Escalando la IA para alcanzar el éxito

Las organizaciones lidian con conjuntos de datos complejos, modelos obsoletos, problemas de seguridad y otros desafíos a medida que escalan la IA. Cuatro habilitadores tecnológicos podrían ayudar a liberar la eficiencia y, al mismo tiempo, reducir los costes. De todo ello hablan Gerry Aue, Pepe Cafferata, Roman Drapeko, Margaux Penwarden y Vaibhav Sinha, de McKinsey & Company, en el informe “Scaling AI for success: Four technical enablers for sustained impact”.
La IA ha emergido como una fuerza transformadora que ha revolucionado las industrias y ha redefinido la forma en la que operan las organizaciones. La cantidad media de capacidades de IA en una organización se ha duplicado en los cinco últimos años. El rápido crecimiento de la IA y el aprendizaje automático (ML) es un testimonio de su inmenso potencial a la hora de impulsar la innovación, aumentar la eficiencia y liberar nuevas fuentes de ingresos para las empresas. Los líderes de las organizaciones con frecuencia prevén poder conseguir una mayor velocidad de comercialización y menores costes con cada caso de uso o aplicación de IA posterior.
Sin embargo, muchas organizaciones tienen dificultades a la hora de lograr mantener este impulso a medida que amplían sus esfuerzos en IA. A menudo hacen frente a complicaciones importantes que provocan plazos de entrega más largos. Muchas organizaciones son capaces de llevar a cabo experimentos de manera exitosa y crear modelos de prueba de concepto, pero tienen problemas a la hora de realizar la transición a modelos listos para la producción. Incluso cuando una organización logra poner en funcionamiento un modelo de aprendizaje automático, el rendimiento del modelo eventualmente se degradará o correrá el riesgo de volverse obsoleto debido a modificaciones en los datos subyacentes o en los requerimientos comerciales. Escalar la IA plantea sus propios riesgos, como la erosión de la productividad, además de que una organización deberá garantizar que mantiene altos estándares de seguridad y el cumplimiento normativo y ético. A medida que los proyectos de IA escalan, los equipos de datos también pueden tener dificultades a la hora de mantener la productividad, debido a la creciente complejidad, la colaboración ineficiente y la falta de procesos y herramientas estandarizados.
A través de su investigación, McKinsey ha identificado cuatro habilitadores tecnológicos que las organizaciones deberían usar para escalar la IA con éxito: incorporar productos de datos como almacenes de características, utilizar activos de código, implementar estándares y protocolos, y aprovechar las capacidades tecnológicas de las operaciones de aprendizaje automático (MLOps). Estos cuatro habilitadores pueden abordar los retos actuales relacionados con la IA, como lo han demostrado múltiples organizaciones con distintos niveles de madurez de datos e IA a través de sus implementaciones exitosas.

Productos de datos: el poder de los almacenes de características
Cuando desarrollan nuevos modelos de aprendizaje automático, los equipos de datos a menudo hacen frente a retos relacionados con la calidad de los datos, su disponibilidad para el desarrollo y el mantenimiento y la monitorización de los modelos.
Los datos pueden contener errores, valores faltantes, sesgos o valores atípicos que afectan a la velocidad del desarrollo del modelo y la calidad del rendimiento del mismo. Además, los datos procedentes de diferentes fuentes pueden ser de difícil acceso e integración, debido a una gestión de datos ineficiente.
Estos retos, en última instancia, incrementan los costes de desarrollo y mantenimiento para las organizaciones y afectan a su capacidad de generar información significativa y procesable a partir de sus datos.
Las organizaciones pueden superar estos desafíos ofreciendo una gama completa de productos de datos. En concreto, el almacén de características ha surgido como un acelerador de la IA. En su condición de mercado centralizado para almacenar, gestionar y compartir características (las señales que tienen en cuenta los modelos de aprendizaje automático), los almacenes de características optimizan el proceso de ingeniería de características y crean coherencia entre los diferentes proyectos. Al proporcionar una plataforma unificada en la que los científicos de datos pueden colaborar y reutilizar las características, los almacenes de características ayudan a eliminar la duplicación de esfuerzos y a acelerar el desarrollo y la implementación de los modelos de aprendizaje automático.