Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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.
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
v
índice
acerca del autor x
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
■
vii
viii ÍNDICE
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
■
3.5 Ejercicios 55
beneficios 76
Tratamiento de curvas de beneficios complejas 79
ÍNDICE ix
MinMax»? 83
6.7 Ejercicios 84
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.
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
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.
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.
4 CAPÍTULO 2 Cómo utilizar la IA en tu empresa
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].
(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.
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
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.
10 CAPÍTULO 2 Cómo utilizar la IA en tu empresa
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.
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.
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
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.
(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.
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.
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?».
(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).
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.
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.
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.
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?».
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.
22 CAPÍTULO 2 Cómo utilizar la IA en tu empresa
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
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
24 CAPÍTULO 2 Cómo utilizar la IA en tu empresa
[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
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.
26 CAPÍTULO 2 Cómo utilizar la IA en tu empresa
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?
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
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
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.
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?
Elección de los proyectos adecuados para un equipo de IA joven 31
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.
32 CAPÍTULO 3 Elección de tu primer proyecto de IA
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.
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 3.4. 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 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.
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.
Priorización de los proyectos de IA 39
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.
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 %».
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.
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.
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.
Priorización de los proyectos de IA 43
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.
En la parte restante de esta sección se muestra cómo definir la pregunta del estudio y se
explica qué significa «fracasar rápidamente».
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?
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?».
52 CAPÍTULO 3 Elección de tu primer proyecto de IA
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.
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
Errores que se deben evitar 53
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.
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 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.
56 CAPÍTULO 3 Elección de tu primer proyecto de IA
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.
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
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.
(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.
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
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.
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.
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 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.
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.
66 CAPÍTULO 6 Análisis de una canalización de ML
¿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
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
Tabla 6.1 Resumen de los posibles resultados de un análisis MinMax. Cada uno de los resultados
tiene implicaciones directas para tu empresa.
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.
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.
¿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.
74 CAPÍTULO 6 Análisis de una canalización de ML
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.
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.
Cómo llevar a cabo un análisis de la canalización de ML 77
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.
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.
78 CAPÍTULO 6 Análisis de una canalización de ML
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.
Cómo llevar a cabo un análisis de la canalización de ML 79
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.
80 CAPÍTULO 6 Análisis de una canalización de ML
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?
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.
6.7 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.
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 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.
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.
Contenido del capítulo
R
Guiar un proyecto de
IA hacia el éxito
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.
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).
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.
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.
Mejora de la canalización de ML con el análisis de sensibilidad 91
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.
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».
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.
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?».
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.
(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.
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.
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.
98 CAPÍTULO 7 Guiar un proyecto de IA hacia el éxito
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.
Métodos avanzados de análisis de sensibilidad 99
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
100 CAPÍTULO 7 Guiar un proyecto de IA hacia el éxito
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.
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]).
102 CAPÍTULO 7 Guiar un proyecto de IA hacia el éxito
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.
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.
104 CAPÍTULO 7 Guiar un proyecto de IA hacia el éxito
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.
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.
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.
106 CAPÍTULO 7 Guiar un proyecto de IA hacia el éxito
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.
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.
108 CAPÍTULO 7 Guiar un proyecto de IA hacia el éxito
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
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.
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.
110 CAPÍTULO 7 Guiar un proyecto de IA hacia el éxito
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.
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
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
D $10 $8 $6 6 meses
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
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.
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.
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).
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.