El experto dice que las empresas más grandes están más dispuestas a gastar dinero en los mejores talentos para lograr el aprendizaje automático, mientras que las empresas más pequeñas no pueden hacerlo. Las soluciones preconfiguradas pueden ayudar.
Imagen: iStock / Igor Kutyaev
El aprendizaje automático (ML) parece funcionar muy bien para las grandes empresas tecnológicas, mientras que muchas empresas fuera de Silicon Valley aún tienen que implementar completamente el ML al máximo. Recientemente visité a Monte Zweben, director ejecutivo de Splice Machine, creador de un motor de aprendizaje automático que crea, implementa y administra modelos de aprendizaje automático, y le pregunté por qué.
VER: Calendario editorial de TechRepublic Premium: políticas de TI, listas de verificación, kits de herramientas e investigación para descargar (TechRepublic Premium)
“Es increíblemente complejo construir una arquitectura de datos desde cero que admita el aprendizaje automático de alta calidad”, dijo. “Se necesita una inversión significativa de tiempo, dinero y talento para hacerlo, y las grandes empresas de tecnología invierten mucho en el talento que está a la vanguardia del ciclo de innovación de datos. Contratan ingenieros de software e informáticos con títulos de posgrado que pueden para unir con cinta adhesiva componentes de proveedores de nube y comunidades de código abierto, que modifican hasta que encuentran un buen ajuste. Estas empresas tienen la ventaja adicional de construir sus datos en infraestructuras de TI modernas basadas en la nube que se integran fácilmente con la tecnología de aprendizaje automático. “
Más sobre inteligencia artificial
Solo comprender las implicaciones de estas declaraciones es una tarea difícil y casi inalcanzable para las empresas cotidianas que no tienen los recursos para invertir en talentos de primer nivel. Las pequeñas y medianas empresas también tienen los desafíos adicionales de actualizar las infraestructuras de sistemas heredados de la empresa para ML. Este es un proyecto abrumador en sí mismo del que muchas empresas de alta tecnología no tienen que preocuparse.
Como resultado, tiene sentido que las empresas que no están en alta tecnología busquen soluciones de aprendizaje automático preconfiguradas si desean incorporar el aprendizaje automático en sus sistemas. Sin embargo, antes de que las empresas puedan considerar la compra de soluciones de ML preconfiguradas, deben comprender qué es ML, qué puede hacer por ellas y si vale la pena invertir en ML.
¿Qué es el aprendizaje automático?
El aprendizaje automático es un subconjunto de la inteligencia artificial (IA). Utiliza un conjunto de algoritmos predefinidos para detectar patrones en los datos y sacar conclusiones que permitan a la IA “aprender” de los datos que está procesando.
Para facilitar el proceso de aprendizaje, ML analiza las “características” que resumen los datos sin procesar en un nivel más alto de comprensión.
VER: ¿Por qué el aprendizaje automático es tan difícil de explicar? Dejarlo claro puede ayudar con la aceptación de las partes interesadas (TechRepublic)
“Por ejemplo, los datos brutos para las lecturas de temperatura podrían expresarse como 27 o 90 grados”, dijo Zweben. “Los datos de temperatura en esta forma podrían proporcionar información menos útil que si se resumieran mediante un algoritmo en un nivel superior, como ‘frío’, ‘tibio’ o ‘caliente’.
De esta manera, es más fácil para el aprendizaje automático trabajar y ‘aprender’ de estas características resumidas de alto nivel, en lugar de intentar interpretar números brutos como 27 grados “.
Las tiendas de características de datos ayudan a reducir el tiempo
Los proveedores de aprendizaje automático ahora ofrecen almacenes de características de datos de alto nivel que pueden reducir la cantidad de tiempo que los científicos de datos tienen para hacer lo mismo mientras trabajan con datos sin procesar e intentan resumirlos en niveles más altos para su uso en inteligencia artificial y aprendizaje automático. Los almacenes de funciones de datos preconfigurados ahorran un valioso tiempo de preparación para los científicos de datos y permiten que los usuarios finales empresariales utilicen más fácilmente la tecnología de aprendizaje automático, que ya no tienen que esperar a que los datos se transformen en algo utilizable que tenga sentido para la empresa. Cuando esto sucede, más personas observan el aprendizaje automático en acción para el negocio y comienzan a comprender su valor.
VER: Procesamiento del lenguaje natural: una hoja de trucos (TechRepublic)
“Hay una serie de empresas que están trabajando para eliminar la complejidad de la plomería de datos para que el aprendizaje automático pueda democratizarse e integrarse fácilmente en los negocios”, dijo Zweben. “Pero para que el aprendizaje automático funcione, debe haber un enfoque integrado para incorporar ML en las empresas, ya que los científicos de datos y los empresarios se desempeñarán mejor cuando trabajen juntos para lograr objetivos comunes. Los científicos de datos deben estar presentes en las reuniones de negocios y comunicar lo que ML puede lograr y lo que se ha logrado con él, mientras se minimizan los procedimientos técnicos. Por otro lado, tener científicos de datos en el entorno empresarial les dará una mejor idea de qué optimizar para que sus modelos puedan reflejar mejor el dominio empresarial. En general, una cultura de experimentación que integre el aprendizaje automático a la perfección en el negocio será más exitosa “.
Boletín de datos, análisis e inteligencia artificial
Conozca las últimas noticias y las mejores prácticas sobre ciencia de datos, análisis de big data e inteligencia artificial. Entregado los lunes
Regístrate hoy
