Guía para realizar una prueba de concepto exitosa en IA

Actualmente vivimos en una era en la cual la innovación es imparable. Las nuevas tecnologías nos han permitido imaginar productos y servicios que antes ni soñábamos llegaran a existir. Sin embargo, a veces estas ideas no siempre se pueden llevar a cabo. Por otra parte, también puede que no sean útiles o rentables. Es aquí donde entran en juego las pruebas de concepto. El objetivo principal de una prueba de concepto es validar una hipótesis o idea antes de invertir tiempo, recursos y dinero en su implementación a gran escala.  En la actualidad el término prueba de concepto se utiliza menos y su denominación actual es MVP (producto mínimo viable). Una MVP puede ayudar a identificar posibles problemas técnicos a determinar si la idea puede funcionar en la práctica y a evaluar si es una opción viable para la empresa. Aquí una guía sencilla y completa para realizar una prueba de concepto.

PASO 1: IDENTIFICAR QUÉ PROBLEMA SE DESEA ABORDAR CON IA

Es esencial especificar qué es exactamente lo que se desea lograr mediante la implementación de MVP de inteligencia artificial. El caso de uso seleccionado debe ser de gran valor y representar algo que pueda abordar mejor con esta tecnología. Si se tienen dudas, un buen lugar para comenzar es investigar para qué cosas otros en su misma industria están utilizando soluciones de IA. Otra forma de proceder es investigar los problemas a los que se enfrenta y compararlos con el potencial de la IA.

PASO 2: PREPARAR LOS DATOS

Ahora que el problema está claramente definido, es hora de agregar y preparar los datos de entrenamiento para los algoritmos de IA.

1. Comprobar qué datos están disponibles para su uso dentro de la empresa.
2. Generación de datos semisintéticos utilizando aplicaciones específicas listas para usar o una propia solución.
3. Compra de conjuntos de datos de proveedores confiables.
4. Uso de datos de fuente abierta.
5. Contratar personas para desechar los datos que se ajusten al propósito.

Antes del siguiente paso hay que recurrir a los científicos de datos para que puedan lograr los resultados deseados con los conjuntos de datos existentes.

6. Cuando los datos estén listos para su uso, se deben dividir en tres conjuntos:
-Conjunto de entrenamiento, que el modelo usará para aprender.
-Conjunto de validación para validar el modelo e iterar en el entrenamiento.
-Conjunto de prueba que evaluará el rendimiento del algoritmo.

PASO 3: DISEÑAR, CONSTRUIR O COMPRAR SOLUCIÓN

Probablemente surja la pregunta si se debe construir el modelo uno mismo o puede adquirir una solución existente. Aquí es cuando tiene sentido crear un modelo de IA desde cero:

1. Su solución no es innovadora y no se ajusta a un estándar existente.
2. Las soluciones listas para usar son costosas de personalizar.
3. El modelo estándar más cercano es una exageración, y hace mucho más de lo que realmente necesita.

Si se decide construir el algoritmo de IA desde cero, esto dará más control sobre la precisión. Llevará más tiempo completar la tarea, pero se adaptará al problema empresarial y a sus procesos internos. No se necesitará realizar cambios en el sistema para adaptar el software externo.

PASO 4: EVALUAR EL POTENCIAL DE PRUEBA PARA GENERAR VALOR

Este paso consiste en evaluar si la MVP de IA puede cumplir con las expectativas. Hay varias formas de realizar la evaluación:

1. Vuelva a sus indicadores clave de rendimiento (KPI) y pruebe la solución con ellos. Estos factores pueden incluir la precisión, la satisfacción del cliente, la velocidad, la flexibilidad, la equidad y la seguridad.

2. Recopile datos sobre cómo funcionaba su sistema antes de la implementación de la prueba de concepto de IA. Esto incluiría el tiempo dedicado a una tarea manual en particular, y la cantidad de errores. A continuación, debe usar la información para evaluar el impacto de la MVP. Aquí tiene dos tareas importantes que realizar:

3. Compare el rendimiento de la solución con otros productos que se consideran el punto de referencia para este tipo de problemas o la industria. Por ejemplo, un punto de referencia para problemas relacionados con la clasificación de imágenes sería un modelo que brinde resultados precisos en conjuntos de datos populares, como ImageNet.

4.Realice un análisis de costo-beneficio para comprender el impacto financiero de esta solución en la organización.

PASO 5: ITERAR LA PRUEBA PARA OBTENER MEJORES RESULTADOS O AMPLIARLA

Si los resultados que recibió en el paso anterior no estuvieron a la altura, podría considerar modificar la solución e iterar todo el proceso. Puede realizar cambios en el algoritmo ML y medir el rendimiento con cada ajuste. Si está satisfecho con el rendimiento de AI MVP, puede trabajar para escalarlo en diferentes direcciones. Aquí están algunos ejemplos:

1. Aplicar la MVP a otros casos de negocio. Busque otras aplicaciones de esta nueva solución dentro de su negocio. Por ejemplo, si está probando la IA como una aplicación de mantenimiento predictivo, puede intentar aplicarla a otros escenarios relacionados.

2. Escalar la infraestructura. Revise la tecnología utilizada para ejecutar este software. ¿Puede dedicar más potencia de procesamiento o más capacidad de almacenamiento de datos? Tales modificaciones le permitirán utilizar más datos, disminuir la latencia y tal vez entregar resultados en tiempo real. También minimizará la posibilidad de cuellos de botella en el futuro.

3. Optimice la solución MVP de IA. Aunque ya obtuvo resultados razonables en el paso anterior, podría valer la pena buscar formas de mejorar la precisión. Puede seguir entrenando sus algoritmos utilizando datos nuevos, datos etiquetados con mayor precisión, etc. O incluso puede experimentar implementando ajustes y cambios para lograr mejores resultados.