Desde que me lancé a ofrecer servicios de consultoría en implementación de soluciones de Inteligencia Artificial (IA) y Machine Learning (ML) he podido conversar con varios empresarios interesados en el tema, y una pregunta que casi siempre me hacen es qué tipo de personas necesitan para implementar estas soluciones en sus empresas. Aunque hay también quien me dice que ya tienen analistas de datos, o data miners, o incluso data scientists creando modelos. Pero es importante tener en cuenta que implementar un proyecto de IA y/o ML en una empresa es muy similar a implementar cualquier sistema de tecnología de información.
La verdad es que, a menos que lo que se pretenda sea trabajar de forma artesanal, sacando datos a requerimiento cada mes, no se puede implementar un proyecto de AI o ML solo con analistas, ni solo con ingenieros, ni sin expertos en el negocio. Pensar que porque se tiene analistas capaces de hacer modelos ya se tiene IA en la empresa es como creer que si contratas a un banquero vas a tener un cajero automático en el lobby del edificio.
En nuestra experiencia con los clientes de Fast2ai, la implementación de estas soluciones sigue un ciclo en el que se debe analizar lo que se requiere desde el punto de vista del negocio, compilar los datos para los modelos, estimarlos, implementarlos, y garantizar que los resultados generen beneficios tangibles para la empresa.
El proceso se debe comenzar involucrando a los expertos en las áreas en que se está implementando la solución, ya sea mercadeo, recursos humanos, finanzas u otras. Sin este conocimiento del negocio lo más probable es que los modelos que se implementen no sirvan de mucho. Una vez claro el objetivo del proyecto, las variables que va a afectar, y cómo medir los resultados, entran en juego los ingenieros de sistemas en conjunto con los analistas de datos para determinar la información que se tiene y transformarla a un formato que permita estimar los modelos. Esta etapa de obtención y preparación de datos es de las más importantes en todo el proyecto, ya que en IA como en todas las ciencias que dependen de datos, la ley de “garbage in, garbage out” es inmutable e inviolable.
En la etapa siguiente, cuando ya se tiene la data disponible, y que la misma es consistente y de buena calidad, les llega el momento de gloria a los analistas en todas sus variantes (data miners, data scientists, ingenieros en Machine Learning o Inteligencia Artificial, etc.). Los datos se analizan, se corrigen errores, se crean nuevos indicadores que mejoren las predicciones, se estandarizan, y se aplican varios tipos de masajes más para que la información se pueda modelar. Luego se le utilizan algoritmos de regresión, clasificación, segmentación, o reinforcement learning, según el problema a modelar, y se escoge el modelo que mejor predice.
Una vez que se tiene el modelo ganador, comienza la etapa de implementación e integración con los demás sistemas del negocio, que es tarea de ingenieros de sistemas en conjunto con los expertos en el negocio. Ya sea que se cree una aplicación, o que se integre el modelo en otra aplicación o sistema existente, esta tarea la desempeña un equipo de implementación de software, que debe incluir analistas de negocio, arquitectos de sistemas y/o programadores, especialistas en seguridad, usuarios finales, consultores externos, etc.
Implementar un proyecto de Inteligencia Artifcial en una empresa es, por lo tanto, muy similar a implementar cualquier sistema informático para el negocio, pero que incluye en el equipo de trabajo a analistas de datos. Tener analistas de datos es una condición necesaria, pero para nada suficiente, para implementar IA y ML en su empresa, pero es un primer paso muy útil para avanzar por esa vía.
