Eleva tus habilidades de liderazgo y negocios

Súmate a más de 52,000 líderes en 90 empresas mejorando habilidades de estrategia, gestión y negocios.


Navegación por el nuevo panorama de las plataformas de IA

Lo que solo los expertos saben generalmente es que los científicos de datos, una vez contratados, pasan más tiempo construyendo y manteniendo las herramientas para los sistemas de IA que construyen los propios sistemas de IA. Ahora, sin embargo, están surgiendo nuevas herramientas para facilitar la entrada en esta era de innovación tecnológica. Las plataformas unificadas que incorporan el trabajo de recopilación, etiquetado y alimentación de datos en modelos de aprendizaje supervisados, o que ayudan a construir los propios modelos, prometen estandarizar los flujos de trabajo de la manera que Salesforce y Hubspot tienen para gestionar las relaciones con los clientes. Algunas de estas plataformas automatizan tareas complejas mediante algoritmos integrados de aprendizaje automático, lo que facilita aún el trabajo. Esto libera a los científicos de datos para que dediquen tiempo a construir las estructuras reales para las que fueron contratados, y pone la IA al alcance incluso de las pequeñas y medianas empresas.
Navegación por el nuevo panorama de las plataformas de IA
CSA Images/Getty Images

Hace casi dos años, Ciencias del Deporte de Seattle, una empresa que proporciona datos a ejecutivos de clubes de fútbol, entrenadores, entrenadores y jugadores para mejorar el entrenamiento, hizo un duro giro hacia la IA. Comenzó a desarrollar un sistema que rastrea la física de la pelota y los movimientos de los jugadores a partir de feeds de video. Para construirlo, la compañía necesitaba etiquetar millones de fotogramas de video para enseñar a algoritmos informáticos qué buscar. Comenzó contratando a un pequeño equipo para sentarse frente a las pantallas de ordenador, identificando jugadores y pelotas en cada cuadro. Pero rápidamente se dio cuenta de que necesitaba una plataforma de software para escalar. Pronto, su costoso equipo de ciencia de datos pasó la mayor parte de su tiempo construyendo una plataforma para manejar cantidades masivas de datos.

Estos son días embriagadores en los que cada CEO puede ver, o al menos sentir, oportunidades para que los sistemas de aprendizaje automático transformen su negocio. Casi todas las empresas tienen procesos adecuados para el aprendizaje automático, que en realidad es sólo una forma de enseñar a las computadoras a reconocer patrones y tomar decisiones basadas en esos patrones, a menudo más rápido y con mayor precisión que los humanos. ¿Es un perro en la carretera delante de mí? Aplique los frenos. ¿Eso es un tumor en esa radiografía? Alerta al doctor. ¿Es una hierba en el campo? Rocíalo con herbicida.

Lo que solo los expertos saben generalmente es que los científicos de datos, una vez contratados, pasan más tiempo construyendo y manteniendo las herramientas para los sistemas de IA que construyen los propios sistemas. UNA encuesta reciente de 500 empresas de la firma Algorithmia encontró que equipos caros dedican menos de una cuarta parte de su tiempo entrenando e iterando modelos de aprendizaje automático, que es su principal función de trabajo.

Ahora, sin embargo, están surgiendo nuevas herramientas para facilitar la entrada en esta era de innovación tecnológica. Las plataformas unificadas que incorporan el trabajo de recopilación, etiquetado y alimentación de datos en modelos de aprendizaje supervisados, o que ayudan a construir los propios modelos, prometen estandarizar los flujos de trabajo de la manera que Salesforce y Hubspot tienen para gestionar las relaciones con los clientes. Algunas de estas plataformas automatizan tareas complejas mediante algoritmos integrados de aprendizaje automático, lo que facilita aún el trabajo. Esto libera a los científicos de datos para que dediquen tiempo a construir las estructuras reales para las que fueron contratados, y pone la IA al alcance incluso de pequeñas y medianas empresas, como Seattle Sports Science.

Frustrado de que su equipo de ciencia de datos estuviera girando sus ruedas, John Milton, arquitecto de inteligencia artificial de Seattle Sports Science, finalmente encontró una solución comercial que hizo el trabajo. «Ojalá me hubiera dado cuenta de que necesitábamos esas herramientas», dijo Milton. No había tenido en cuenta la infraestructura en su presupuesto original y tener que volver a la alta dirección y pedirla no era una experiencia agradable para nadie.

Un vistazo a la caja de herramientas

Los gigantes de la IA, Google, Amazon, Microsoft y Apple, entre otros, han lanzado constantemente herramientas al público, muchas de ellas gratuitas, incluyendo vastas bibliotecas de código que los ingenieros pueden compilar en modelos de aprendizaje profundo. La poderosa herramienta de reconocimiento de objetos de Facebook, Detectrón, se ha convertido en uno de los proyectos de código abierto más ampliamente adoptados desde su lanzamiento en 2018. Pero usar esas herramientas puede ser un desafío, porque no necesariamente funcionan juntas. Esto significa que los equipos de ciencia de datos tienen que construir conexiones entre cada herramienta para conseguir que hagan el trabajo que una empresa necesita.

El nuevo salto en el horizonte aborda este punto doloroso. Las nuevas plataformas permiten a los ingenieros conectar componentes sin preocuparse por las conexiones.

Por ejemplo, IA determinada y Espacio de papel vender plataformas para gestionar el flujo de trabajo de aprendizaje automático. La plataforma de IA determinada incluye elementos automatizados para ayudar a los científicos de datos a encontrar la mejor arquitectura para redes neuronales, mientras que Paperspace incluye acceso a GPU dedicadas en la nube.

«Si las empresas no tienen acceso a una plataforma unificada, están diciendo: ‘Aquí está esta cosa de código abierto que hace el ajuste de hiperparámetros. Aquí está esta otra cosa que hace el entrenamiento distribuido, ‘y literalmente los están pegando a todos», dijo Evan Sparks, cofundador de Dedeterminada AI. «La forma en que lo están haciendo es realmente con cinta adhesiva».

Caja de etiquetas es una plataforma de datos de capacitación, o TDP, para administrar el etiquetado de datos para que los equipos de ciencia de datos puedan trabajar eficientemente con equipos de anotación de todo el mundo. (El autor de este artículo es el cofundador de la compañía.) Ofrece a las empresas la capacidad de realizar un seguimiento de sus datos, detectar y corregir los sesgos en los datos y optimizar la calidad de sus datos de formación antes de introducirlos en sus modelos de aprendizaje automático.

Es la solución que utiliza Seattle Sports Sciences. John Deere utiliza la plataforma para etiquetar imágenes de plantas individuales, de modo que los tractores inteligentes puedan detectar malas hierbas y entregar pesticidas con precisión, ahorrando dinero y ahorrando al medio ambiente productos químicos innecesarios.

Mientras tanto, las empresas ya no necesitan contratar investigadores experimentados para escribir algoritmos de aprendizaje automático, los motores de vapor de hoy. Pueden encontrarlos de forma gratuita o licenciarlos de empresas que hayan resuelto problemas similares antes.

Algorithmia, que ayuda a las empresas a implementar, servir y escalar sus modelos de aprendizaje automático, opera un mercado de algoritmos para que los equipos de ciencia de datos no dupliquen el esfuerzo de otras personas mediante la construcción de los suyos propios. Los usuarios pueden buscar a través de los 7.000 algoritmos diferentes en la plataforma de la empresa y licenciar uno — o subir los suyos propios.

Las empresas pueden incluso comprar modelos completos de aprendizaje profundo listos para su implementación.

Fritzai, por ejemplo, ofrece una serie de modelos preformados que pueden detectar objetos en vídeos o transferir estilos de ilustraciones de una imagen a otra, todos los cuales se ejecutan localmente en dispositivos móviles. Los servicios premium de la compañía incluyen la creación de modelos personalizados y más características de automatización para administrar y ajustar modelos.

Y aunque las empresas pueden usar un TDP para etiquetar los datos de capacitación, también pueden encontrar conjuntos de datos preetiquetados, muchos de ellos de forma gratuita, que son lo suficientemente generales como para resolver muchos problemas.

Pronto, las empresas incluso ofrecerán aprendizaje automático como servicio: los clientes simplemente cargarán datos y un objetivo y podrán acceder a un modelo capacitado a través de una API.

Elija sus herramientas y presupuesto en consecuencia

A finales del siglo XVI, Torno de Maudslay condujo a roscas de tornillo estandarizadas y, a su vez, a piezas intercambiables, que extendieron la revolución industrial a lo largo y ancho. Las herramientas de aprendizaje automático harán lo mismo para la IA y, como resultado de estos avances, las empresas pueden implementar aprendizaje automático con menos científicos de datos y menos equipos de ciencia de datos de alto nivel. Eso es importante dado el inminente aprendizaje automático, la crisis de recursos humanos: De acuerdo con un Informe Dun & Bradstreet 2019, el 40 por ciento de los encuestados de las organizaciones de Forbes Global 2000 dicen que están agregando más puestos de trabajo relacionados con la IA. Y el número de listas de empleo relacionadas con IA en el portal de reclutamiento Indeed.com subió un 29 por ciento de mayo de 2018 a mayo de 2019. La mayor parte de esa demanda es para ingenieros de aprendizaje supervisados.

Pero los ejecutivos de C-suite necesitan comprender la necesidad de esas herramientas y el presupuesto en consecuencia. Tal como aprendió Seattle Sports Sciences, es mejor familiarizarse con el flujo de trabajo completo de aprendizaje automático e identificar las herramientas necesarias antes de embarcarse en un proyecto.

Esa herramienta puede ser costosa, ya sea que la decisión sea construir o comprar. Como suele suceder con la infraestructura empresarial clave, hay costos ocultos en la construcción. Comprar una solución puede parecer más cara por adelantado, pero a menudo es más barata a largo plazo.

Una vez que haya identificado la infraestructura necesaria, inspecciónese el mercado para ver qué soluciones existen y incorpore el costo de esa infraestructura en su presupuesto. No caigas en una venta dura. La industria es joven, tanto en términos del tiempo que ha existido como de la edad de sus emprendedores. Los que están en ella por pasión son idealistas e impulsados por la misión. Creen que están democratizando una nueva tecnología increíblemente poderosa.

La industria de herramientas de IA enfrenta una demanda más que suficiente. Si siente que alguien está persiguiendo dólares, tenga cuidado. Los actores serios están ansiosos por compartir sus conocimientos y ayudar a guiar a los líderes empresariales hacia el éxito. Los éxitos benefician a todos.


Manu Sharma
Via HBR.org


Eleva tus habilidades de liderazgo y negocios

Súmate a más de 52,000 líderes en 90 empresas mejorando habilidades de estrategia, gestión y negocios.