6 Características de la Madurez Organizacional del Aprendizaje Automático

Siempre que piense en inteligencia empresarial, piense en el aprendizaje automático. Así es como se ve una empresa con un entorno de aprendizaje automático maduro.

La distribución de empresas a través de los niveles de madurez en casi cualquier cosa siempre está muy sesgada hacia el extremo inferior. No es diferente para el aprendizaje automático, pero esto no debería importarle a ninguna organización que aspire al éxito sostenido. La clave de ese éxito es convertirse en un operador de aprendizaje automático maduro (MMLO).

¿Cómo es una empresa así? ¿Qué características exhibe que indican que su uso sofisticado del aprendizaje automático es parte de su éxito comercial?

1. Se valora a los científicos de datos.

En términos de estrategia, el MMLO ya ha justificado el uso (y contratado) de un científico de datos. Tiene el entorno de datos listo para que el científico de datos pueda ser eficaz. Después de ver los beneficios producidos, la empresa ha ido más allá y ha contratado científicos de datos adicionales.

Cuando se incorpora un nuevo científico de datos a la organización, la documentación y los objetivos comerciales definidos (que se adhieren a construcciones establecidas razonables en el entorno de datos) permiten que estos nuevos científicos se pongan al día en semanas, no en trimestres.

2. ML es una parte normal de todo proyecto.

En el MMLO, el proceso de especificación del proyecto tiene un punto de control para asegurarse de que ML se considere adecuadamente para proyectos importantes. Las personas con conocimientos de ML y habilidades de liderazgo serán parte de cada proyecto o de cada revisión arquitectónica. Sería fácil mantener el status quo, usar procesos de trabajo familiares desde hace mucho tiempo y continuar usando solo enfoques heredados, pero la organización madura de ML sabe que debe incluir específicamente ML en la actualidad.

3. Los modelos y los datos se gestionan de forma activa.

El MMLO cataloga todos los modelos a lo largo de su ciclo de vida para que los modelos se puedan reutilizar y aprovechar en lugar de ser “uno y listo”. El entorno de datos también es maduro, con datos empresariales catalogados, accesibles, que funcionan de acuerdo con las expectativas y están bien administrados. Esto significa que todos los datos de la empresa, y los datos externos relevantes, se capturan y utilizan. Significa que hay infraestructuras de data warehouse y data lake y un catálogo de datos en la parte superior que captura la ubicación de la información. Significa que el compromiso con la nube es real y que el programa de gobernanza de datos es omnipresente en las principales áreas temáticas de la empresa.

En estas empresas, los datos se reconocen como una disciplina. Estas organizaciones emplean a un director de datos y los datos no son una ocurrencia tardía ni secundaria a las aplicaciones.

4. Se toma en serio la configuración y la transparencia del AA.

Los errores en la configuración de ML pueden ser costosos, lo que da lugar a esfuerzos desperdiciados y recursos informáticos desperdiciados. Los errores pueden crear problemas de producción. En un taller de ML maduro, los errores manuales son poco comunes, al igual que las omisiones y descuidos en el modelo que generan desperdicio. Los sistemas de AA en estas tiendas son transparentes, con especial énfasis en aquellos casos que tienen el potencial de resultar en pérdidas, daños o perjuicios a la empresa.

Sus modelos son predecibles y consistentes, con resultados auditables y reproducibles. El MMLO comprende que es importante poder volver a ejecutar experimentos y obtener resultados similares. Las configuraciones redundantes y no utilizadas son detectables en los entornos del operador de ML maduro.

5. Las pruebas y el mantenimiento del modelo son necesarios para que los sistemas funcionen bien.

Los operadores de ML maduros llevan sus procesos a un nivel significativamente superior. Los modelos tienen restricciones de acceso. El código, naturalmente, debe probarse, pero está claro para el operador de ML maduro que cierta cantidad de pruebas de datos también es fundamental para un sistema que funcione bien. Los operadores de ML maduros realizan pruebas de datos que monitorean los cambios en la distribución de los datos.

El entorno maduro permite que los objetivos actuales reutilicen los modelos existentes. En lugar de comenzar desde cero, el MMLO puede agregar características para distinguir un nuevo modelo. Los procesos de AA incluyen el uso de un repositorio para modelos y un paquete, implementación, servicio y monitoreo de modelos sólidos.

6. La ética no es una ocurrencia tardía.

Los programas de inteligencia artificial de un MMLO han incorporado marcos éticos y garantizan que la ética y la seguridad sean primordiales. Por ejemplo, aunque es posible que aún no lo hayan perfeccionado, estos programas han tomado medidas para eliminar la posibilidad de uso malintencionado de ML, que podría incluir ataques cibernéticos, despliegue de fuerza físicamente destructiva, invasión profunda de la privacidad o la aplicación de influencia indebida. .

Una palabra final

No hay dos tiendas que tengan exactamente el mismo viaje de ML. Todos comienzan en diferentes puntos y toman un camino tortuoso hacia la madurez. Sin embargo, para la mayoría de las empresas, el nivel de AA descrito aquí, el operador maduro de aprendizaje automático, será necesario en un futuro cercano para la sostenibilidad de la empresa. Se deben tomar medidas ahora para avanzar en la madurez del aprendizaje automático en su organización.

Fuente: William McKnight