Se precisan diferentes conjuntos de habilidades para llevar a cabo las diversas tareas que componen un flujo de trabajo de aprendizaje automático. Los proyectos de IA y AA dependen en gran medida de la cantidad, la calidad y el tipo de datos disponibles para fundamentar un problema en particular. A menudo, la motivación de un proyecto es la especulación de que los datos disponibles podrían ser útiles para resolver un problema concreto o mejorar la respuesta ante este.

Es posible que sea necesario llevar a cabo un nivel de exploración e investigación para responder preguntas tales como las siguientes:

A medida que responda a estas preguntas, puede determinar que un abordaje más tradicional sería mejor que usar IA/AA o puede confirmar las ventajas de usar IA/AA en el proyecto. El trabajo en la etapa de exploración e investigación demanda que usted opere como un investigador o científico de datos, o un profesional que es responsable de recopilar, analizar e interpretar cantidades sumamente grandes de datos.

Los conocimientos especializados en el dominio significan saber y comprender un tema o campo de estudio específico. Cuando se considera la experiencia de dominio para proyectos de aprendizaje automático, el tipo de experiencia de dominio depende del objetivo del proyecto y el problema que está intentando resolver.

Los expertos en dominios pueden ayudar a reconocer el problema para el aprendizaje automático mediante la identificación de áreas donde el análisis de datos y las estimaciones pueden ser más útiles y también pueden ayudar en otras partes del proceso al:

Una vez que haya completado la fase de investigación e identificado el método para resolver el problema y, cuando llegue el momento de implementar el modelo en una solución a largo plazo, es posible que necesite algunos conjuntos de habilidades de desarrollo de software o TI más tradicionales para continuar. En este punto del proyecto, debe responder a preguntas como:

Poner en marcha una solución de aprendizaje automático puede implicar:

También será necesario tomar decisiones sobre cómo implementar la solución, almacenar los datos para ella y si se debe usar hardware local o recursos basados en la nube.

Los modelos de aprendizaje automático se entrenan mediante el uso de datos históricos, lo que permite al modelo terminado realizar predicciones sobre el futuro. Si bien a menudo se dice que "la historia se repite", esto no siempre es cierto en el aprendizaje automático. Con el tiempo, podría ser más apropiado decir "el futuro no es lo que solía ser". Los modelos de aprendizaje automático pueden volverse menos efectivos al trabajar con nuevos conjuntos de datos por causa de la desviación del concepto, un proceso que puede ocurrir cuando los patrones que se utilizaron inicialmente para entrenar un modelo de aprendizaje automático cambian con el tiempo y el modelo ya no funciona de manera correcta con los nuevos datos.

Por ejemplo, un modelo puede predecir las emisiones de carbono en función de los patrones de tráfico alrededor de una región del país. Con el tiempo, a medida que las poblaciones crecen y se reducen en la región y opciones como trabajar o estudiar desde casa se vuelven más disponibles, estos cambios pueden resultar en que el modelo cree predicciones menos precisas a medida que transcurre el tiempo. En esencia, la efectividad del modelo puede decaer en la medida que el concepto que intenta predecir cambia con el paso del tiempo.

Es posible que no siempre se pueda predecir cuándo un modelo estará sujeto a la desviación del concepto, pero siempre debe considerar esta posibilidad al planear cómo se mantendrán los modelos en proyectos donde un modelo de aprendizaje automático se integra a una solución de software a largo plazo.

En algunos casos, puede dedicar mucho tiempo y recursos a desarrollar y refinar modelos como los modelos de redes neuronales que se utilizan para las tareas de visión artificial y procesamiento del lenguaje natural (PLN). Tal vez necesite desarrollar un nuevo modelo para resolver un problema similar. O es posible que tenga que actualizar un modelo antiguo, quizás uno que ya no funciona de manera óptima por la desviación del concepto.

En lugar de empezar de nuevo desde cero, podría comenzar la nueva tarea basándose en el modelo anterior. El uso de un modelo de aprendizaje automático anterior como base para un nuevo modelo se llama aprendizaje por transferencia. Con este enfoque se puede acelerar el proceso de entrenamiento y mejorar el rendimiento de su modelo nuevo.

Después de formular el problema que intenta resolver con IA y el aprendizaje automático y de haber reunido un equipo de personas con conocimientos de ciencia de datos, dominio y TI para ejecutar el proyecto, debe definir qué es el éxito del proyecto y esta definición debe ser mensurable. En su forma más simple, su medición del éxito debe describir qué tan bien su solución aborda o resuelve el problema formulado.

Por ejemplo, si el objetivo del software de reconocimiento facial es poder desbloquear de manera confiable el teléfono de una persona mediante el uso de la cámara frontal, debe rastrear la frecuencia con la que el teléfono realiza la tarea con éxito y la frecuencia con la que produce un error. En este caso, el proyecto podría considerarse exitoso si el teléfono nunca se desbloquea para una persona que no es el propietario y se desbloquea para su propietario al menos el 75 % de las veces.

Los proyectos de IA y AA pueden implicar mucho riesgo. Estos proyectos a menudo se construyen con datos que pueden contener información personal, privada y legalmente protegida y los resultados de estos proyectos pueden tener consecuencias personales, cívicas y legales para las personas o poblaciones que se están analizando. Los riesgos pueden incluir cualquiera de los siguientes:

Debido a que los riesgos pueden afectar a tantas personas y entidades de tantas maneras, mitigarlos es una práctica generalmente aceptada. La mitigación es la práctica de reducir la gravedad de algo.
Algunas formas de mitigar los riesgos en los proyectos de IA y AA incluyen:

Los miembros clave del equipo del proyecto deben revisar el proyecto regularmente a medida que avanza para evaluar los riesgos y garantizar que se adopten las medidas adecuadas para mitigarlos.

Cuando trabaja con IA y AA, quizás no participe directamente en el aspecto de gestión de alto nivel del proyecto. Sin embargo, es probable que aún necesite participar o al menos comprender los componentes clave del proyecto. Uno de esos componentes es el ámbito del proyecto. El ámbito hace referencia a una descripción de todos los aspectos del proyecto, incluidas las restricciones, las limitaciones o los límites establecidos en el proyecto para ayudar a definirlo.
El ámbito de un proyecto se define cuando comienza el ciclo de vida del proyecto. En un contexto de ciencia de datos, esto puede incluir:

Debe contemplar estos tipos de limitaciones cuando defina el ámbito del proyecto.