Tech and Solve

¿Cómo abordar modelos de inteligencia artificial? Segunda parte

En nuestro post anterior vimos la importancia de plantearse objetivos y de tener datos a la hora de plantear modelos de Inteligencia Artificial.
En esta ocasión te contaremos por qué, desde nuestra perspectiva, crear modelos de inteligencia artificial de forma rápida es vital para mostrar resultados tempranos a la compañía, para el desarrollo del proyecto y para la toma de decisiones que el mismo implica.
Para comenzar a abordar modelos de inteligencia artificial debemos hacer énfasis en la importancia de llegar a una primera versión de los mismos de forma rápida, Con el análisis de resultados de esta versión, evidenciamos aprendizajes y los pasos que se deben seguir para estar más cerca del cumplimiento de los objetivos.
Para plantear nuestros primeros modelos de Inteligencia Artificial, seguimos el proceso presentado en la imagen, que consiste en:
  1. Tener un dataset etiquetado
  2. Generar visualizaciones que permitan tener un entendimiento de los datos
  3. Entrenar un modelo de Machine Learning
  4. Evaluar sus resultados.

 

Implicaciones de crear modelos de Inteligencia Artificial:

Construir los primeros modelos de inteligencia artificial de forma rápida podría tener implicaciones pero también ventajas. Una de las implicaciones podría ser trabajar con datos incompletos en el caso de que conseguirlos sea costoso u obtener un primer modelo reducido en su capacidad.
Pese a esto, los grandes beneficios son la validación de hipótesis desde las primeras fases del proyecto y el descubrimiento de posibles aspectos a mejorar; esto con el fin de tomar acciones en la dirección correcta para obtener mejores resultados en próximas etapas del proyecto.
Desde nuestra experiencia, podemos afirmar que algunos aspectos relevantes a tener en cuenta en las diferentes etapas del proceso son:
  • Obtención del Dataset.
 Los datos usados durante el desarrollo del proyecto deben ser lo más parecidos a los datos a usar en un escenario real. Por eso, dependiendo del problema que pretendamos resolver puede ser necesario tener datos etiquetados, lo que podría resultar en un proceso costoso.
  • Visualización de los datos:
Visualizar los datos puede ser importante ya que nos ayuda a entender la información reportada en el dataset. En este escenario es fundamental tener el acompañamiento de alguien experto en el área de negocio para validar la pertinencia de los datos del problema que se quiere solucionar.
  • Definición de métricas y análisis de resultados:
En algunas ocasiones las métricas más utilizadas por los algoritmos no son una buena forma de validar el desempeño de un modelo y es necesario buscar métricas más acordes con los objetivos de tu proyecto.

¿Qué sigue después del primer modelo?

Como resultado de haber creado el primer modelo, se obtiene conocimiento valioso acerca de los siguientes pasos a realizar.
Por ejemplo, el proceso puede dejar en evidencia la necesidad de más datos o información para resolver el problema, la necesidad de optimizar el método de toma de datos, entre otros hallazgos que van encaminados a mejorar el modelo.
Finalmente, debemos iterar sobre el proceso definido anteriormente con el fin de llegar a un modelo que cumpla los objetivos del proyecto. Para esto es importante tener un proceso automático que aborde el procesamiento de los datos hasta tener un modelo. De esta forma obtendremos feedback de forma rápida sobre cada cambio realizado durante el proceso.
En conclusión, es poco probable llegar a una solución ideal en el primer intento, ya que es un proceso que requiere de mucha experimentación e interacción con los expertos con el fin de ajustar o el modelo de forma iterativa antes de llegar a la solución final que pueda ser puesta en un escenario real.
Por lo tanto, es importante obtener un modelo base, como punto de partida sobre el cual tomar decisiones que guíen hacia los objetivos del proyecto y teniendo en cuenta que en el camino puede ser de gran ayuda volver este proceso lo más automático posible con el fin de validar de forma rápida las decisiones que tomemos en la compañía.