Planificación de un flujo de trabajo del aprendizaje automático

¿Cómo podría traducir una instrucción como "Necesitamos mejorar la precisión en nuestro proceso" en un problema que pueda resolver a través de IA/AA?

Como profesional de la IA, desarrollará el conocimiento y la experiencia necesarios para determinar qué tipos de problemas se pueden resolver a través de IA/AA. Pero es posible que no siempre tenga conocimiento de dominio en el área donde se va a aplicar IA/AA. Comience por solicitar ayuda a aquellos más familiarizados con los procesos relevantes. A medida que los propietarios de procesos comparten lo que saben, debe reconocer las situaciones en las que IA/AA pueden desempeñar una función. Por ejemplo, si el proceso implica examinar los productos fabricados para ver si son defectuosos, una solución de visión artificial basada en IA puede ser capaz de aumentar drásticamente la precisión mediante la realización de una inspección visual cercana de los productos y verificar que están dentro de las especificaciones requeridas.

¿Cómo debería proceder?

El aprendizaje automático depende de los datos. Tener datos insuficientes a menudo provoca un rendimiento deficiente en un proyecto de aprendizaje automático. En algunos casos, puede trabajar con datos faltantes o incompletos. Por ejemplo, si la cantidad de datos que faltan es relativamente pequeña, es posible que pueda agregar a los datos o inventar valores para reemplazar los datos que faltan, pero necesita tener una cantidad razonable de datos buenos para empezar. La falta de datos buenos puede comprometer la calidad de los resultados, lo que lleva a una predicción menos precisa. Pero puede permitir algún acuerdo sobre la calidad de los resultados si los datos irregulares son un problema. Es posible que pueda utilizar un enfoque más simple que no sea tan preciso como un enfoque más complejo que requiera más datos. Además, hay formas de emplear varios algoritmos de AA para encontrar uno que compense mejor las pequeñas cantidades de datos o los conjuntos de datos irregulares. Otra opción es encontrar formas de obtener los datos que faltan. Por ejemplo, buscar un conjunto de datos público de código abierto o formar una asociación con otras organizaciones que tengan datos relevantes que pueda usar. También puede generar los datos mediante la realización de encuestas y grupos de enfoque. Por último, el flujo de trabajo de AA es iterativo. Si los datos que tiene no le permiten resolver el problema exactamente como lo formuló en un principio, es posible que pueda resolver un problema similar que produciría el mismo resultado final. Al reconsiderar la forma en que define el problema, podría llegar a una solución que pueda ser compatible con los datos que tiene.