
para tu proyecto; todo lo que tienes es el resultado del análisis de sensibilidad en los
puntos S1–S5. La curva de sensibilidad subyacente se mantiene oculta y también podría
haber sido la curva de la figura 7.9.
Podría construir varios contraejemplos, pero siempre tienen una cosa en común:
¡las críticas que había mencionado suponen que ya conoces la forma de la curva
en la figura 7.8! En la práctica, nunca tendrás acceso a la curva de sensibilidad
subyacente. Si lo hicieras, no te preguntarías por la etapa en la que invertir en primer
lugar, bastaría con leerla desde la curva de sensibilidad.
Lo que nos trae a la diferencia entre la teoría matemática, que es en lo que
se basó la objeción original de esta sección, y la gestión de proyectos práctica.
La objeción planteada es una objeción teórica sin asesoramiento real sobre qué hacer.
Aunque los críticos pueden apuntar a algunos métodos que podrían encontrar un
valor máximo de la curva subyacente, cuando pides detalles, descubrirías que tales
métodos requerirían realizar análisis de sensibilidad en muchos puntos. El número de
puntos que analizas es determinante del coste del análisis, por lo que estos métodos
suelen ser demasiado caros para resultar prácticos para orientar decisiones de mejora
en una canalización de ML.
Las personas prácticas necesitan soluciones, y en este caso, la respuesta reconoce

que ya estás familiarizado con el problema. Es el mismo problema que si te preguntase:
«¿Cuál es la cantidad máxima de dinero que podrías haber ganado en la vida?».
Bueno, tal vez si conocieras a las personas correctas, tal vez ya habrías fundado una
empresa más próspera que Google hoy en día, pero nunca lo sabrás. No conoces
la curva de «sensibilidad de los ingresos» de tu vida que responde a esa pregunta.
NOTA En la vida, nunca se sabe si has hecho todo el dinero posible. Lo único
que sabes es si has generado suficiente dinero para vivir cómodamente o no.
Al igual que sucede con la vida, con un proyecto la pregunta no es «¿Cuál es el máximo
valor de la curva?». Recuerda que estás en un coto de caza (sección 3.1.1) y quieres
asegurarte de que el proyecto de IA en el que has invertido sea rentable. También tienes
que decidir basándote en la mejor información disponible en el momento en el que debes
tomar una decisión de inversión. Si el análisis de sensibilidad no encuentra el máximo valor,
pero aún permite construir una canalización rentable, eso se llama «éxito» en la empresa.
NOTA Es muy poco habitual que te encuentres con una canalización de ML en

la que el análisis de sensibilidad perdería tantas áreas rentables que no podrías
mejorarla.2 Es incluso menos habitual que una canalización de ML en la que
esto suceda sea fácil de aportar a la rentabilidad. Una canalización tan inusual
no es un conejo fácil de cazar y estás en un coto de caza muy rico. Prueba otra
cosa.
El análisis de sensibilidad implica maximizar la información disponible actualmente

y te permite determinar si la siguiente acción que sigues es rentable o no. Eso es todo
lo que necesitas para ejecutar un proyecto de IA de éxito.
¿Y el aprendizaje sin supervisión?

Es posible que te pregunten si el análisis de sensibilidad (así como el análisis MinMax)
solo es aplicable al aprendizaje supervisado. La respuesta es que es relevante para
cualquier tipo de IA porque puedes construir una curva de beneficios para el aprendizaje
sin supervisar también.
Supongamos que tu producto está analizando datos y creando clústeres a partir de
estos datos. Posteriormente, los clústeres se presentan a las personas, que las utilizan
como una de las entradas de una decisión que debe tomarse con una limitación de
tiempo considerable. Un ejemplo sería un sistema que utilizara la IA para agrupar tipos
de errores en un sistema de transporte complejo.
En una situación así, cuanto más clústeres presentes (y más difícil será ver lo que es
común en cada clúster), menos valor tiene el sistema para el usuario. Claramente,
existe una relación entre el resultado de un sistema y el valor para el usuario. Puede que
tengas que realizar un experimento con la ayuda de usuarios reales para determinar el
valor para el usuario. Los resultados de ese experimento se pueden describir en forma
de curva de beneficios.

2
Tendrías que enfrentarte a esta situación no solo en una sola etapa de la canalización de ML que estás analizando,
sino también en varias etapas al mismo tiempo.
7.3.5 Cómo analizar la etapa que produce los datos

Es probable que algunas de las etapas de tu canalización sean operaciones con datos,
y cada algoritmo de IA que utilices tomaría los datos como una entrada. Por lo general,
puedes mejorar la calidad de estos datos de entrada. Podrás encontrar consejos sobre
cómo analizar cómo afecta la mejora de datos a la canalización de ML en esta sección.
Tu objetivo a la hora de realizar análisis de sensibilidad global o la parte Max de
un análisis MinMax debería ser obtener los mejores datos que puedas. Aquí, lo mejor
se encuentra en todas las dimensiones: mayor conjunto de datos, datos más específicos
y conjuntos de datos más limpios.
NOTA Si estás construyendo un dispositivo físico basado en IA, como una

cámara, mejor podría significar tener un sensor superior dentro. Si tienes un
problema con una imagen borrosa, ¿puedes comprar una cámara mejor? Si
tienes un problema con los archivos de alta velocidad, ¿puedes comprar más
cámaras?
Suele ocurrir que los mejores datos podrían superar al mejor algoritmo de IA [129],
por lo que es esencial comprobar lo que sucede cuando se tienen datos más limpios.
¿Cómo limpiar todos los datos?

A veces surge un problema en el espacio del big data: ¿cómo se mide cuál sería el
impacto de obtener datos más limpios si el volumen de datos fuera considerable?
¡No se puede pedir a las personas que limpien 1 PB manualmente! Además, aunque
puedes lanzar un proyecto para limpiar 1 PB de datos, para cuando obtengas la
respuesta, también habrás gastado mucho tiempo y dinero en hacerlo, por lo que el
valor económico de esa información es bajo.
Afortunadamente, hay una solución sencilla: contraer dos etapas de la canalización
en una. Supongamos que una etapa de la canalización ingiere datos de imagen
y otra aplica el reconocimiento de objetos en función del aprendizaje profundo a esas
imágenes. Resulta muy difícil responder a la pregunta: «¿Cuál sería el resultado de
aplicar esta arquitectura de red de aprendizaje profundo si tuviera datos de imagen
perfectamente limpios?». Por lo tanto, intentar mejorar la fase de ingesta es difícil.
No obstante, es mucho más sencillo responder a la pregunta: «¿Cuál es el mejor
resultado que podemos lograr con el reconocimiento de imágenes si observamos
los datos y el algoritmo juntos?». Es suficiente ver los mejores resultados de
reconocimiento de visión conseguidos hasta ahora en cualquier conjunto de datos.
Al intercalar dos etapas de la canalización de ML en una (ingesta y reconocimiento
de datos), has transformado una pregunta compleja en una simple.
7.3.6 ¿Qué tipos de análisis de sensibilidad se aplican a mi proyecto?

El análisis de sensibilidad es un tema complejo y un área de investigación activa en la
comunidad informática (por ejemplo, consulta Análisis de sensibilidad global: Introducción
[117]). Seguramente te interese cómo algunas de las últimas investigaciones pueden
ayudarte a realizar un mejor análisis de sensibilidad. Esta sección presenta los criterios
que debes utilizar para determinar su aplicación para tu proyecto.
La pregunta más importante que debes hacer cuando se presente cualquier

investigación en análisis de sensibilidad es: «¿Cuánto costaría aplicar este método?».
Solo los métodos que son fáciles de implementar (en comparación con el tamaño
total del proyecto) tienen un valor práctico para la administración de proyectos de la
canalización de ML.
CONSEJO Si el análisis es tan complejo que realizarlo te cuesta tanto como

crear la canalización de ML, también puedes crear la canalización y ver lo que
sucede.
La fuente de coste más grande en el análisis de canalización de ML es el número

de puntos en los que es necesario realizar análisis. En consecuencia, las técnicas de
análisis de sensibilidad global que requieren analizar miles de puntos son mucho
menos aplicables (especialmente para un equipo de IA con experiencia limitada en
ingeniería de procesos) que los métodos descritos en la sección 7.1.
Un truco práctico
Aunque puede ser difícil mejorar los datos o los resultados, suele ser sencillo empeorarlos
introduciendo errores en ellos. El truco es que en lugar de mejorar el resultado de la
etapa 1 % de la canalización de ML y analizar en los puntos x y x + 1 %, el resultado
empeora un 1 % y analizas los puntos x - 1 % y x %. Si utilizas este truco, se supone
que el comportamiento de la canalización es tan similar cuando la salida de una etapa
mejora ligeramente como si la salida disminuyese ligeramente.
Supón que estás llevando a cabo un análisis de sensibilidad global en los puntos 33 %,
66 % y 100 %. Una vez finalizado el análisis al 100 %, podrías corromper los datos de
salida de esa etapa para realizar análisis en los puntos 33 % y 66 % a propósito.
Se aplica el mismo truco a un análisis de sensibilidad local. Si la canalización ya está
produciendo resultados en una etapa que son, por ejemplo, un 95 % precisas, no realiza
análisis de sensibilidad en los puntos 95 % y 96 %. En cambio, lo hace en un 94 % y un
95 %. Es mucho más fácil introducir un error en los resultados de la etapa actual que
mejorarlo.
Podrías utilizar este mismo truco para adaptar los métodos de análisis de sensibilidad
que requieren evaluación en miles de puntos a un análisis de una canalización de
ML a medida que construyes los resultados para un único punto (el mejor punto)
y, a continuación, degrada esos resultados para simular otros puntos.
Sin embargo, ten en cuenta que la técnica que se presenta en esta nota tiene dificultades.
Los errores que introduces en el resultado no son solo errores aleatorios. Deben tener
propiedades estadísticas similares a los errores que tendría la implementación real de
una etapa en la canalización de ML. Necesitas expertos para evitar esta trampa.
Mi consejo es que no realices esta técnica hasta que no haya personas con experiencia
significativa en análisis de sensibilidad, ingeniería de procesos y análisis de distribuciones
estadísticas.
7.4 Cómo evoluciona tu proyecto de IA a lo largo del tiempo

Las técnicas de análisis MinMax y de sensibilidad que se han presentado hasta ahora
estaban centradas en proyectos de IA que se entregan rápidamente. Si todo lo demás
es igual, elige proyectos que puedan entregarse a los clientes finales rápidamente [28],
y esto es especialmente cierto en el caso de los primeros proyectos de IA. No obstante, una
vez entregado, ese proyecto de IA podría estar en el mercado durante mucho tiempo.
Además, a veces tu proyecto de IA está allanando nuevos terrenos y simplemente lleva
mucho tiempo llevarlo al mercado. Esta sección muestra cómo se deben modificar los
métodos presentados hasta ahora cuando se lideran proyectos de IA de larga duración.
La sección 7.4.1 habla de cómo afecta el tiempo a tu proyecto. La sección 7.4.2
te muestra cómo modificar la parte de Comprensión de CLUE para tener en cuenta
la influencia del tiempo en los proyectos largos. En la sección 7.4.3 se muestra cómo
diagramar un cambio en el valor empresarial del proyecto a lo largo del tiempo.
7.4.1 El tiempo afecta a tus resultados empresariales

Cuando se administra un proyecto, nos centramos en la secuencia de pasos que
necesitamos ejecutar para tener éxito. Pensamos en el tiempo en la forma de los plazos
del proyecto y pensamos en los plazos como una responsabilidad de la ingeniería. Se
muestra una forma diferente de pensar en el tiempo para que puedas considerar juntos
las decisiones de ingeniería y administración que afectan a tu proyecto en esta sección.
En muchos proyectos, el tiempo se convierte en una propuesta de última hora
que está presente solo como fecha límite. Los equipos de administración e ingeniería
negocian los plazos. Una vez asentados, los plazos se convierten en el problema de
los jefes de proyecto y de la ingeniería. Eso provoca una separación entre el impacto
del tiempo en el valor de lo que se entrega y la gestión técnica del proyecto de IA. La
ingeniería se centra en respetar los plazos. La dirección se centra en hacer planes de
contingencia si se cumplen los plazos y, de vez en cuando, podría sorprender a los
ingenieros con la solicitud de una nueva función. En lugar de integrar la toma de
decisiones técnicas con los resultados empresariales, la relación entre los equipos se
desasocia, si no es totalmente adversa.
Incluir un tiempo para completar el proyecto directamente en las métricas que
estás administrando y optimizando es una mejor manera de abordar la dimensión del
tiempo. Si el tiempo necesario para completar el proyecto es importante, deberías
poder cuantificar al menos un rango de importancia. Puedes incorporar el tiempo en
la curva de beneficios una vez cuantificada la influencia del tiempo en tu proyecto.
CONSEJO Si no puedes cuantificar con precisión, utiliza estimaciones. Véase el

libro de D. W. Hubbard [75] sobre formas de cuantificar las cosas «intangibles»
en la empresa.
El valor del proyecto (y el umbral de valor que debe satisfacer) cambia con el tiempo.
Por ejemplo, la IA capaz de indexar y buscar en Internet tenía un inmenso valor
empresarial en 1998 (antes de Google). Hoy en día, el valor de esta IA es mucho menor.
Por lo tanto, tanto la curva de beneficios como el umbral de valor de tu proyecto
evolucionan con el tiempo.
Cómo evoluciona tu proyecto de IA a lo largo del tiempo 109
Estas variaciones se vuelven significativas cuando se habla de períodos más largos,

como proyectos de IA de éxito que podrían estar en el mercado durante muchos años.
Si hay un proyecto que se enfrente a muchas fechas de entrega, no deberías usar
una curva de beneficio para toda la duración del proyecto. Debe tener varias curvas de
beneficio que reflejen los cambios en el valor empresarial en varias ocasiones. La figura
7.10 muestra un conjunto de curvas de beneficios para un proyecto que se ejecuta
durante dos años.
Figura 7.10. Un conjunto de curvas de beneficio para un proyecto de IA de larga duración. Tanto
la forma de la curva de beneficios como, especialmente, el umbral de valor cambian con el tiempo.
Deberías administrar la canalización de ML teniendo en cuenta el tiempo. Incluso un

enfoque tan simple como «si se hace antes del 1 de junio, la precisión x vale y dólares;
si se hace más adelante, vale z dólares», cuando se aplique a la curva de beneficios, te
ofrecería una forma rápida de abordar la dimensión de tiempo.
ADVERTENCIA Un plazo es una forma imperfecta de tener en cuenta el tiempo.
Un proceso ágil por sí mismo no aborda una dinámica de plazos tan dinámica;
solo impone más puntos de control comunes entre los equipos de ingeniería
y empresariales. Incluso en proyectos Agile, debes centrarte deliberadamente
en las implicaciones a largo plazo de las canalizaciones de ML que elijas.
7.4.2 Mejora de la canalización de ML a lo largo del tiempo

En algún momento, lidiarás con proyectos de IA mucho más largos. Esos proyectos
podrían durar un período prolongado y, como se muestra en la sección 7.4.1, la curva
de beneficios puede cambiar a medida que pasa el tiempo.
ADVERTENCIA En un proyecto más largo, la curva de beneficios normalmente
cambia con el tiempo para tener en cuenta el coste de oportunidad de un
retraso. Debes tener en cuenta ese cambio al evaluar el valor empresarial del
proyecto.
Para tener en cuenta ese cambio, se calcula cuánto tiempo se tardaría en entregar
una mejora en una etapa de la canalización de entrega y, a continuación, se utiliza la
curva de beneficios adecuada que refleja el valor que la mejora tendría en el momento
en que se lanza el proyecto de IA (a diferencia de lo que ocurriría hoy). En la figura 7.11
se describe este proceso.
Figura 7.11. Modificación de la parte Understand de CLUE para tener en cuenta los tiempos de
entrega largos. El valor del proyecto cambia con el tiempo que se tarda en entregarlo. Debes utilizar
la curva de beneficios correspondiente al momento en el que se lanzaría el software para calcular el
valor de la mejora.
Cuando hayas tenido en cuenta la influencia que tiene el tiempo en tu curva de

beneficio, la programación de la mejora en tu canalización es simple. Se programan
las etapas de la canalización de ML para mejorar en el orden que te permita llegar
al umbral de valor lo antes posible y mantenerte por encima del umbral de valor
a medida que el proyecto avanza.
NOTA Al igual que el valor de la mejora de una etapa de la canalización de

ML cambia con el tiempo, también lo hace el umbral de valor. Por ejemplo,
el umbral de valor podría ser 5 dólares/unidad en los primeros seis meses y, a
continuación, disminuir a 4 dólares/unidad. No olvides tener en cuenta los
cambios en el umbral de valor al crear tu programación.
7.4.3 Diagramas temporales: cómo cambia el valor empresarial a lo largo del tiempo
En los proyectos más largos, el valor empresarial del proyecto cambia a lo largo del
tiempo. Puedes representar el cambio de valor empresarial a lo largo del tiempo con
la ayuda de un cronograma. En esta sección se muestra un ejemplo de creación de este
diagrama.
En este ejemplo, se supone que el umbral de valor se basa en el valor de tu producto
de IA para tu usuario final y se expresa en el beneficio que el usuario final gana por
unidad. También supondría que estás tratando de capturar un mercado en rápida
expansión que se espera que tenga un alto valor de por vida para la empresa que
Cómo evoluciona tu proyecto de IA a lo largo del tiempo 111
establece la solución estándar. Por lo tanto, el objetivo de tu empresa es la presencia

en el mercado. Tu objetivo es lanzar un producto viable lo antes posible y mantenerlo
continuamente viable, sin preocuparte por los beneficios en los próximos 24 meses.
El liderazgo corporativo espera que los beneficios lleguen más tarde, cuando tu
producto se establezca como un estándar.
Observemos una situación en la que un cambio en los umbrales de valor a lo largo
del tiempo se da en la tabla 7.1. Puedes extraer esa información aplicando el proceso
mostrado en la figura 7.11.
Tabla 7.1 Valores de mejoras en las etapas para el usuario final
Nombre
Valor de Valor de mejora Valor de mejora en El tiempo necesario para
de la
mejora hoy en día en seis meses doce meses completar la mejora de etapas
etapa
A $7 $4 $3 2 meses
B $30 $27 $21 11 meses
C $14 $10 $7 3 meses
D $10 $8 $6 6 meses
El valor y tiempo necesarios para mejorar la etapa de canalización se dan en la tabla

7.2. Puedes crear el cambio de umbral de valor leyendo los umbrales de valor de la
curva de beneficios correspondiente en la figura 7.12.
Tabla 7.2 El umbral de valor que la unidad tiene para tu cliente. Debes superar el umbral de
valor para que un cliente compre tu producto.
Umbral de valor ahora Umbral de valor en seis meses Umbral de valor en doce meses
5 dólares/unidad 14 dólares/unidad 15 dólares/unidad
La figura 7.12 muestra el cronograma del valor que se espera de tu canalización

de ML para el cliente final. Ten en cuenta que hay dos motivos por los que
cambia el valor de negocio de la canalización de ML: la mejora en la etapa de
la canalización de ML y el paso del tiempo. Los aumentos en la utilidad de la
canalización a 2, 5, 11 y 23 meses se debe a la realización de mejoras en las etapas
A, C, D y B. Las caídas a 6 y 12 meses se debe al paso del tiempo a medida que
disminuye el valor empresarial de las mejoras en las etapas de la canalización.
Un diagrama de tiempo te permite determinar qué se espera del valor de tu
canalización de ML en cada punto del futuro. Esa información te ayuda a responder
a la pregunta de en qué orden debes mejorar las etapas de tu canalización si tienes un
proyecto de larga duración.
Figura 7.12. Mejorar la contabilidad de la canalización de ML de los parámetros de tiempo dados en las
tablas 7.1 y 7.2. El orden de mejora de las etapas de la canalización de ML debe ser la primera etapa A, después
la etapa C, la etapa D y, finalmente, la etapa B. Ese orden te permite el lanzamiento un producto viable después
en solo dos meses.
Esta técnica es útil tanto en las primeras etapas del proyecto, cuando eliges la
mejor canalización de ML para tu pregunta de investigación, como cuando necesitas
administrar el desarrollo de una nueva canalización de ML que reemplazaría la
canalización de ML actual en el proyecto. En el último caso, podrías utilizar un diagrama
como el de la figura 7.12 para decirte cómo administrar las mejoras incrementales que
deseas realizar en la canalización de ML antigua y calcular el punto en el que podrías esperar
que una nueva canalización sería capaz de asumir el trabajo de la canalización antigua.
7.5 Conclusión del proyecto de IA

Administrar los proyectos necesita muchos cálculos, como cuánto tiempo llevaría
implementar la funcionalidad, la complejidad de aplicación de algunos algoritmos de
IA y cuánta implementación de valor empresarial habrá. A veces, todo sucede según lo
previsto y planificado. Otras veces, las cosas no suceden como deseamos y descubrimos
que las estimaciones no funcionan. En esta sección se muestra qué hacer cuando el
problema es mucho más complicado de resolver de lo que inicialmente pensabas.
Actualmente, es probable que tu equipo sea el primer equipo de tu empresa en
utilizar potentes técnicas de IA para abordar tus problemas empresariales si estás
ejecutando tus proyectos iniciales de IA. Esto también significa que si el proyecto resulta
difícil de completar, tu estimación inicial de complejidad, aunque sea correcta según
lo que sabía entonces, tendrá que modificarse en función de lo que has aprendido
ahora. En vez de continuar con un proyecto difícil de implementar, debes pausarlo
y probar algo más sencillo.
Conclusión del proyecto de IA 113
En los primeros proyectos de IA, estás en terrenos de búsqueda enriquecidos

y deberías pensar como un cazador (sección 3.1.1): no pierdas el tiempo en buscar
mamuts, captura conejos. Si estás cazando durante un tiempo y te das cuenta de que el
animal que estás siguiendo es un mamut disfrazado de conejo, deberías abandonar la
búsqueda y encontrar un conejo.
Si vas a fallar, falla rápido

Tu técnica de administración del proyecto debería estar sesgado para fallar rápidamente.
Deberías asumir la posibilidad de renunciar demasiado pronto y perderte una solución
potencial si eso significa que evitarás situaciones en las que estés atascado durante
mucho tiempo en algo que al final no funciona.
Recuerda que la principal forma en que mueren las iniciativas de IA es que siguen
estando presentes en proyectos problemáticos durante demasiado tiempo y al final no
tienen nada que mostrar (sección 3.1.1).
Siempre debes saber cuánto tiempo debes permitir que tu proyecto de IA proceda antes
de extraerlo si encuentras dificultades. Si las preguntas de investigación resultan ser
mucho más difíciles de implementar de lo que se calculó inicialmente, no debes
perseverar en la búsqueda de las respuestas. En lugar de ello, pausa el proyecto actual
y empieza a trabajar en preguntas de investigación más sencillas.
Con este enfoque, cambias la posibilidad de suspender un proyecto que podría dar
lugar a una solución funcional (pero que también podría terminar como una pérdida
de tiempo considerable sin nada que ofrecer) para probar primero proyectos más
sencillos. Sin embargo, al utilizar esta técnica, es vital entender lo que se encontró al
suspender la pregunta de investigación. Has decidido retener esa pregunta de investigación;
no has descubierto que no hay ningún valor empresarial a la hora de continuar con esa pregunta
de investigación.
Lamentablemente, las organizaciones suelen tener el hábito de clasificar los
resultados de los proyectos de investigación con categorías binarias: «sí/no», «funciona/
no funciona». Para utilizar correctamente el enfoque de plazos, debes comprender que el
análisis inicial de las preguntas de investigación tiene tres posibles resultados:
1
Sí, vale la pena seguir persiguiendo este enfoque. Deberíamos poner muchos
recursos en él.
2
No: hemos probado suficientes cosas para estar seguros de que este es el
enfoque equivocado y no se espera que funcione. No pongas ningún recurso
adicional en él.
3
Tal vez: con el tiempo que llevamos a cabo la investigación inicial, no pudimos
mostrar que este enfoque funciona. Sin embargo, no investigamos todo el tiempo
suficiente para saber que no funcionará, aunque lo intentemos más. Deberíamos
volver a revisar este problema más tarde si tenemos más dinero y tiempo.
NOTA Es crucial que tus resultados se notifiquen y rastreen en la forma

lógica de tres estados de sí/no/tal vez. Esto se debe a que nunca reabrirías
las preguntas respondidas con el «no», pero podrías reanudar las preguntas
con respuesta «tal vez» más tarde. Hacer correctamente esta distinción es la
única manera en que funciona el enfoque de «estar dispuesto a abandonar
proyectos difíciles en las primeras etapas».
Figura 7.13. Dirigir un proyecto de IA con la capacidad de retener proyectos difíciles.

Podrás reducir rápidamente las pérdidas en proyectos que demuestran ser más difíciles
de lo esperado con este enfoque y probar un proyecto más sencillo.
En el futuro, cuando tengas una solución correcta que deseas mejorar más adelante
con más recursos, puedes decidir que algunas de estas soluciones tal vez merecen un
segundo vistazo. En la figura 7.13 se resume el proceso de ejecución de un proyecto
utilizando esta clasificación de resultados, sí/no/tal vez.
7.6 Ejercicios
Las preguntas de estos ejercicios se refieren a la canalización de ML en la figura 7.14,
que es una reproducción de la figura 6.10 (y la figura 7.1).
Figura 7.14. Un ejemplo de una canalización de ML. Vamos a realizar un análisis de

sensibilidad de esta canalización. (Se repite la figura 6.10 para comodidad del lector).
Ejercicios 115
Pregunta 1: Esta pregunta te ofrece los resultados del análisis de sensibilidad de la

canalización en la figura 7.14. Supongamos que la métrica empresarial es de beneficios
y que el umbral de valor es de 2 millones de dólares/año. Los resultados de tu análisis
MinMax son la parte Min de 1,9 millones de dólares al año y la parte Max es 3 millones
de dólares/año. Decides realizar un análisis de sensibilidad. ¿Por qué es necesario
realizar el análisis de sensibilidad? Has trabajado en todas las etapas durante un tiempo
y has llegado a un punto en el que es cada vez más difícil mejorar cualquiera de las
etapas. Determina en qué etapa de la canalización debes invertir si los resultados del
análisis de sensibilidad son los siguientes:

La etapa A necesita 6 meses para mejorar un 1 %. Cuando mejores la etapa A, la
mejora general de la canalización de ML será de 10 000 dólares/%.

La etapa B necesita 2 meses para mejorar un 1 %. Cuando mejores la etapa B, la
 La etapa C necesita 1 año para mejorar un 1 %. Cuando mejores la etapa C, la
 La canalización de ML no muestra ninguna mejoría notable en los resultados
cuando se mejoran las etapas D y E. ¿Cuándo se produce esta situación en la
práctica?
Pregunta 2: Esta pregunta te ofrece los resultados del análisis de sensibilidad de la

canalización en la figura 7.14. Supongamos que la métrica empresarial es de beneficios
y que el umbral de valor es de 2 millones de dólares/año. Los resultados de tu análisis
MinMax son la parte Min de 1,9 millones de dólares al año y la parte Max es 3 millones
de dólares/año. Decides realizar un análisis de sensibilidad. No has construido ningún
prototipo ni has tratado de limpiar los datos. Determina en qué etapa de la canalización
debes invertir si los resultados del análisis de sensibilidad son los siguientes:

La etapa A necesita 3 meses para mejorar un 2 %. Cuando mejores la etapa A, la
 La etapa B necesita 2 meses para mejorar un 1 %. Cuando mejores la etapa B, la
 La etapa C necesita 1 año para mejorar un 1 %. Cuando mejores la etapa C, la
 La canalización de ML no muestra ninguna mejoría notable en los resultados
cuando se mejoran las etapas D y E.
Pregunta 3: Tu proyecto de IA investiga si podrías determinar qué tipos de cambios

de tono indicarán un problema mecánico en el vehículo mediante la instalación de un
sensor de IoT para supervisar el sonido de un vehículo. Has implementado un sensor
en 150 vehículos y esperas un mes. Solo un vehículo tenía un problema mecánico. Los
científicos de datos te dicen que a partir de los datos recopilados tras una investigación
de un mes no pueden predecir la separación de los vehículos y que un único vehículo
averiado es un conjunto de datos insuficiente. ¿Significa que no puedes crear una IA
que pueda predecir la rotura de los vehículos?
Pregunta 4: Supón que tienes dos canalizaciones de ML. Tu métrica empresarial son
los ingresos. El umbral de valor es constante en 10 millones de dólares/año. Tienes dos
equipos paralelos que podrían trabajar en ambas canalizaciones de ML. La canalización
1 proporcionaría 20 millones de dólares/año y la canalización 2 proporcionaría
30 millones de dólares/año. El coste del equipo para desarrollar la canalización es poco
comparado con el beneficio que se espera del proyecto de IA. Tu organización puede
implementar la canalización 1 en 4 meses y la canalización 2 en 1 año. Determina cuál
de las dos canalizaciones deberías publicar y cuándo. Además, traza un cronograma
que muestre estas dos canalizaciones.
Resumen

El análisis de sensibilidad responde a la pregunta: «¿En qué etapa de mi
canalización de ML debo invertir?». Hay dos formas de análisis de sensibilidad:
el análisis de sensibilidad local y el análisis de sensibilidad global.

Cuando crees que puedes mejorar una etapa de la canalización de ML solo un
poco se puede aplicar el análisis de sensibilidad local.

Debes realizar un análisis de sensibilidad global cuando pienses que una etapa
de la canalización podría mejorarse significativamente.

CLUE es un proceso integrado que aborda aspectos importantes de la gestión
de un proyecto de IA. Cada parte del proceso CLUE depende de las secciones
anteriores de CLUE, por lo que debes realizar el C, L, U, y E en orden. Para
tomar decisiones fundamentadas basadas en datos, necesitas un proceso como
CLUE.

En un proyecto de larga ejecución, el valor empresarial de tu solución cambia
con el tiempo, así que tendrás que construir varias curvas de beneficio para
contar el valor en diferentes momentos. Puedes utilizar diagramas de tiempo
para visualizar cómo el valor empresarial de las canalizaciones de ML evoluciona
con el tiempo.

La respuesta a tu pregunta de investigación no se limita al sí/no. También
podría ser: «No se sabe en este momento con los recursos que podemos dedicar
a responder a la pregunta». No tengas miedo de pausar un proyecto de este tipo
y volver a revisarlo más adelante.

Original

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Original

Cargado por

Copyright:

Formatos disponibles

Tener éxito

© 2020 por Manning Publications Co. Todos los derechos reservados.

Ninguna parte de esta publicación puede reproducirse, almacenarse en un sistema de recuperación

Manning Publications Co. Editor de adquisiciones: Mike Stephens

Ni Manning ni el autor ofrecen garantía alguna sobre la integridad, la exactitud, la actualidad

Puedes encontrar el libro completo en este enlace.

2 Cómo utilizar la IA en tu empresa

2.2 ¿Cómo se usa la IA? 4

¿Dónde están los unicornios? 24

3 Elección de tu primer proyecto de IA

Es cuestión de usar herramientas avanzadas para poder observar

6 Análisis de una canalización de ML 57

interpretar los resultados del análisis MinMax 69

parte «Max» del análisis MinMax 71 Estimaciones y factores

de seguridad en el análisis MinMax 74 Categorías de curvas de

6.6 Preguntas frecuentes sobre el análisis MinMax 81

el análisis MinMax una empresa o un equipo

7 Guiar un proyecto de IA hacia el éxito 87

entre las etapas de la canalización de ML 101 ¿Debo

usar el diseño de experimentos? 102 Una objeción

común con la que te puedes encontrar 103 Cómo ■

analizar la etapa que produce los datos 106 ¿Qué tipos

de análisis de sensibilidad se aplican a mi proyecto? 106

de la canalización de ML a lo largo del tiempo 109 Diagramas

temporales: cómo cambia el valor empresarial a lo largo del

Puedes encontrar el libro completo en este enlace.

Empieza a planificar tu estrategia con Azure AI

—Jessica Hawk, vicepresidenta corporativa, Datos e IA

Puedes encontrar el libro completo en este enlace.

Contenido del capítulo

En este capítulo se tratan los aspectos necesarios de IA y ML que se deben

Administrar un proyecto de IA es otra aplicación de la ciencia de administración

La mayoría de los conceptos de IA que son importantes a la hora de tomar decisiones

NOTA Si tienes la sensación de que necesitas comprender mejor el análisis

Necesitas saber relacionar conceptos de la IA con la empresa para administrar

2.2 ¿Cómo se usa la IA?

Figura 2.1. El bucle Detectar/

Los elementos de la figura 2.1 son los siguientes:

 Analizar: es la parte en la que ahora se aplica la IA al conjunto de datos. Antes

NOTA La velocidad de cierre del bucle también depende de la frecuencia con

Una consideración importante en la aplicación de un bucle Detectar/Analizar/

El bucle Detectar/Analizar/Reaccionar tiene una aplicación muy amplia

La automatización de cualquier proceso de negocio es solo una aplicación del bucle

¿El análisis automatizado de datos es un desarrollo reciente?

2.3 ¿Qué novedades aporta la IA?

Ejemplos de IA que hacen viable la automatización

Lo que no es nuevo o diferente en la IA es que el análisis aún no puede generar ingresos

La IA no puede ayudarte con un caso de negocio deficiente

Cuando realizas un análisis, incurres en el coste de hacerlo. El beneficio se puede

2.4 Obtener ingresos con la IA

Figura 2.2. La ganancia de dinero con la IA se basa en la búsqueda de un problema empresarial

Una vez que sepas que el bucle Detectar/Analizar/Reaccionar es aplicable a tu

2.4.1 IA aplicada al diagnóstico médico

3  a imagen se revela en un flujo de trabajo automatizado.

¡Nunca empieces pensando en qué análisis hacer!

Utilicemos un enfoque sistemático para aplicar mejor la IA a este examen optométrico.

CONSEJO Empieza preguntando: «¿Cuáles son las acciones viables de mi

2.4.2 Principios generales para la monetización de la IA

Figura 2.4. Principios generales para la aplicación de la IA a un

Generar ingresos con la IA no consiste en que la IA sea más inteligente

2.5 Búsqueda de acciones de dominio

Figura 2.5. Taxonomía de la IA basada en el papel de alto nivel que desempeña en

Puedes usar la IA como parte de esto:

 Analizar: es la parte en la que ahora se aplica la IA al conjunto de datos. Antes

3 a imagen se revela en un flujo de trabajo automatizado.