Machine Learning and Deep Learning Consulting
¿Cuál es la diferencia entre ML y consultoría de IA?
Aunque el aprendizaje automático (ML) es el subcampo de la IA con la mayoría de las aplicaciones comerciales, es mejor distinguirlas.
IA: incluye todas las aplicaciones en las que la computadora imita la inteligencia humana
ML: aplicaciones que utilizan datos conocidos para crear modelos que se pueden utilizar para clasificar / procesar nuevos datos
¿ML consulting = consultoría de aprendizaje profundo?
No exactamente. El aprendizaje profundo es un subconjunto del aprendizaje automático. Sin embargo, el aprendizaje profundo es la técnica de aprendizaje automático más exitosa en términos de precisión a partir de 2019 en la mayoría de las áreas.
No es raro ver que en la industria se implementen técnicas alternativas como los bosques de decisiones en lugar del aprendizaje profundo. Esto se debe a que la falta de explicación de los resultados es un desafío para los modelos de aprendizaje profundo. Hay casos en los que los modelos de aprendizaje profundo no se implementan en producción.
ya que los gerentes no se sienten cómodos con modelos que no comprenden y que no brindan una explicación de los resultados.
en los casos en que se requiera auditabilidad. Por ejemplo, la legislación laboral prohíbe la discriminación. Cualquier algoritmo que utilice criterios que se hayan utilizado anteriormente para la discriminación (es decir, género o raza) no puede tomar decisiones de recursos humanos legalmente sin proporcionar una justificación que involucre razones distintas a esos criterios. Lamentablemente, excluir del modelo criterios potencialmente discriminatorios no resuelve el problema. Por ejemplo, el nombre, los patrones en PTO, la brecha salarial y muchos otros puntos de datos podrían usarse para incluir indirectamente el género en la toma de decisiones. Los modelos de caja negra, sin importar cuán precisos o útiles sean sus resultados, no se pueden implementar en tales situaciones.
Explicar el aprendizaje profundo es un área activa de investigación llamada XAI (IA explicable). ¿Cuáles son las barreras para la adopción del AA?
Como destaca Deloitte, estas son las barreras mencionadas con mayor frecuencia según los profesionales:
Escasez de talento: a agosto de 2018, había 150.000 puestos de trabajo de ciencia de datos sin completar en los EE. UU. Que Linkedin describió como una escasez aguda en las grandes ciudades de EE. UU.
Inmadurez de la infraestructura y los procesos de ML: ML es un nuevo paradigma de programación, que deriva reglas de los datos en lugar de la entrada del programador. Nos tomó decenas de años crear Scrum, el enfoque de programación ágil, que la mayoría de los equipos utilizan actualmente. Del mismo modo, se necesitará tiempo para que los procesos y marcos de ML alcancen la madurez. TensorFlow, uno de los marcos de aprendizaje automático más utilizados, se publicó a finales de 2015.
La mayoría de las técnicas de aprendizaje automático consumen mucha información: los datos de entrenamiento etiquetados con precisión requieren mucho tiempo y son costosos de generar. Los profesionales del aprendizaje automático deben ser creativos al aprovechar los datos públicos o etiquetar los datos necesarios. Es por eso que se fundaron numerosas empresas de etiquetado de datos desde la década de 2010. Otra solución a esto es el aprendizaje de una sola vez y otros enfoques que requieren menos datos; sin embargo, esta es un área de investigación en curso.
El aprendizaje profundo no se puede explicar. Como se discutió, esto está obstaculizando el progreso y XAI intenta abordarlo.
¿Cuál es el futuro de la consultoría de aprendizaje automático?
La consultoría de ML crecerá al abordar los problemas identificados:
Expansión del grupo de talentos: la mayoría de las consultorías están analizando su fuerza laboral en detalle para identificar a aquellos que son capaces de la ciencia de datos. Una formación en programación, estadística o matemáticas tiende a ser suficiente para que las personas trabajen como científicos de datos después de una formación relativamente rápida.
Mejorar la infraestructura y los procesos de ML: a medida que ML madura como paradigma de programación, mejores procesos, mejores recursos informáticos (es decir, GPU y chips de IA) y más automatización harán que ML sea más rápido y más fácil.
Ser creativo con los datos: los avances en el procesamiento del lenguaje natural (NLP) se debieron a la amplia disponibilidad de documentos gubernamentales traducidos en Canadá y Europa. Si bien la búsqueda de datos es una solución relativamente sencilla, las áreas de investigación de la inteligencia artificial, como el aprendizaje por transferencia o la síntesis de datos, podrían ser soluciones más técnicas.
También se esperan avances en la IA explicable que aumentarían la confianza en los sistemas ML y permitirían su adopción más generalizada.
Por último, es probable que las aplicaciones locales de aprendizaje automático hagan que las aplicaciones de IoT sean más inteligentes y rápidas al llevar la toma de decisiones a los dispositivos periféricos. ¿Cuáles son las actividades típicas de consultoría de ML? Comprender las necesidades comerciales
Como en toda consultoría, todo comienza con la necesidad empresarial. Ya sea que se trate de predecir dónde instalar estaciones base de telecomunicaciones o a quién mostrar anuncios, malinterpretar los requisitos comerciales sigue siendo una de las principales razones de la falta de éxito de los proyectos de consultoría y software. La consultoría ML, en la intersección de la consultoría y el software, es especialmente propensa a este problema. Configurar el equipo y el proceso
No todos los problemas necesitan aprendizaje automático. El aprendizaje automático y otros enfoques heurísticos tienen sentido en problemas que no pueden reducirse a un conjunto de reglas. Si las reglas son bien conocidas y simples, los sistemas basados en reglas superan al aprendizaje automático y son más simples de mantener.
Si ML es un buen ajuste fo es necesario delinear un problema, el equipo del proyecto, las partes interesadas y los objetivos de alto nivel. Recolección y exploración de datos
Si la empresa tiene los datos, este es un paso relativamente sencillo. Los consultores deben trabajar con las empresas para validar que los datos estén correctamente etiquetados y no sean contradictorios.
Si los datos no están disponibles, se deben considerar las técnicas descritas anteriormente, como aprovechar los datos en línea, pagar por el etiquetado de datos y enfoques novedosos de ML, como el aprendizaje de una sola vez. Modelo de desarrollo
Se necesitan miles de experimentos para desarrollar un modelo de aprendizaje automático de alto rendimiento. Este es un proceso iterativo que tiene en cuenta las últimas investigaciones, comprende la dinámica empresarial y la exploración de datos.
En última instancia, todos los modelos se evalúan con el mismo conjunto de datos de prueba para evaluar su precisión. Desarrollo de aplicaciones de pila completa
Llevar un modelo a producción requiere trabajo adicional de desarrollo e integración de software.
La mayoría de las veces, los modelos ML están encapsulados en API que son fáciles de integrar con cualquier aplicación. El desarrollo de la aplicación que operacionalizará el modelo ML y lo hará parte del proceso de toma de decisiones puede ser más difícil que construir el modelo. El desarrollo de aplicaciones puede requerir la integración a los sistemas empresariales existentes, lo que requiere trabajar con desarrolladores externos.
Los problemas de escalabilidad y seguridad de los datos también deben abordarse como parte de la puesta en funcionamiento del modelo.
¿Está interesado en consultar o capacitarse en Aprendizaje automático?
Llámame hoy o utiliza el formulario en línea abajo indicado. Muchas gracias!