Extracto del libro: IA del mundo real

Este artículo fue adaptado del libro más vendido recientemente, Real World AI, escrito por Alyssa Rochwerger y Wilson Pang. Alyssa es directora de producto en Blue Shield of California y anteriormente se desempeñó como vicepresidenta de producto de Figure Eight (adquirida por Appen), vicepresidenta de inteligencia artificial y datos en Appen y directora de producto en IBM Watson. Wilson es el director de tecnología de Appen y tiene más de diecinueve años de experiencia en ingeniería de software y ciencia de datos, y se desempeñó como director de datos de Ctrip y director senior de ingeniería en eBay.

8 factores para los que debe prepararse al implementar un modelo de IA

La IA es el futuro de las empresas. Así como es casi imposible hoy en día encontrar una empresa sin una estrategia de redes sociales, en unos años será igualmente difícil encontrar una empresa sin una estrategia de inteligencia artificial.

->


Recomendado: ¿Qué es el Big data?.


->

Las herramientas de inteligencia artificial permiten la automatización de muchas tareas diferentes y, cuando se implementan correctamente, pueden ahorrar a las empresas una cantidad significativa de dinero y tiempo.

Sin embargo, la implementación adecuada no es una tarea fácil. Hay muchas trampas potenciales que podrían descarrilar su modelo antes de que despegue. Aquí hay 8 factores importantes a considerar al prepararse para implementar su modelo de IA.

# 1: Disponibilidad de los servicios comerciales básicos

Debe asegurarse de que su modelo de inteligencia artificial no interrumpa los servicios comerciales centrales, incluso durante las actualizaciones o implementaciones.

Si su modelo de IA se utiliza en una aplicación crítica para el negocio o en un producto orientado al usuario final, una interrupción del sistema puede costar mucho dinero. Por ejemplo, cuando Amazon estuvo inactivo durante 30 minutos, teóricamente costaba $ 66,240 por minuto, o casi $ 2 millones.

En el nivel más fundamental, su modelo de IA está destinado a beneficiar a la empresa, mejorando la experiencia del cliente, aumentando la eficiencia, generando más ingresos, etc. Si interrumpe los servicios empresariales centrales, estará trabajando directamente en contra de sus objetivos.

# 2: rendimiento y velocidad

También considere el rendimiento de su modelo de IA. No solo debe funcionar bien; también debe funcionar rápidamente.

Para la mayoría de los sistemas de producción, cuanto más rápida es la velocidad del sitio, mayor es la tasa de conversión de usuarios. Walmart descubrió que por cada mejora de un segundo en los tiempos de carga de la página, las conversiones aumentaban en un 1 por ciento. Otra empresa, COOK, aumentó las conversiones en 7 por ciento reduciendo el tiempo de carga de la página en 0,85 segundos.

Nadie quiere usar un producto lento. Por lo tanto, antes de implementar su modelo de IA, asegúrese de que esté funcionando bien, a una velocidad que no ralentice significativamente su producto.

# 3: escalabilidad

Cuando lanza por primera vez un modelo de IA, es inteligente comenzar con poco, pero debe prepararse para la escalabilidad futura.

¿Cuánto tráfico puede manejar su modelo de IA ahora? ¿Cómo maneja un aumento en la demanda: escalar, escalar?

Debe considerar cuántos usuarios utilizarán su producto, que es compatible con su modelo de IA. Más importante aún, si la base de usuarios aumenta en el futuro, considere cómo su modelo de IA continuará respaldando ese aumento, tanto en términos de rendimiento como del costo de la potencia computacional.

# 4: Agujeros en sus datos

A menudo, descubrirá agujeros en sus datos una vez que ponga un modelo de IA en producción. Si esto sucede, tendrá que buscar datos para llenar los huecos o reducir el alcance del modelo.

Por ejemplo, la IA se utilizó durante los incendios forestales de California de 2018. El modelo de inteligencia artificial se entrenó con datos históricos, pero los incendios pasados ​​no tienen una relación directa con los incendios futuros, por lo que el modelo no pudo predecir los incendios. Este vacío de datos era imposible de llenar, por lo que redujeron el alcance del modelo a predicciones de nivel inferior de cómo se podrían propagar los incendios, lo que ayudó a controlar los daños y ayudó a salvar vidas y propiedades.

# 5: Entradas inesperadas

Una vez que lanza una solución de IA a la naturaleza, es posible que las personas le den información que no anticipó.

Si su aplicación de inteligencia artificial responde a los comentarios, esto podría generar resultados que no desea, como cuando 4chan convirtió a Tay, el chatbot de Microsoft, en un racista en menos de un día.

Las entradas inesperadas también pueden crear problemas de seguridad. Por ejemplo, Siri y Alexa no fueron diseñadas para manejar información confidencial y segura, pero si alguien les pide que recuerden una tarjeta de crédito o un número de seguro social, lo harán, lo que crea un riesgo de seguridad.

Esté atento a las entradas inesperadas y adáptese según sea necesario.

# 6: Problemas de cumplimiento

Los problemas de cumplimiento a menudo surgen una vez que se implementa un modelo de IA.

Incluso si los riesgos de cumplimiento parecen ser bajos, vale la pena revisar el plan con los abogados mucho antes de comenzar la producción. Podrían descubrir fácilmente algo que podría haber desechado todo su proyecto, dándole la oportunidad de lidiar con él.

Asegúrese de revisar periódicamente los posibles problemas de cumplimiento. En algunos casos, las leyes pueden cambiar según su modelo. Por ejemplo, los derechos de uso que tiene sobre sus datos pueden cambiar.

Cuanto antes se prepare para los problemas de cumplimiento, antes podrá enfrentarse a ellos.

# 7: seguridad

Si su sistema está disponible de alguna forma pública, tendrá que protegerse de los malos actores.

Los spammers han ideado formas inteligentes de engañar a los modelos de aprendizaje automático diseñados para filtrarlos y dejar pasar sus correos electrónicos. Trate de limitar la cantidad de sondeos que pueden hacer los malos actores, por ejemplo, limitando la velocidad de las solicitudes de la misma IP o cuenta o requiriendo que el usuario resuelva un CAPTCHA si realiza solicitudes frecuentes.

Las personas con malas intenciones intentarán todo tipo de cosas para derrotar su modelo, por lo que la seguridad es una batalla constante.

# 8: adaptabilidad

La IA no es algo que se haga de una sola vez. Los modelos de IA deben ser monitoreados y entrenados continuamente, y la adaptabilidad es importante.

Asegurarse de que su sistema pueda adaptarse a información novedosa y una realidad cambiante garantiza que sea sostenible y tenga una vida útil más larga que el tiempo que tomó entrenarlo. El mundo se mueve rápido; lo que era cierto hace dos semanas puede que ya no lo sea.

La adaptabilidad es clave para un negocio sostenible a largo plazo. Su empresa necesita incorporar nuevas ideas o diferentes comportamientos de los clientes a medida que evolucionan, lo que naturalmente también debe reflejarse y traducirse en sus modelos de IA.

Suscríbase al boletín gratuito insideBIGDATA.

Únase a nosotros en Twitter: @ InsideBigData1 – https://twitter.com/InsideBigData1