¡El 85% de los proyectos de IA fracasan! Para evitarlo, es fundamental contar con objetivos claros y datos de alta calidad. El camino de un creador de IA Noticias #Desarrollo de IA #Análisis de datos #MLOps
Explicación en vídeo
¿Cómo evitar que tu proyecto de IA salga mal? ¡Consejos para el éxito que los desarrolladores deberían conocer!
Hola y bienvenidos a mi blog, donde explico la tecnología de IA de forma sencilla para principiantes. Soy tu amigo, John.
Últimamente, el término "IA (Inteligencia Artificial)" ha aparecido mucho en las noticias y en internet. Incluso puede que oigas decir: "¡Vamos a incorporar IA a nuestra empresa!". Pero ¿sabías que incluso los proyectos de IA más prometedores suelen fracasar?
Quizás te preguntes: "¿En serio? Entonces, ¿cómo se puede tener éxito?". Hoy explicaré de forma sencilla, como siempre, y con referencia al artículo original, por qué los proyectos de IA suelen fracasar y qué pueden hacer los desarrolladores para que sus proyectos tengan éxito.
¿Es realmente necesaria la IA? ~Un punto de partida que, sorprendentemente, a menudo se pasa por alto~
En primer lugar, cuando escuchas la palabra IA, parece que puede hacer cosas increíbles, y podrías pensar: "¡Eso se puede hacer con IA! ¡Eso se puede hacer con IA!". ¡Pero espera un momento!No todos los problemas requieren IAEs.
Por ejemplo, cuando se trata de tareas como organizar datos de clientes o tomar decisiones basadas en reglas específicas, en muchos casos la IA no es necesaria; son suficientes herramientas analíticas más simples o programas tradicionales (conocidos como sistemas basados en reglas).
El experto en IA Santiago Valdarama también aconseja: «Empieza con reglas y heurísticas sencillas (métodos que suelen funcionar bien, aprendidos de la experiencia)». Esto te ayudará a comprender mejor qué problema quieres resolver realmente, e incluso si terminas usando IA en el futuro, tendrás un punto de referencia para comparar su utilidad.
Entonces, antes de comenzar a utilizar herramientas de desarrollo de IA (como TensorFlow o PyTorch, que son como un conjunto de componentes de programación para crear IA), dé un paso atrás y piense en ello.
- "¿Qué problema queremos realmente resolver?"
- "¿Es la IA la mejor manera de resolver ese problema?"
A veces, una fórmula simple o una hoja de cálculo como Excel es todo lo que necesitas.
"Basura entra, basura sale": La magia de los datos que hace que la IA sea más inteligente
Ahora bien, incluso si encuentras un problema que sea perfecto para usar IA, el siguiente gran obstáculo te espera: los datos.
Para que la IA se vuelva más inteligente, necesita aprender muchos datos. Pero ¿qué pasa si los datos con los que se entrena no son muy buenos? Hay una famosa cita sobre IA que dice:Basura dentro basura fuera"Esto significa: "Si ingresas datos basura, obtendrás resultados basura".
Por ejemplo, si quieres enseñarle a una IA que "esto es una manzana, esto es una mandarina", pero solo le muestras imágenes de manzanas podridas o imágenes de solo la mitad de una mandarina, la IA nunca podrá distinguir adecuadamente la diferencia.
De hecho, según un estudio,Aproximadamente el 85% de los proyectos de IA fracasan debido a la mala calidad de los datos o a la falta de los datos necesarios en primer lugar.Sí, ¡es sorprendente!
Dentro de una empresa, los datos suelen almacenarse por separado por departamento (esto se denomina "silo de datos": la información está aislada), llenos de errores o sin relación con el problema que se está resolviendo. Incluso entrenando una IA con estos datos, podrían no ser útiles al intentar usarlos en producción.
Entonces, para que su proyecto de IA tenga éxito, primero debe:Cola de caballoEs fundamental realizar correctamente el proceso de "preparación de datos" (el proceso de recopilar los datos correctos, depurarlos y etiquetarlos para que la IA pueda comprenderlos fácilmente y así enseñarles). La "ingeniería de datos" que sustenta esta preparación (la creación de un sistema para recopilar, almacenar y procesar datos de forma que la IA los pueda usar fácilmente) es el "héroe anónimo" de los proyectos de IA.
Es importante que los desarrolladores confirmen qué tipo de datos necesita el modelo de IA y si los datos existentes realmente cumplen con ese propósito. Por ejemplo, si se desea crear una IA que pueda predecir cuándo los clientes cancelarán su servicio, ¿se dispone de los datos de uso más recientes de los clientes? Sin ellos, por muy avanzado que sea el mecanismo de IA (como una red neuronal o un mecanismo de IA que imite los circuitos neuronales del cerebro humano), no funcionará.
Entendemos el deseo de usar IA, pero no hay que descuidar la minuciosa limpieza de datos (ETL: el proceso de extracción, conversión y carga de datos; limpieza de datos: corregir y eliminar errores y partes innecesarias de datos; ingeniería de características: modificar las características de los datos para que sea más fácil para la IA aprender).
¿Qué es el éxito? ~ Establecer metas salva tu proyecto ~
Otra gran razón por la que los proyectos de IA terminan antes de que sepamos qué está pasando es queLa definición de éxito no está clara"Eso es lo que quiero decir.
Si comienzas un proyecto con una vaga expectativa de "Quiero crear algún tipo de gran valor usando IA", entonces cada uno tendrá una comprensión diferente de lo que constituye el "éxito".
Por ejemplo, supongamos que una tienda introduce una IA que muestra productos recomendados adaptados a cada cliente. Pero ¿qué ocurre si no hay objetivos específicos, como "¿Será un éxito si más personas hacen clic en los productos recomendados?", "¿Será un éxito si aumentan las ventas por cliente?" o "¿Será un éxito si a más clientes les gusta la tienda?". Incluso si la IA funciona muy bien técnicamente, acabarás pensando: "¿De verdad es un éxito?".
Especialmente en el campo recientemente popular de la "IA generativa" (IA que crea texto, imágenes, etc. automáticamente), muchos equipos crean y publican modelos, pero no deciden adecuadamente cómo evaluar su calidad. La ingeniera de aprendizaje automático Shreya Shankar señala: "La mayoría de la gente no evalúa sistemáticamente algo antes de lanzarlo al mundo. Por lo tanto, las expectativas se determinan únicamente por la "sensación"". La "sensación" puede ser buena en una demo, pero podrías decepcionarte al usarla.
Entonces, ¿qué deberías hacer? La respuesta es sencilla.Antes de comenzar su proyecto, decida métricas de éxito específicas (KPI: indicadores clave de rendimiento, objetivos numéricos específicos para medir si se alcanzan o no sus objetivos).
Por ejemplo, si estás creando un sistema de IA para detectar fraudes, podrías decir algo como: "Queremos reducir en un X% el número de casos en los que identificamos fraudes erróneamente (falsos positivos), mientras que detectamos un Y% más de fraudes reales". Al establecer uno o dos objetivos específicos como este, todos los miembros del equipo pueden trabajar juntos y también pueden responder preguntas como: "¿Es realmente útil esta IA?".
Los desarrolladores y científicos de datos (especializados en IA y datos) deberían esforzarse por aclarar esta "definición de éxito". En lugar de explicar "¡Esta IA es realmente increíble!" con cifras que seleccionan solo lo mejor, se obtendrán resultados mucho mejores si se mantiene una conversación exhaustiva desde el principio sobre "qué se necesita para tener éxito".
¡La IA también crece! ~No se acaba una vez creada, es importante seguir cultivándola~
"¡Bien, hemos creado la primera versión de nuestro modelo de IA! ¡Vamos a publicarla!"... ¿Crees que esto es el final? En realidad, esto es solo el principio.
Una de las principales razones por las que los proyectos de IA fracasan esNo hay un plan de aprendizaje y mejora continuaA diferencia del software convencional, el rendimiento de los modelos de IA puede cambiar con el tiempo. Por ejemplo, las tendencias de datos a nivel mundial pueden cambiar, o los usuarios pueden tener reacciones inesperadas a los resultados producidos por la IA. En otras palabras, incluso la nueva y brillante IA que hemos creado tendrá que lidiar con las turbulencias del mundo real.
Si ignora los comentarios de su IA (información sobre cómo funciona cuando se utiliza) y no tiene un plan para ajustar continuamente su modelo de IA, su proyecto de IA se convertirá rápidamente en un "experimento obsoleto".
El verdadero secreto del éxito de la IA esAjustando constantemente el modeloEn la emoción de tener una nueva IA, esto es algo que es sorprendentemente fácil de olvidar, pero es muy importante.
En concreto, el equipo de MLOps (MLOPs: una serie de iniciativas y mecanismos para desarrollar y mejorar modelos de aprendizaje automático) dijo:Volante de datos"La idea es poner esta idea en práctica.
- Monitorea los resultados de tu modelo de IA
- Recopilar nuevos datos sobre áreas en las que la IA comete errores o parece insegura
- Reentrenar y mejorar los modelos de IA con datos recopilados
- Relanzar el modelo de IA mejorado
Se trata de mantener este ciclo. Shankar advierte que «los equipos suelen esperar demasiada precisión justo después del lanzamiento de sus aplicaciones de IA y no construyen la infraestructura necesaria para inspeccionar continuamente los datos, incorporar nuevas pruebas y mejorar todo el sistema». El lanzamiento de un modelo de IA no es la meta, ¡es solo el comienzo de una larga maratón!
La trampa de la "IA por ahora": no te quedes solo en el prototipo
Y, por último, un error común al que se enfrentan muchas organizaciones es:El prototipo es genial, pero no va más allá de eso."Incluso si crean una IA que haga que la gente diga "¡Guau!" en una demostración, descuidan el esfuerzo de desarrollarla hasta convertirla en un sistema sólido que muchas personas puedan usar realmente con confianza.
¿Por qué sucede esto tan a menudo? Una razón son las expectativas excesivas generadas por el "auge de la IA" que mencioné antes. Cuando las empresas son presionadas por sus directores ejecutivos o ejecutivos para "no perder el tren de la IA", se impacientan y piensan: "¡Tenemos que hacer algo rápido!", y terminan conformándose con avances superficiales sin sustancia real.
El otro es,Piloto RengokuEste es un estado llamado "prueba piloto". En este caso, se lanzan muchos "proyectos piloto" para probar las capacidades de la IA, pero el presupuesto y la mano de obra son mínimos, y a menudo están desconectados de los sistemas existentes. Incluso si estos proyectos no fracasan técnicamente, suelen perderse sin darnos cuenta porque no se crearon con la intención de ser utilizados en producción. Repetir estos experimentos a medias cuesta dinero y reduce la motivación de todos. Una encuesta mostró que el 88 % de los proyectos piloto de IA nunca llegan a producción.
Según los expertos de la firma de investigación IDC, muchos proyectos de IA generativa fallidos tienden a comenzar no por razones comerciales sólidas, sino como órdenes de nivel ejecutivo, una especie de "economía de arriba hacia abajo" que dice: "Probemos la IA".
Para evitar esta trampa, es importante reservar tiempo y recursos para pulir el prototipo para que pueda usarse en producción.
- Haz que funcione con datos reales
- Crear un sistema para recopilar comentarios de los usuarios
- Ser capaz de manejar casos extremos que rara vez ocurren pero que son problemáticos si ocurren.
- Filtrar avisos extraños e instalar dispositivos de seguridad (llamados barandillas, mecanismos para evitar que la IA se salga de control) para que las decisiones difíciles las tomen los humanos.
Hay tantas cosas por hacer. En última instancia, el éxito de un proyecto de IA depende de los desarrolladores.
¡Llamamos a todos los desarrolladores! ¡Es su turno! ~Guía para proyectos de IA exitosos~
Al escuchar que los proyectos de IA tienen una alta tasa de fracaso, puede que te sientas algo pesimista. Pero incluso entre tantos proyectos fallidos, hay muchos ejemplos excelentes de IA que han tenido éxito. Y al analizar detenidamente esas historias de éxito, a menudo descubrirás que los desarrolladores priorizan el contenido sobre la apariencia.
¡La buena noticia es que el poder de prevenir estos fallos está en gran medida en manos de nosotros, desarrolladores, científicos de datos y líderes tecnológicos!
Podemos:
- Cuando los objetivos del proyecto o los indicadores de éxito no estén claros, hable para aclarar "¿por qué hacemos esto?"
- Quiero difundir entre quienes me rodean la importancia de garantizar la calidad de los datos, que puede parecer mundano pero es extremadamente importante, y la importancia de un sistema para el desarrollo continuo de IA (MLOps), para que comprendan que "la IA no es magia, es tecnología adecuada (ingeniería)".
- Cuando trabajamos en una solución de IA, no solo hacemos una demostración, sino que planificamos todo el proceso (ciclo de vida del producto) desde el principio hasta el final del producto.
La clave para que los proyectos de IA tengan éxito es que los desarrolladores creamos en el potencial de la IA y adoptemos un enfoque realista.
Una palabra de John
¡Guau! La IA es realmente profunda, ¿verdad? Al escribir este blog, volví a sentir que "lo básico es importante". Por increíble que sea una tecnología, si quienes la usan no tienen un propósito claro y no la cuidan con esmero, se desperdiciará. Si tienes la oportunidad de participar en un proyecto de IA, ¡recuerda lo que dije hoy!
Este artículo se basa en los siguientes artículos originales y se resume desde la perspectiva del autor:
Por qué fracasan los proyectos de IA y cómo pueden ayudarlos los desarrolladores
tener éxito