Por estas y otras razones hace unos meses en Tech and Solve decidimos extender el uso de la Inteligencia Artificial, específicamente del Machine Learning (ML) a cada área de la compañía, con el fin de ofrecer mejores servicios a nuestros clientes y potenciar nuestros procesos internos.
Nuestra aplicación de ML hasta el momento había estado enfocada en proyectos de innovación: Tuvimos grandes avances en áreas como reconocimiento facial, Human Activity Recognition, creando soluciones en las que interactúan machine learning con Internet de las Cosas, y logros como que dos miembros de nuestro equipo estuvieran entre los ganadores de un reto nacional de visión por computador aplicada a carros autónomos.
Aún con estas experiencias, aplicar estos conocimientos en proyectos que beneficien los procesos de nuestra empresa y extender el uso de estas tecnologías a toda la organización, incluyendo personas con pocos conocimientos técnicos, ha sido un reto gigante.
Por eso, con este post iniciamos una serie de contenidos en los que narraremos nuestras experiencias y aprendizajes al transformar nuestra compañía en una orientada a los datos y al aprovechamiento de estos.
¿Cómo abordar un proyecto de Inteligencia Artificial?
El primer paso que te recomendamos no está necesariamente reservado a machine learning, sino que es parte fundamental de todo proyecto; debes responder ¿cuál es el problema que quiero resolver?
Esta pregunta es vital para generar valor con una solución. Incluso si estás desarrollando un piloto es importante seleccionar un dolor de la organización, pues solucionarlo implica lograr llamar la atención de las directivas y confianza en la tecnología que estás probando.
Si tu foco es ML, es importante acotar el dominio del problema. En la organización encontrarás problemas de diferente índole, con soluciones no relacionadas con ML. Por ello, nuestra aproximación propuesta es que la organización misma aprenda a identificar problemas que puedan solucionarse con ML.
Por ejemplo, para dar inicio a este abordaje en Tech and Solve, ejecutamos un proceso de formación interna en torno a machine learning, con un enfoque en la importancia de los datos y en que cada persona de la organización (técnica y no técnica), tuviera el conocimiento necesario para plantear proyectos de este tipo.
Este proceso consistió en charlas de conceptos generales y avanzados, talleres, webinars, posts y charlas específicas a cada área presentando casos relacionados con su contexto y con un nivel específico a sus conocimientos técnicos. Esta última opción resultó muy efectiva por el acercamiento directo a las personas, que en ocasiones se sienten ajenas a este tipo de temas; también porque toda la información es de interés para ellas y porque logramos entender sus problemas y analizar en conjunto posibles soluciones.
Una vez identificados los problemas de cada área, seleccionamos en cuál trabajar primero a partir de criterios como su impacto en la organización, posibilidad de lograr dicho impacto en el tiempo definido para el proyecto, entre otros criterios. Como mencionamos anteriormente, aún en el caso de un piloto nuestra sugerencia es buscar un caso de importancia para la organización; además, es más motivante para ti y tu equipo de trabajo.
Otra abordaje viable pero que no implantamos en nuestro piloto, es que tú seas quien identifique estos problemas y soluciones. Esta estrategia puede ser rápida, pero estarías creando dependencia de ti, y las demás personas no tendrán conocimiento ni entendimiento de ML y la importancia de los datos, lo cual en consecuencia dificultará extender el uso de esta tecnología-cultura a toda la organización.
¿Por qué son tan importantes los datos para el Machine Learning?
Pero, ¿qué ocurre cuando te vas a enfocar en un problema particular de tu organización?
