Construcción de inteligencia artificial: la dotación de personal es la parte más desafiante
«Los proyectos de aprendizaje automático son mucho más complicados y grandes que los algoritmos de modelos de aprendizaje automático».
Toda empresa que se precie está decidida a lograr una inteligencia artificial y un aprendizaje automático prácticos y escalables. Sin embargo, es mucho más fácil decirlo que hacerlo, de lo que pueden dar fe los líderes de IA de algunas de las empresas más intensivas en información. Para obtener más perspectiva sobre los desafíos de crear una organización impulsada por la IA, nos reunimos con Jing Huang, director sénior de ingeniería y aprendizaje automático de Momentive (anteriormente SurveyMonkey), quien comparte las lecciones que se aprenden a medida que se implementan la IA y el ML.
P: Las iniciativas de IA y aprendizaje automático han estado en marcha durante varios años. ¿Qué lecciones han aprendido las empresas en términos de adopción e implementación más productivas?
Huang: "Los proyectos de aprendizaje automático son mucho más complicados y más grandes que los algoritmos de modelos de ML, así que prepárese para crear un equipo sólido que se encargue de las operaciones de aprendizaje automático. Dotar de personal a un equipo de aprendizaje automático de clase mundial es extremadamente difícil. El talento de ML con experiencia tiene una gran demanda. Una opción es impartir formación y crear una cultura que fomente las transferencias internas; a veces, hacer crecer el equipo internamente puede ser la clave para construir un equipo de ML efectivo".
"Antes de construir algo sustancial, asegúrese de examinar dónde están los cuellos de botella de la línea de producción de aprendizaje automático. Al decidir entre construir o comprar, cuando compre una solución para acelerar sus capacidades de IA/ML, asegúrese de que la solución que elija pueda adaptarse, ampliarse e integrarse fácilmente con las aplicaciones de sus productos".
P: ¿Qué tecnologías o enfoques tecnológicos están marcando la mayor diferencia?
Huang: "Desde una perspectiva más amplia de la industria, la traducción automática y la recuperación de información, en general, han mejorado drásticamente después de adoptar el aprendizaje profundo. Por ejemplo, en Momentive, vemos una gran diferencia en las soluciones de ML que ayudan a los clientes a encontrar información relevante y procesable a través de cantidades masivas de datos de respuesta sin esfuerzo".
P: ¿La mayoría de las iniciativas de IA se ejecutan internamente o cuentan con el apoyo de servicios/partes externas (como proveedores de servicios en la nube o MSP)?
Huang: "Dependiendo del caso de uso y la organización, los requisitos para las iniciativas de IA son bastante diferentes. Algunos de ellos tienen más sentido para aprovechar los servicios externos, otros de ellos deben ejecutarse internamente. En general, vemos una mayor adopción de servicios de terceros para casos de uso que son independientes y no necesitan integrarse estrechamente con los sistemas de producción. Mientras que vemos soluciones propias más exitosas para casos de uso que deben integrarse estrechamente con los sistemas de producción".
P: ¿En qué medida se encuentran los esfuerzos corporativos para lograr la equidad y eliminar el sesgo en los resultados de la IA?
Huang: "El campo en su conjunto todavía está aprendiendo 00, nadie tiene todas las respuestas. Dicho esto, la concienciación sobre el impacto de los sesgos en la IA ha aumentado en los últimos años y se están realizando progresos. Cada vez se realizan más esfuerzos para encontrar soluciones que mitiguen el riesgo de sesgo en la IA y las discusiones sobre el sesgo y la equidad en el ML se han convertido en una nueva norma tanto en la investigación como en la industria".
P: ¿Las empresas están haciendo lo suficiente para revisar regularmente sus resultados de IA? ¿Cuál es la mejor manera de hacer esto?
Huang: "Siempre habrá sesgos humanos, no hay forma de escapar de eso, pero una cosa que hemos hecho es asegurarnos de que las personas que trabajan en esto sean de una variedad de orígenes para proporcionar una amplia representación y también sentirse incluidos. Eso significa inclusión, no solo diversidad, para resaltar todos los diferentes tipos de preocupaciones que podrían estar en juego".
P: ¿Deberían los líderes y el personal de TI recibir más capacitación y conciencia para aliviar el sesgo de la IA?
Huang: "La investigación sobre el sesgo en la IA y sus mitigaciones es bastante reciente en comparación con la historia de la informática, por no decir en comparación con la historia humana. Universidades como Stanford y MIT comenzaron a incorporar temas de IA ética en sus cursos de IA. La suposición general es que cuanto más senior sean los líderes de TI, más podrán beneficiarse de una formación que abarque los últimos avances en este campo. Hemos invitado a expertos y profesionales de la IA del mundo académico y de la industria a compartir sus experiencias y conocimientos con nuestro equipo de liderazgo y con todos los empleados en una cadencia trimestral".
P: ¿Qué áreas de la organización están teniendo más éxito con la IA?
Huang: "Depende. Normalmente son las áreas donde se almacenan los datos históricos y pueden ser fácilmente accesibles. Las cosas empezaron a cambiar después de que la tecnología de aprendizaje profundo se adoptara más ampliamente, con los datos sintéticos y el entrenamiento de adversarios desempeñando un papel cada vez más importante".
"Hay muchas partes diferentes de una organización que pueden implementar la IA con éxito. Por ejemplo, la organización de TI dentro de la empresa puede utilizar la tecnología de ML/AI para mejorar la eficiencia de los procesos de negocio, la organización financiera puede aprovechar el ML/AI para proporcionar pronósticos más precisos, la empresa puede incorporar soluciones de ML/AI en su oferta de productos para mejorar las experiencias de los clientes, y así sucesivamente".