DESARROLLO DE PROYECTOS DE IA:

CÓMO DEBEN PREPARARSE LOS

AUDRIUS ZUJUS

Como gerente de proyectos, probablemente haya participado en una serie de proyectos de TI a lo

largo de su carrera, que abarcan estructuras monolíticas complejas para aplicaciones web SaaS.

Sin embargo, con el avance de la inteligencia artificial y el aprendizaje automático, nuevos

proyectos con diferentes requisitos y problemas están llegando al horizonte a una velocidad

rápida.

Con el auge de estas tecnologías, se está volviendo menos “agradable de tener” y, en cambio,

esencial para que los gerentes de proyectos técnicos tengan una relación saludable con estos

conceptos. Según Gartner, para 2020, AI generará 2,3 millones de empleos, superando los 1,8

millones que eliminará, generando $ 2.9 billones en valor comercial para 2021. El CEO de

Google llega a decir que "la IA es una de las cosas más importantes en las que la humanidad está

trabajando. Es más profundo que [...] la electricidad o el fuego".

Con aplicaciones de inteligencia artificial que ya están alterando industrias que van desde las

finanzas hasta la atención médica, los PM técnicos que pueden aprovechar esta oportunidad
1
deben comprender cómo la gestión de proyectos de IA es distinta y cómo pueden prepararse

mejor para el panorama cambiante.

Lo que todo significa: AI vs. ML

Antes de profundizar, es importante tener una comprensión sólida de lo que realmente es la IA.

Con muchos términos diferentes que a menudo se usan indistintamente, veamos primero las

definiciones más comunes.

La progresión de la IA, el aprendizaje automático y el aprendizaje profundo

INTELIGENCIA ARTIFICIAL (IA)

La IA es un campo de la informática dedicada a resolver problemas que de otro modo

requerirían inteligencia humana, por ejemplo, reconocimiento de patrones, aprendizaje y

generalización.

Este término se ha usado en exceso en los últimos años para denotar inteligencia artificial

general (AGI) que se refiere a programas informáticos conscientes de sí mismos, capaces de

cognición real. Sin embargo, la mayoría de los sistemas de inteligencia artificial en el futuro

2
previsible serán lo que los informáticos llaman "inteligencia artificial limitada", lo que significa

que estarán diseñados para realizar una tarea cognitiva realmente bien, en lugar de realmente

"pensar" por sí mismos.

APRENDIZAJE AUTOMÁTICO (ML)

El aprendizaje automático es un subconjunto de inteligencia artificial que utiliza técnicas

estadísticas para dar a las computadoras la capacidad de aprender de los datos sin ser

programados explícitamente.

AI y ML han sido utilizados indistintamente por muchas empresas en los últimos años debido al

éxito de algunos métodos de aprendizaje automático en el campo de la IA. Para ser claros, el

aprendizaje automático denota la capacidad de un programa para aprender, mientras que la

inteligencia artificial abarca el aprendizaje junto con otras funciones.

Para obtener más información sobre las redes neuronales y el aprendizaje profundo, consulte el

apéndice al final de este artículo.

Una distinción importante: IA versus algoritmos estándar

Una conclusión clave de la IA es que sus algoritmos usan una gran cantidad de datos para

ajustar su estructura interna de modo que, cuando se presentan nuevos datos, se clasifican de

acuerdo con los datos previos proporcionados. Llamamos a esto "aprendizaje" de los datos en

lugar de operar de acuerdo con las instrucciones de categorización escritas estrictamente en el

código.

3
Imagine que queremos escribir un programa que pueda diferenciar los automóviles de los

camiones. En el enfoque de programación tradicional, intentaríamos escribir un programa que

busque características específicas e indicativas, como ruedas más grandes o un cuerpo más

largo. Tendríamos que escribir código que defina específicamente cómo se ven estas

características y dónde deben encontrarse en una foto. Escribir un programa de este tipo y hacer

que funcione de manera confiable es muy difícil, probablemente produciendo tanto falsos

positivos como falsos negativos, hasta el punto de que al final puede no ser utilizable en

absoluto.

Aquí es donde los algoritmos de IA se vuelven muy útiles. Una vez que se entrena un algoritmo

de IA, podemos mostrarle muchos ejemplos, y ajusta su estructura interna para comenzar a

detectar características relevantes para la clasificación exitosa de las imágenes en lugar de

confiar en definiciones de características prescritas y estáticas.

Gestión de proyectos de IA en la práctica

Los datos son el rey

Los humanos no son buenos para manejar grandes volúmenes de datos, y el gran volumen de

datos disponibles a veces nos impide usarlos directamente. Aquí es donde entran los sistemas de

IA.

Un concepto muy central con respecto a los sistemas de IA es que sus predicciones son tan

buenas como sus datos. Por ejemplo, un algoritmo con un millón de puntos de datos superará al

mismo algoritmo con 10,000 puntos de datos. Además, BCG informa que “muchas compañías no

entienden la importancia de los datos y la capacitación para el éxito de la IA. Con frecuencia, la

4
mejor información es más crucial para construir un sistema inteligente que los algoritmos mejor

descubiertos, de la misma manera que la crianza a menudo supera la naturaleza en los seres

humanos ".

Con este conocimiento, la preparación y limpieza de datos es algo que prevalecerá en el proceso

del proyecto. Este paso es a menudo la parte más laboriosa de la construcción de un sistema de

inteligencia artificial, ya que la mayoría de las empresas no tienen los datos listos en los

formatos correctos; por lo tanto, los analistas de datos pueden tardar un tiempo en completar

este paso esencial.

La preparación de datos es un paso clave en la gestión de proyectos de IA.

Además, la configuración de la infraestructura de datos y los trabajos de limpieza de datos son

mucho más lineales que el desarrollo de software habitual y pueden requerir una metodología

de gestión de proyectos diferente.

Para resumir, puede llevar mucho más tiempo construir la infraestructura de datos adecuada y

preparar los datos que se utilizarán que crear el modelo de aprendizaje automático para ejecutar

los datos. Esta es una gran consideración para los gerentes de proyecto, ya que manejan equipos

y piensan sobre el alcance de la IA y las estimaciones del proyecto.

Además, el conjunto de datos debe actualizarse continuamente con los nuevos datos. El acceso a

conjuntos de datos únicos podría ser el principal factor decisivo para definir qué producto ML

5
tiene más éxito. Es fundamental mantenerse actualizado sobre esto para alcanzar el mejor

rendimiento posible para su proyecto ML, incluso después del lanzamiento.

El ciclo de vida del desarrollo de IA

La mayoría de ustedes estarán familiarizados con el ciclo de vida de desarrollo de sistemas

estándar (SDLC) junto con cómo las diferentes metodologías y tecnologías lo están

configurando. Es importante tener en cuenta que el desarrollo de IA traerá un nuevo conjunto

de desafíos al campo. Podemos dividir el ciclo de vida de desarrollo de la IA en estos pasos:

descubrimiento de datos, priorización de MVP y desarrollo de MVP en productos completos.

DESCUBRIMIENTO DE DATOS

En esta primera etapa, el enfoque debe centrarse en dos cosas clave: el usuario final del producto

ML y qué grupos de datos están disponibles.

Al abordar el problema desde dos lados independientes, estas técnicas pueden ayudar a un

gerente de proyecto a reducir rápidamente las oportunidades de productos ML disponibles

dentro de una empresa. Durante esta fase, los mejores PM pueden beneficiarse de su

conocimiento del espacio de aprendizaje automático para comprender mejor la dificultad a la

que se pueden resolver ciertos problemas. Las cosas se mueven muy rápido en el campo de ML,

y algunos problemas difíciles pueden facilitarse con los nuevos desarrollos en investigación.

Como se mencionó anteriormente, una vez que se descubren los datos, deben limpiarse y

prepararse. Esta tarea específica normalmente se realiza en pasos lineales, que no se ajustan

perfectamente a las metodologías de proyecto típicas como Agile o Waterfall, aunque pueden

6
forzarse a correr. Por lo general, la limpieza de datos se realiza de forma iterativa aumentando

gradualmente el tamaño de los conjuntos de datos y preparándolos en paralelo a otros esfuerzos

de desarrollo.

PRIORIZAR EL PRODUCTO MÍNIMO VIABLE (MVP)

La verdad de que es mejor tener un prototipo funcional de un producto más pequeño, en lugar

de uno grande inacabado, sigue vigente aquí con productos de aprendizaje automático. Los

nuevos MVP de ML deben priorizarse en función de la velocidad de entrega y su valor para la

empresa. Si puede entregar productos, incluso aquellos que pueden ser más pequeños, con

rapidez, puede ser una buena y rápida victoria para todo el equipo; primero debe priorizar estos

productos.

Preparar estos MVP en la moda Agile clásica es una buena idea, y el equipo de desarrollo debe

centrarse en entregar modelos ML basados en la mejora continua de los conjuntos de datos

preparados independientemente por el equipo de datos. Una distinción importante aquí es que

el equipo de datos no necesariamente necesita trabajar a través de la misma estructura de Sprint

que el equipo que construye el MVP.

MVP A PRODUCTO COMPLETO

Este paso es donde la infraestructura de datos se convierte en clave. Si su producto ML requiere

acceso API de alta frecuencia desde todo el mundo, entonces debería considerar cómo puede

escalar la infraestructura para admitir el producto ML.

7
Aquí es donde los cambios en los módulos ML deben evaluarse cuidadosamente para evitar

romper el rendimiento del producto actual. Volver a entrenar los módulos ML con nuevos

algoritmos o conjuntos de datos no siempre trae un aumento lineal del rendimiento, por lo

tanto, se requiere una cantidad sustancial de pruebas antes de la implementación en vivo. Las

pruebas de módulo de ML para casos extremos y posibles ataques de red de confrontación generativa

(GAN) todavía están en su infancia, pero definitivamente es algo que los gerentes de proyecto

deben tener en cuenta al ejecutar un producto de ML en vivo.

Roles clave dentro del ciclo de vida de desarrollo de IA

Los requisitos de datos pesados de desarrollar aplicaciones de ML aportan nuevas funciones al

SDLC de los productos de IA. Para ser un gran gerente de proyectos en el campo de las

aplicaciones de ML, debe estar muy familiarizado con los siguientes tres roles: científicos de

datos, ingenieros de datos e ingenieros de infraestructura. Aunque a veces se los designa bajo

otros títulos, incluidos ingenieros de aprendizaje automático, ingenieros de infraestructura de

aprendizaje automático o científicos de aprendizaje automático, es importante tener una

comprensión sólida de estas posiciones centrales y su impacto en el proceso de desarrollo de

ML.

Tres roles clave con los que los PM técnicos deberían estar familiarizados: científico de datos,

ingeniero de datos e ingeniero de infraestructura

8
CIENTÍFICO DE DATOS

Los científicos de datos son las personas que construyen los modelos de aprendizaje automático.

Sintetizan ideas basadas en su profundo conocimiento de las estadísticas aplicadas, el

aprendizaje automático y el análisis, y luego aplican sus ideas para resolver problemas

comerciales reales.

Los científicos de datos a veces son vistos como versiones avanzadas de analistas de datos. Sin

embargo, los científicos de datos generalmente tienen fuertes habilidades de programación, se

sienten cómodos procesando grandes cantidades de datos que abarcan centros de datos y tienen

experiencia en aprendizaje automático.

También se espera que comprendan bien las infraestructuras de datos y la minería de big data,

así como que puedan realizar ejercicios exploratorios por su cuenta, observar los datos y

encontrar pistas iniciales e ideas dentro de ellos.

Habilidades fundamentales: Python, R, Scala, Apache Spark, Hadoop, Machine Learning, Deep

Learning, Estadística, Data Science, Jupyter, RStudio

INGENIERO DE DATOS

Los ingenieros de datos son ingenieros de software que se especializan en la creación de

software e infraestructura necesarios para que los productos ML funcionen. Tienden a centrarse

en la arquitectura general y, aunque pueden no ser expertos en aprendizaje automático, análisis

o big data, deben tener una buena comprensión de estos temas para probar su software e

infraestructura. Esto es necesario para permitir que los modelos de aprendizaje automático

creados por el científico de datos se implementen con éxito y se expongan al mundo real.

9
Habilidades fundamentales: Python, Hadoop, MapReduce, Hive, Pig, Data Streaming,

NoSQL, SQL, Programming, DashDB, MySQL, MongoDB, Cassandra

INGENIERO DE INFRAESTRUCTURA

Los ingenieros de infraestructura se encargan de la columna vertebral de los productos ML: la

capa de infraestructura. Si bien los ingenieros de datos pueden construir parte de esta

infraestructura, a menudo se construye sobre la capa preparada y acordada por el equipo de

infraestructura.

Los ingenieros de infraestructura pueden trabajar en varios equipos de ML, con el objetivo de

crear un entorno escalable y eficiente en el que las aplicaciones de ML puedan escalar para

atender a millones de usuarios. Los ingenieros de infraestructura no solo se encargan del nivel

de software de las plataformas, sino que también se coordinan con los socios del centro de datos

para garantizar que todo funcione sin problemas, desde la ubicación geográfica de los datos

alojados hasta el hardware. Con estos aspectos ganando importancia para los proyectos de ML,

los ingenieros de infraestructura son cada vez más importantes en las empresas impulsadas por

la inteligencia artificial.

Habilidades fundamentales: Kubernetes, Mesos, EKS, GKE, Hadoop, Spark, HDFS, CEPH,

AWS, Cloud Computing, Operaciones del centro de datos, Infraestructura informática de

extremo a extremo, Infraestructura de TI, Gestión de servicios

Desafíos comunes hoy

Con la aparición de productos basados en IA y ML, se espera que los gerentes de proyecto se

enfrenten a desafíos tanto familiares como completamente ajenos. Los principales PM están

10
muy conscientes de estos posibles problemas a lo largo de todo el proceso, desde el alcance de

los proyectos hasta su finalización.

CONTROL DE REALIDAD

A pesar de la popularidad y la promesa de la IA, existe una buena posibilidad de que el problema

que está tratando de resolver no requiera una solución de IA elaborada.

Se pueden resolver muchos problemas de predicción utilizando modelos de regresión estadística

más simples y, en algunos casos, más confiables. Es muy importante que un PM haga una

verificación de cordura antes de comenzar un proyecto para asegurarse de que el problema

realmente requiera aprendizaje automático.

A veces es aconsejable comenzar con un modelo estadístico más simple y avanzar en paralelo

con una solución basada en aprendizaje automático. Por ejemplo, si está creando un motor de

recomendación, podría ser prudente comenzar con una solución más simple con un ciclo de vida

de desarrollo más rápido, proporcionando una buena base de referencia para que el modelo de

ML posterior supere.

AI SCOPE CREEP

Las causas más comunes del aumento de alcance en los proyectos de LA están relacionadas con

tratar de hacer demasiadas cosas a la vez y subestimar el esfuerzo necesario para preparar los

datos.

11
Para abordar el primer problema, administre a las partes interesadas para que comprendan que

es mejor comenzar con ganancias rápidas en lugar de planes grandiosos. Comunique este

enfoque continuamente durante todo el proyecto, a medida que construye y prueba.

Comience con pequeñas características atómicas que se pueden definir y probar fácilmente. Si se

encuentra con una tarea compleja, intente dividirla en tareas más simples que sean buenos

representantes de su tarea principal. Debería ser fácil comunicar lo que estas tareas se

propusieron lograr.

Por ejemplo, si está intentando predecir cuándo un usuario hará clic en un anuncio específico,

primero puede intentar predecir si el usuario descarta el anuncio por completo. En este enfoque,

el problema se simplifica y los modelos actuales de ML pueden acomodarlo y predecirlo mejor.

Facebook ha hecho una gran serie profundizando en este tema, centrándose más en la tubería de

ML desde el inicio hasta la entrega del modelo. Para dirigirse al segundo contribuyente al

arrastre de alcance, asegúrese de que es capaz de preparar los datos para respaldar sus proyectos

de ML. Simplemente suponiendo que tiene los datos necesarios, en el formato necesario, es el

error más común que cometen los PM al comenzar con los proyectos de ML. Dado que la

preparación y limpieza de datos a menudo es la parte más larga del proceso del proyecto ML, es

esencial administrar este paso. Asegúrese de que su científico de datos tenga acceso a los datos

correctos y pueda verificar su calidad y validez antes de proponer las características de ML que

desea construir.

Prepárese para etiquetar y limpiar los datos como un ejercicio continuo durante todo el

proyecto, no solo como iniciador, ya que el proyecto siempre puede beneficiarse de mejores y

más datos. Dado que este paso no es la tarea más cautivadora, divida este trabajo en sprints para

que su equipo de datos pueda sentir el progreso de sus esfuerzos en lugar de enfrentar una

acumulación de tickets sin fin.

A veces, las empresas subcontratan el etiquetado de datos a terceros. Si bien esto puede ayudar a

ahorrar tiempo y costos iniciales, también puede producir datos poco confiables, lo que en
12
última instancia obstaculiza el éxito de su modelo ML. Para evitar esto, use la técnica de

superposición múltiple, donde cada parte de los datos es verificada por múltiples partes y solo se

usa si sus resultados coinciden.

Cuando planifique el proyecto, deje suficiente tiempo para que el equipo de datos realice ajustes

en caso de que sus requisitos de etiquetado cambien a mitad del proyecto y se requiera volver a

etiquetar.

Finalmente, verifique si sus datos se pueden usar fácilmente con los métodos de ML existentes

en lugar de inventar nuevos métodos de ML, ya que comenzar desde cero puede aumentar

drásticamente el tiempo y el alcance del proyecto. Tenga en cuenta que si está tratando de

resolver un problema de LA que aún no se ha resuelto, existe una buena

posibilidad de que falle. A pesar del éxito del aprendizaje automático y la cantidad de

trabajos de investigación publicados, resolver problemas de LA puede ser una tarea muy difícil.

Siempre es más fácil comenzar con un área de ML que tiene muchos buenos ejemplos y

algoritmos e intentar mejorarla en lugar de tratar de inventar algo nuevo.

APRENDIZAJE AUTOMÁTICO, EXPECTATIVAS Y EXPERIENCIA DE USUARIO

Cada PM debe estar listo para pensar en la experiencia del usuario de los productos de IA que

están creando y cómo gestionar mejor el equipo que los está creando. Google escribió una gran

pieza sobre su forma de pensar sobre UX e IA, con énfasis en la interacción humana.

Este punto es especialmente importante si su producto ML tiene que interactuar con operadores

o incluso ser reemplazado por ellos. El diseño debe agregar la cantidad mínima necesaria de

estrés a los operadores y usuarios del sistema. Por ejemplo, los chatbots a menudo se basan en el

aprendizaje automático, pero un operador humano puede asumirlos sin problemas.

13
También existe la posibilidad de que las partes interesadas puedan esperar mucho más de los

productos de aprendizaje automático de lo que pueden ofrecer. Esto suele ser un problema

derivado de la exageración creada por los medios al escribir sobre productos de IA y, por lo

tanto, es importante que el gerente del proyecto establezca expectativas razonables.

Asegúrese de explicar qué es realmente la herramienta de IA y qué puede lograr para sus partes

interesadas para que pueda gestionar sus expectativas lo suficientemente bien antes de que

prueben la herramienta. Good UX es excelente, pero no puede ofrecer valor a los usuarios con

expectativas poco realistas, por lo que es esencial que cualquier PM involucrado los administre y

eduque a sus partes interesadas sobre la IA y sus capacidades realistas.

GARANTÍA DE CALIDAD (QA) Y PRÁCTICAS DE PRUEBA EN ML

La IA en su forma actual es un campo relativamente nuevo. Nunca antes ha habido tantas

aplicaciones que utilizan el aprendizaje profundo para lograr sus objetivos. Estos nuevos

desarrollos vienen con su propio conjunto de desafíos, particularmente en las pruebas.

Si bien es relativamente fácil probar un software estándar que tiene un claro "conjunto de

reglas" escrito por personas, es mucho más difícil probar exhaustivamente los modelos de

aprendizaje automático, especialmente aquellos construidos utilizando redes

neuronales. Actualmente, la mayoría de los modelos de ML son probados por los propios

científicos de datos, sin embargo, existen pocos métodos acordados de prueba con equipos de

control de calidad estándar para garantizar que los productos de ML no fallen de manera

inesperada.

Con nuevas formas de manipular los resultados de los modelos conocidos, como estos ataques

GAN, las pruebas exhaustivas de modelos serán cada vez más importantes. Esto se convertirá en

14
una prioridad para muchos proyectos de ML, y veremos más pruebas de tipo de "integración"

para los modelos de ML en los próximos años. Para la mayoría de los proyectos simples, esto

puede no ser un problema tangible actualmente, pero es importante tener esto en cuenta si está

creando un producto ML de misión crítica.

ML MODELO DE ROBO Y PLAGIO

Desde que se publicó este artículo de Wired, y el documento original se presentó en la

conferencia de seguridad de USENIX en 2016, se ha hecho evidente que existe la posibilidad de

plagiar un modelo de ML en vivo.

Esto sigue siendo bastante difícil de lograr bien, pero si tiene un modelo que se ejecuta a través

de una API disponible públicamente, es importante tener en cuenta esta posibilidad. En teoría,

una parte con acceso sustancial a ella podría entrenar su propia red basada en la suya y copiar

efectivamente su capacidad de predicción.

Esto todavía es bastante limitado en términos de posibilidad, pero asegúrese de trabajar con su

equipo en una estrategia de prevención para posibles ataques si esto es una preocupación para

su proyecto.

ESCASEZ DE TALENTO

Con la demanda actual de expertos en inteligencia artificial de clase mundial, la competencia

para obtener el talento adecuado es feroz. De hecho, el New York Times informa que los

expertos en inteligencia artificial de clase mundial pueden ganar hasta $ 1 millón por año

trabajando para las grandes potencias tecnológicas de Silicon Valley. Como primer ministro,

mientras busca expertos en inteligencia artificial para unirse a su equipo, tenga en cuenta estas

dinámicas, ya que pueden afectar sus ciclos de contratación, presupuesto o calidad del trabajo

realizado.

15
Esta escasez se extiende más allá de las mentes innovadoras que crean los nuevos algoritmos de

aprendizaje profundo y también es cierto para los ingenieros y científicos de datos de alta calidad.

Muchas de las personas más talentosas participan en competencias de aprendizaje automático

como Kaggle, donde pueden esperar ganar más de $ 100,000 por resolver problemas difíciles de

aprendizaje automático. Si es difícil contratar a expertos locales de ML, es aconsejable buscar

soluciones innovadoras, como contratar a contratistas especializados de forma remota o ejecutar

su propia competencia de Kaggle para los problemas de ML más difíciles.

DESAFÍOS LEGALES Y ÉTICOS

Los desafíos legales y éticos de la IA en la gestión de proyectos son dobles.

El primer conjunto de desafíos proviene de los datos utilizados para entrenar los modelos ML.

Es esencial comprender dónde se originan los datos que usa, y específicamente si tiene los

derechos para utilizarlos y las licencias que le permiten usar los datos.

Siempre es importante consultar a sus abogados para resolver esas preguntas antes de

implementar un modelo capacitado en los datos para los cuales puede no tener el tipo correcto

de licencia. Dado que este es un campo relativamente nuevo, muchas de estas respuestas no

están claras, pero los PM deben asegurarse de que sus equipos solo usen conjuntos de datos que

tienen derecho a usar.

Aquí hay una buena lista de conjuntos de datos disponibles públicamente para entrenar sus

algoritmos de ML.

El segundo conjunto de desafíos proviene de garantizar que su sistema no desarrolle un sesgo

sistemático. Ha habido numerosos casos de tales problemas en los últimos años, donde una

compañía de cámaras tuvo que admitir que su tecnología de reconocimiento de sonrisas solo

detecta a personas de una raza en particular porque solo se entrenó en datos que contienen

16
caras de esa raza. Otro ejemplo provino de una gran compañía de software, que tuvo que retirar

su bot de Twitter de autoaprendizaje después de unos días de aprendizaje, ya que un esfuerzo

concertado de un grupo de trolls de Internet hizo que produjera insultos raciales y repitiera

conspiraciones salvajes.

El grado de estos problemas puede ser menor o destruir proyectos, por lo tanto, al desarrollar

sistemas que son críticos, los PM deben asegurarse de considerar esas posibilidades y evitarlas

lo antes posible.

Los buenos fundamentos conducen a estructuras sólidas

El progreso de la gestión de la información, que conduce a la IA.

En resumen, la inminente revolución de la IA presenta un conjunto de proyectos interesantes y

dinámicos que a menudo vienen con un proceso de desarrollo modificado, un arquetipo de

equipo diferente y nuevos desafíos.

Los mejores gerentes de proyectos técnicos no solo tienen una buena comprensión de los

conceptos básicos de IA, sino también la intuición de la dificultad de cada paso del proyecto y lo

que es realmente posible crear con su equipo. Dado que AI no es una solución comercial

estándar (COTS), incluso las empresas que eligen comprar ciertos productos de ML aún tendrán

que invertir en probar cosas nuevas y administrar sus datos e infraestructura correctamente.

17
Está claro que los tipos de productos de software y los procesos para crearlos están cambiando

con la aparición de la IA. Los gerentes de proyecto que sean capaces de comprender y ejecutar

estos nuevos conceptos serán actores fundamentales en la creación de los productos de

aprendizaje automático del futuro.

Materiales extra del autor

Teoría adicional: DL y NN

Además de la palabrería más común de la inteligencia artificial (IA) y el aprendizaje automático

(ML), los gerentes de proyecto pueden beneficiarse al estar conscientes de un mayor aprendizaje

profundo (DL) y redes neuronales (NN).

APRENDIZAJE PROFUNDO (DL)

El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje

automático basados en representaciones de datos de aprendizaje, a diferencia de los algoritmos

clásicos de tareas específicas.

La mayoría de los modelos modernos de aprendizaje profundo se basan en una red neuronal

artificial, aunque pueden usar otros métodos.

REDES NEURONALES (NN)

18
Las redes neuronales son estructuras matemáticas conectadas inspiradas biológicamente que

permiten a los sistemas de IA aprender de los datos que se les presentan.

Podemos imaginar estas redes como millones de puertas pequeñas que se abren o cierran,

dependiendo de nuestra entrada de datos. El éxito de estas técnicas fue posible gracias al

crecimiento de la potencia informática de la GPU en los últimos años, lo que nos permite ajustar

rápidamente más de esas "pequeñas puertas" dentro de las redes neuronales.

[Link]

Un diagrama de red neuronal

Existen múltiples tipos de redes neuronales, cada una acompañada de sus propios casos de uso

específicos y su nivel de complejidad. Es posible que vea términos como CNN (red neuronal

convolucional) o RNN (red neuronal recurrente) utilizados para describir diferentes tipos de

arquitectura de red neuronal.

Para comprender mejor cómo se ven y funcionan, aquí hay una gran visualización en 3D de cómo

se "ven" las redes neuronales mientras están activas.

19
COMPRENDER LOS CONCEPTOS BÁSICOS.

¿El aprendizaje automático es lo mismo que la inteligencia artificial?

No, aunque a menudo se usan indistintamente, el aprendizaje automático es un subconjunto de

inteligencia artificial que se caracteriza específicamente por la capacidad de un programa para

aprender sin ser programado explícitamente.

¿Qué es el aprendizaje profundo en términos simples?

El aprendizaje profundo se puede clasificar como una clase de métodos de aprendizaje

automático que se basan en representaciones de datos de aprendizaje. A menudo se basan en

una red neuronal artificial, aunque pueden usar otros métodos.

¿Qué quieres decir con red neuronal?

Las redes neuronales son estructuras matemáticas que permiten a los sistemas de inteligencia

artificial "aprender" de los datos suministrados. Podemos imaginar estas redes como millones

de puertas pequeñas que se abren o cierran, dependiendo de nuestra entrada de datos.

20