Construir una base sólida de Machine Learning en su Organización

ML en el mundo de hoy

Al rededor del mundo una gigantesca obsesión por el aprendizaje automático (Machine Learning) e Inteligencia Artificial se ha apoderado en las organizaciones, en todas las áreas de la tecnología, las comunidades, los gobiernos  y la sociedad en general, y es comprensible. Por ejemplo Emiratos Arabes Unidos a hoy ya tiene un Ministerio de IA.

ML en las grandes Empresas

Los productos y servicios habilitados para el aprendizaje automático pueden presentar innumerables beneficios para una organización con un área especializada en ML, entre ellos la capacidad de aprovechar grandes extensiones de datos para hacer que las tareas tediosas anteriormente sean más fáciles y eficientes.

ML en las pequeñas y medianas Empresas

En la organizaciones pequeñas y medianas existe una carencia de especialistas y un área dedicada a I+D, dicha carencia se presenta aún más en países latinoamericanos.

ML en la implementación 

Tener una base sólida para el ML del mundo real es un factor determinante del éxito para las nuevas iniciativas, y es un área emocionante de investigación e ingeniería, pero la implementación del ML incluso puede ser un desafío para las organizaciones con una sólida capacidad de ingeniería, y puede haber trampas e ideas erróneas en los "intentos de dar el salto entre la investigación de aprendizaje automático y el aprendizaje automático en entornos de producción".

ML y la infraestructura de TI

Un aspecto frecuentemente ensombrecido y a menudo menospreciado para hacerlo bien es la infraestructura que permite una investigación sólida y bien administrada y sirve a los clientes en aplicaciones de producción.
Una palanca clave para establecer las bases de un programa exitoso de ML es "construir una cultura y una atmósfera" que le permita probar estos esfuerzos a gran escala: acelerando la tasa de experimentación científica en el camino hacia la producción y, en última instancia, hacia el valor comercial.
La nube es una parte integral de estos esfuerzos, y puede permitir que los equipos desarrollen e implementen modelos de ML precisos y bien gobernados en entornos de producción de alto volumen. Más allá de los despliegues de producción, una infraestructura sólida allana el camino para las pruebas a gran escala de modelos y marcos de trabajo, permite una mayor exploración de las interacciones de las herramientas de aprendizaje profundo, y permite a los equipos incorporar rápidamente nuevos desarrolladores y garantizar que los futuros cambios de modelo no se hayan enmascarado efectos.

En el siguiente post se describe algunas pautas tácticas y de procedimiento para establecer las bases para llevar el aprendizaje automático efectivo a la producción en toda su empresa a través de la integración / implementación de modelos automatizados (ML).

Siguiente: http://ai.inxeon.com/2019/08/implementacion-de-modelos-de-machine-learning.html