Las iniciativas que utilizan el aprendizaje automático no pueden tratarse de la misma manera que los proyectos que involucran software tradicional. Se deben tomar medidas rápidamente para que pueda probar las cosas, solucionar el problema y volver a intentarlo. En otras palabras, debe poder fallar rápidamente y hacerlo al principio del proceso. Esperar hasta más adelante en el proceso para descubrir problemas puede ser muy costoso y llevar mucho tiempo.
La IA necesita un nuevo enfoque
Al desarrollar software utilizando métodos tradicionales, utiliza la lógica de decisión. Para ser lo más preciso posible, contiene lógica que permite que el software funcione correctamente.
Por lo general, no se requieren cambios después de que se desarrolla la lógica de la aplicación, a excepción de las correcciones de errores. Este es un proceso de desarrollo muy metódico; gradualmente se asegura de que cada paso del proceso sea preciso antes de pasar al siguiente paso. Esta es una estrategia probada y verdadera que ha demostrado consistentemente su efectividad para el desarrollo de software.
Sin embargo, no puede usar la misma estrategia para proyectos de IA/ML porque simplemente no funcionará. En cambio, debe tener la capacidad de iterar rápidamente y con frecuencia para tener éxito en los proyectos de ML. Dado que ML requiere capacitación inicial y es un proceso, debe tener en cuenta que no es preciso la primera vez que lo implementa.
Este proceso requiere múltiples iteraciones. La realidad es que su primer modelo encontrará resultados inesperados el 99 % de las veces. Incluso si pasa meses entrenando su modelo en el laboratorio, sin duda cambiará una vez que encuentre tráfico y datos del mundo real.
No busques la perfección instantánea
Por lo tanto, para probar su modelo y determinar qué modificaciones deben realizarse, debe poder ponerlo en producción rápidamente. Luego puede hacer cualquier ajuste, volver a colocarlo y refinarlo. Por esta razón, no debe esforzarse demasiado para que su modelo sea perfecto antes de probarlo en producción. El primer intento no será perfecto, y nadie debe esperar que lo sea.
A medida que el modelo evoluciona en el laboratorio, la mejora adicional del 92 % al 95 % de precisión puede no ser significativa para algunos casos de uso. ¿Por qué no? Solo una fracción de los datos de entrenamiento se utiliza para entrenar su modelo de IA. Puede terminar gastando mucho tiempo y dinero para lograr una mayor precisión mientras renuncia a las ventajas que su modelo podría brindarle.
Fuente: america-retail.com