Los libros de IA suelen ser extremadamente técnicos, llenos de Python y ecuaciones matemáticas, o demasiado generales, sin suficiente información procesable.

Pero un nuevo libro llamado Real World AI: A Practical Guide for Responsible Machine Learning no encaja en ninguna de las dos categorías. Una vez más, los autores incluyen a Alyssa Simpson Rochwerger, directora de productos de Blue Shield of California, así como a Wilson Pang, director de tecnología de Appen. En otras palabras, ambos tienen experiencia en el mundo real de la explotación de la IA. También evitan escribir en complicada jerga de IA.

Entonces, ¿cuáles son las principales conclusiones de este libro? Bueno, hay bastantes. Pero echemos un vistazo a algunos que se destacan:

Estrategia de IA: Sí, puede parecer difícil para muchas empresas, especialmente las más pequeñas, iniciar una. Pero es una muy buena idea empezar. Estas son algunas de las preguntas a considerar: ¿Qué tipo de datos tiene? ¿Qué procesos se pueden automatizar? ¿Dónde hay áreas donde se pueden reducir los costos? ¿Cómo pueden ayudar las predicciones?

Sin duda, estos requieren una estrategia general. La buena noticia es que no es necesario crear un documento detallado. Incluso un PowerPoint con menos de diez diapositivas debería ser suficiente.

Precisión: Esto es ciertamente importante porque la IA se trata de probabilidades. Por lo tanto, desea asegurarse de que un modelo se basa en resultados sólidos. Y este es ciertamente el caso de áreas como la detección de fraudes o el diagnóstico de cáncer.

Sin embargo, la precisión tampoco lo es todo. El hecho de que un modelo sea preciso no significa que sea bueno. Seamos realistas, si el resultado es que conduce a la discriminación o la inequidad, entonces se debe reevaluar un modelo.

La precisión también puede inducir a error. Por ejemplo, supongamos que ha creado un modelo que predice si una persona tiene cáncer cerebral, y tiene una precisión del 99%. Suena bien, ¿no? No necesariamente. La razón es que el cáncer de cerebro afecta a menos del 1% de la población. Entonces, si un modelo dice «No» la mayor parte del tiempo, será correcto.

Es por esto que la precisión tiene varios enfoques y niveles, como el uso de falsos positivos y verdaderos positivos.

Entendiendo la IA: Ciertamente, no es necesario ser un científico de datos para ser eficaz con la IA. Pero aún debe comprender las limitaciones y los casos de uso de esta tecnología.

La ironía es que la IA no suele ser la solución adecuada a un problema. Por lo general, lo mejor es un enfoque simple. Por lo tanto, antes de lanzarse a un proyecto de IA, asegúrese de concentrarse en los tipos correctos de problemas. A menudo, estos son lugares donde hay una gran cantidad de datos que pueden proporcionar correlaciones efectivas.

Concentrarse: En un proyecto de IA, un error común es exagerar. Se trata de hervir el océano.

Sin embargo, el mejor enfoque es comenzar poco a poco y concentrarse en objetivos claros y mensurables. Por ejemplo, puede usar IA para reducir el tiempo de resolución de casos, no intentar automatizar todas las solicitudes al centro de llamadas.

Según el libro, “El mejor problema de Ricitos de Oro es lo suficientemente pequeño como para que puedas resolverlo rápidamente. Problemas que implican clasificar algo en uno o dos compartimentos: solicitud de restablecimiento de contraseña, ¿sí o no? – son excelentes candidatos. Por lo general, es bastante fácil para las personas razonables ponerse de acuerdo sobre este tipo de clasificaciones. «

Tomás (@ttaulli) es asesor / miembro de la junta de nuevas empresas y autor de Conceptos básicos de inteligencia artificial: una introducción no técnica, El manual de automatización de procesos robóticos: una guía para implementar sistemas RPA y Implementación de sistemas de inteligencia artificial: transforme su negocio en 6 pasos. HTambién hemos desarrollado varios cursos en línea, como para el COBOL y Pitón Lenguajes de programación.