liderazgo aprendizaje automático

La profesión más buscada en cualquier organización interesada en implementar el aprendizaje automático es la de científico de datos.

#Liderazgo e #ingeniería: las piezas que faltan en la era del aprendizaje automático @ESADE Clic para tuitear

Tiempo de Lectura: 4 minutos

Marc Torrens, Profesor asociado del Departamento de Operaciones, Innovación y Data Sciences

estudio esade

El liderazgo y la ingeniería son fundamentales, pero a menudo se pasa por alto su papel en el despliegue eficaz de modelos de aprendizaje automático en la producción. Hoy en día, el sector empieza a ver que los únicos modelos aprendidos automáticamente válidos son los que están en producción. En este artículo, debatimos sobre el papel fundamental del liderazgo y la ingeniería para la monetización de las iniciativas de aprendizaje automático.

El aprendizaje automático

Hoy en día, somos conscientes de la extremada competencia que tienen las máquinas en una tarea específica en un dominio concreto como la inteligencia artificial (IA). Como argumenta Daniel Dennett en su libro From Bacteria to Bach and Back: The Evolution of Minds, estamos creando máquinas extremadamente competentes que no tienen absolutamente ninguna comprensión del mundo. Sin embargo, el aprendizaje automático (ML por sus siglas en inglés) —un subcampo de la IA— supone un cambio sin precedentes en todo tipo de organizaciones, empresas y organismos gubernamentales.

Se trata de la consecuencia natural de dos factores: a) la disponibilidad de datos como resultado de la digitalización de las palabras y b) el aumento de la capacidad informática. Ambos factores crecen a un ritmo exponencial, por lo que este es solo el comienzo de una nueva era del ML. Sin embargo, aunque la prensa nos sorprende cada día con nuevas aplicaciones de ML que trabajan mejor que los expertos en ciertas tareas concretas, las técnicas de ML están llegando a un estancamiento.

Las innovaciones producidas a escala mundial son meramente incrementales. Hace unos años, la mayoría de los recién llegados al campo veían el aprendizaje profundo como la solución a todos los problemas de la IA. Hoy en día, se han empezado a entender sus limitaciones y puede vislumbrarse lo lejos que estamos de la IA general o fuerte. Por lo tanto, el foco se dirige hacia soluciones de ingeniería robustas que utilizan técnicas bien conocidas.

Esta revolución actualmente la encabezan empresas tecnológicas y en su mayor parte la implementan científicos de datos. Esta es la razón por la que los científicos de datos se encuentran entre los profesionales más buscados en la actualidad. Estos comprenden los datos y saben cómo crear modelos de ML que descubren patrones ocultos en grandes repositorios de datos. Les encanta optimizar los modelos y descubrir los parámetros adecuados para una situación determinada.

Liderazgo e ingeniería

No obstante, la ciencia de los datos no es suficiente para que las organizaciones se beneficien del ML en la producción. Asistimos hoy a un proceso de democratización del ML: diversas plataformas y bibliotecas están reduciendo la barrera para la incorporación del ML a empresas no tecnológicas. Desde mi punto de vista, la parte de la ciencia de los datos y la parte experimental del ML serán menos relevantes y un buen liderazgo y unas buenas prácticas en ingeniería marcarán la diferencia. Así pues, el sector del ML también necesita un nuevo tipo de perfil que corresponda al liderazgo y a la ingeniería.

Existe una gran diferencia entre construir un modelo de ML para una tarea específica e incrustarlo en el corazón de una organización. En otras palabras, es muy diferente tener un modelo que funciona en el laboratorio y preparar un modelo para que la gente lo utilice en sus productos y servicios. La mayoría de las organizaciones hoy en día tienen como objetivo incluir el ML en sus empresas, pero, en realidad, pocas están incorporando esos modelos a los procesos reales de la organización.

A medida que el ML ha madurado, ha quedado claro que el liderazgo y la ingeniería de software son fundamentales para cualquier iniciativa de ML. Aunque la mayor parte de la atención se ha centrado en la ciencia de los datos, también se necesita que el liderazgo y la ingeniería sean especializados a fin de llevar el ML al corazón de las organizaciones industriales.

Los ingenieros de software son los encargados de integrar el ML en los sistemas informáticos de producción para que las empresas puedan procesar los resultados de los modelos, lo que requiere una integración con las fuentes de datos, la automatización del flujo de trabajo del ML y vínculos entre las predicciones del ML y los sistemas informáticos de producción.

El nuevo liderazgo

El liderazgo y el desarrollo empresarial son esenciales para el ciclo de vida del ML. Las iniciativas de ML deben estar impulsadas por las necesidades y los objetivos descritos por los promotores de empresas. Este nuevo trabajo requiere un nuevo tipo de liderazgo con conocimiento del ML desde el punto de vista empresarial. El nuevo liderazgo debería:

  • Entender el ciclo de vida general del ML, desde la definición del problema hasta el mantenimiento en producción.
  • Estar familiarizado con los principales tipos de modelos de ML, en especial conocer lo que hacen, lo que necesitan y lo que producen.
  • Entender las diferentes formas de evaluar un modelo para calcular el beneficio de un determinado modelo y tarea para la empresa.
  • Ser capaz de interpretar un modelo que está adquiriendo nuevos conocimientos de un dominio con el fin de mejorar la toma de decisiones.
  • Entender que el ML se basa en una ciencia experimental que aún no está automatizada o industrializada. Por lo tanto, los proyectos de ML deberían gestionarse de manera iterativa para hacer frente a la incertidumbre.

No hay duda de que el ML está provocando cambios sin precedentes en todo tipo de organizaciones. En los últimos años, la atención se ha centrado principalmente en la ciencia de los datos, que no es más que la experiencia necesaria para desarrollar modelos a fin de descubrir patrones ocultos en grandes conjuntos de datos. Sin embargo, esta nueva era requiere un nuevo tipo de liderazgo e ingeniería que sea capaz de: a) dar sentido comercial al ML a través de nuevos conocimientos comerciales aprovechables y b) llevar los modelos del ML a los sistemas informáticos de producción en el corazón de las organizaciones.