Los beneficios de una implementación sólida de Machine Learning en su Organización

Cosechando los Beneficios

Una vez que los componentes técnicos están en su lugar, es fundamental asegurarse de que se establezcan los protocolos y prácticas adecuados para continuar cosechando los beneficios de una base ML bien diseñada.

ML y área de gobernanza

Un área es la gobernanza de modelos. Esto cubre todo, desde preocupaciones éticas hasta requisitos reglamentarios. Debe intentar hacer que el proceso de gobernanza sea lo más sencillo posible. Del mismo modo, el seguimiento histórico es otro componente clave aquí y ayuda a mitigar la deriva temporal. El seguimiento del modelo a lo largo del tiempo es difícil y requiere datos temporales detallados; un marco de registro de modelo distribuido, como una herramienta interna que pueda ayudar a realizar un seguimiento del historial de capacitación, pruebas e implementación de su modelo.

ML y seguimiento histórico de modelos

Con el seguimiento histórico, los umbrales de re entrenamiento y pérdida son proporcionados por el usuario y se utilizan para actualizar automáticamente los modelos con el tiempo. A su vez, esto conduce a una reproducibilidad más perfecta del modelo, la capacidad inmediata de generar modelos históricos para la validación contra las condiciones de datos actuales, y una comprensión sólida de dónde se ha producido el desvío junto con las áreas que ha afectado. Además, la práctica de la retención de conocimientos diarios mitiga la pérdida de contexto, y garantiza que, aunque los modelos se vuelvan a entrenar y se publiquen automáticamente en función del tiempo, los cambios al código subyacente y las actualizaciones simples se identifican fácilmente.

ML y la carga para desarrolladores

La carga de trabajo para los desarrolladores de modelos aquí es triple:

• Se requiere la creación de prueba explícita. Esto requiere configuraciones para variables como el período de tiempo de los datos para el entrenamiento y la selección de hiperparámetros. No pretende detener el error humano, pero es un costo amortizado a lo largo del tiempo.
• Las definiciones de éxito / precisión deben definirse de antemano. Esta es una cuestión de rango para la variación del modelo a lo largo del tiempo, definida como un compromiso entre los requisitos comerciales y las limitaciones técnicas.
• Se requiere conocimiento del lenguaje de implementación del modelo. Si bien este es un obstáculo técnico, permite definiciones de prueba muy permisivas.

Conclusiones 

Para democratizar el aprendizaje automático y aprovechar al máximo su potencial, las organizaciones deben poder hacer experimentos repetibles y verificados automáticamente.
La configuración de este entorno fundamental es lo que nos permite desarrollar algoritmos fascinantes que ofrecen valor a escala, y también se pueda reproducir en cualquier organización.

Referencias:

https://zemsaniaglobalgroup.com/machine-learning-en-la-empresa/
https://machinelearnings.co/building-a-foundation-for-machine-learning-across-your-organization-7921809163d0