En el mundo del desarrollo de software comercial, los inversores y gestores necesitan conocer el calendario y los resultados esperados antes de iniciar cualquier proyecto. Esta informaci贸n les ayuda a determinar el presupuesto, el posible retorno de la inversi贸n y, finalmente, si merece la pena gastar dinero en el proyecto.

Hay multitud de t茅cnicas para realizar estimaciones iniciales para empresas de ingenier铆a de software, y uno puede pensar que ya se ha dicho todo. Pero los proyectos de Inteligencia Artificial requieren un tratamiento ligeramente diferente, tanto para las estimaciones como para la gesti贸n del proyecto.

Curso Te贸rico-Pr谩ctico: Machine Learning para no programadores

Todav铆a no hay consenso sobre el enfoque 鈥渃orrecto鈥 de los proyectos de Inteligencia Artificial. Tampoco se pueden encontrar modelos de estimaci贸n acordados y aprobados o puntos de referencias espec铆ficos para los costes y la duraci贸n de los proyectos de Inteligencia Artificial.

aprende f谩cilmente inteligencia artificial - newsletter

Hay muchas orientaciones sobre la duraci贸n del desarrollo inform谩tico normal, pero muchas de ellas se centran en la actividad para obtener los requisitos de los usuarios para crear dise帽os t茅cnicos y escribir c贸digo. Hay mucha menos ayuda para el trabajo m谩s desestructurado que constituye el n煤cleo del trabajo de Inteligencia Artificial, como el procesamiento de datos, la evaluaci贸n de algoritmos y el tratamiento de datos de entrenamiento.

Por ahora, la estimaci贸n de las partes no tradicionales del trabajo de Inteligencia Artificial suele basarse m谩s en la experiencia y las expectativas personales que en algo m谩s objetivo.

驴En qu茅 se diferencia un proyecto de Inteligencia Artificial de los proyectos tradicionales?

La gesti贸n de proyecto de Inteligencia Artificial requiere un enfoque diferente cuando se establecen paralelismos entre ellos y la gesti贸n de proyectos de aplicaciones m贸viles tradicionales. Es decir, las diferencias entre los proyectos de Inteligencia Artificial y los proyectos tradicionales de TI son m煤ltiples.

El proceso tradicional de desarrollo de aplicaciones m贸viles es una soluci贸n especificada. Cuando resulta dif铆cil especificar una soluci贸n, los resultados se vuelven inciertos y arriesgados. Este tipo de desarrollo entra dentro de la programaci贸n descendente.

Por el contrario, en el caso de la 鈥減rueba de valor鈥 de los proyectos de Inteligencia Artificial, se sigue un enfoque ascendente. En ese caso, la Inteligencia Artificial saca conclusiones a partir de sus propias reglas y procesos de trabajo con un amplio conjunto de datos.

Curso Te贸rico-Pr谩ctico:Generaci麓贸n de Texto con Inteligencia Artificial

El panorama del desarrollo de la Inteligencia Artificial tambi茅n tiende a abrir varias oportunidades a medida que el ciclo madura. Es decir, para que un proyecto se considere completo, tiene que atravesar varias etapas de exploraci贸n y aciertos y pruebas. Aunque el resultado de este enfoque casi siempre es favorable a los ingresos, a menudo conlleva un alto coste de desarrollo y unos plazos de desarrollo prolongados.

La 煤ltima parte de la cuesti贸n sobre c贸mo gestionar los proyectos de Inteligencia Artificial reside en hacer de la gesti贸n del cambio una parte integral del proceso 谩gil. El principio con el que suelen trabajar los gestores de programas de Inteligencia Artificial es el de 鈥渇allar r谩pido鈥, en el que la idea es explorar de forma expeditiva y fallar justo al principio de un planteamiento err贸neo, en lugar de hacerlo en una fase posterior del proceso de desarrollo.

Estimaciones y resultados en proyectos de Inteligencia Artificial

Los ingenieros de software con experiencia pueden proporcionar una estimaci贸n bastante precisa del tiempo necesario para entregar cada parte de la aplicaci贸n. Ya han realizado tareas similares en m煤ltiples ocasiones, por lo que pueden definir los resultados y el intervalo de tiempo con una incertidumbre relativamente baja.

Por su parte, los Cient铆ficos de Datos experimentados tambi茅n han construido muchos modelos de Machine Learning que dan como resultado un 90% de respuesta correctas. Sin embargo, si se les pregunta cu谩nto tiempo necesitan para desarrollar un producto similar que reconozca correctamente el 90% los datos a predecir, tendr谩n dificultades para responder. Es m谩s, no estar谩n seguros de poder alcanzar el 90% de respuestas correctas.

驴Por qu茅 es dif铆cil estimar los proyectos de Inteligencia Artificial?

En primer lugar, se puede tener un modelo perfecto que funcion贸 muy bien para una tarea relacionada, pero que no funciona igual para datos nuevos pero similares. Este fen贸meno implica la necesidad de abordar cada problema y conjunto de datos por separado.

En segundo lugar, un proyecto de Machine Learning requiere datos para el procedimiento de entrenamiento, y la calidad de los datos determina en gran medida la calidad de la soluci贸n final. Por lo tanto, es imposible proporcionar estimaciones sobre el tiempo y los resultados, incluso sin tener una breve visi贸n general de los datos.

驴Por qu茅 fracasan los proyectos de Inteligencia Artificial?

Si nos sentamos a hacer una lista de los retos a los que se enfrentan las empresas al implementar la Inteligencia Artificial, la lista ser谩 muy extensa. Por ejemplo, la falta de un m茅todo de Machine Learning adecuado y la planificaci贸n a largo plazo.

El primero puede abordarse realizando un breve estudio de viabilidad antes de iniciar el proyecto. El estudio de viabilidad ayuda a estableces expectativas y plazos razonables hacia los objetivos finales y a evaluar la calidad de los datos. Adem谩s, los Cient铆ficos de Datos pueden comprender mejor el 谩mbito empresarial y preseleccionar los m茅todos de Inteligencia Artificial potencialmente aplicables. Si ning煤n m茅todo cumple los criterios de la empresa, puede aparecer la necesidad de investigar, que es otro riesgo a tener en cuenta. Los empresarios pueden evaluar el resultado de este paso para tomar la decisi贸n correcta respecto al lanzamiento del proyecto.

La planificaci贸n debe ser a costo plazo y m茅tricas bien definidas que sean comprensibles tanto para los Cient铆ficos de Datos como para la empresa. La comunicaci贸n y el entendimiento compartido es la clave, ya que ayuda a reaccionar r谩pidamente, a hacer un seguimiento del proyecto y a ajustar la direcci贸n si hay necesidad de cambio.

Adicional a todo esto, hay otras dos causas m谩s que pueden hacer fracasar un proyecto: las expectativas desajustadas y la insuficiente capacidad de gesti贸n de datos.

En la mayor铆a de los casos, la mayor铆a de los proyectos de Inteligencia artificial no ven la luz del d铆a debido a la desalineaci贸n adjunto en las expectativas. La causa principal de los retos de la Inteligencia Artificial en las empresas suele surgir debido a las elevadas expectativas a corto plazo de una tecnolog铆a que opera intr铆nsecamente a largo plazo.

El siguiente ejemplo de las expectativas desajustadas puede verse en las empresas que asumen que su soluci贸n basada en la Inteligencia Artificial ser谩 lo suficientemente precisa para satisfacer las diferentes percepciones de los usuarios. Por ejemplo, en el caso de una aplicaci贸n de streaming de m煤sica, suponer que la 鈥減r贸xima canci贸n鈥 que su Inteligencia Artificial sugiere es exactamente la que el usuario cree que pertenece al g茅nero es un 谩rea problem谩tica. Esta es la raz贸n por la que las empresas suelen utilizar la palabra 鈥減uede鈥 cuando presentan productos o servicios en los que sus podr铆an estar interesados, a continuaci贸n.

En cuanto a la gesti贸n ineficaz de los datos, la Inteligencia Artificial tiende a tomar decisiones err贸neas sobre la base de conjuntos de datos equivocados. El problema en las soluciones de gesti贸n de proyectos de Inteligencia Artificial surge cuando los datos son incorrectos o incompletos, en definitiva, no est谩n preparados para encajar en el modelo.

Para que un sistema de Inteligencia Artificial funcione como se espera, es necesario contar con datos refinados que el sistema pueda utilizar para aprender y analizar patrones. Cuando construimos un conjunto de datos preparado para la Inteligencia Artificial, nos centramos principalmente en dividir la informaci贸n estructurada y no estructurada siguiendo la estrategia moderna de recogida de datos.

Los problemas de calidad de los datos y la posible falta de un m茅todo de vanguardia, que requiere la realizaci贸n de una investigaci贸n, son factores que normalmente no se consideran riesgos en la ingenier铆a de software. La planificaci贸n a corto plazo tambi茅n puede aparecer en otros contextos. A煤n as铆, los proyectos de Inteligencia Artificial se basan en la experimentaci贸n, y un solo experimento depende de los resultados del anterior.

Con esto finalizamos la explicaci贸n. Ya conoces qu茅 debes considerar para planificar tu proyecto de Inteligencia Artificial, por lo tanto te dejo la siguiente pregunta, 驴Cu谩les de las siguientes afirmaciones crees t煤 que sea cierta?

Opci贸n 1: Hay consenso sobre el enfoque 鈥渃orrecto鈥 de los proyectos de Inteligencia Artificial.

Respuesta Incorrecta. Todav铆a no hay consenso sobre el enfoque 鈥渃orrecto鈥 de los proyectos de Inteligencia Artificial.

Opci贸n 2: Un modelo desarrollado para un proyecto puede servir perfectamente para otro modelo.

Respuesta Incorrecta. Se puede tener un modelo perfecto que funcion贸 muy bien para una tarea relacionada, pero que no funciona igual para datos nuevos pero similares.

Opci贸n 3: Se puede tener 茅xito en un proyecto de Inteligencia Artificial cuando se tienen expectativas muy elevadas.

Respuesta Incorrecta. La mayor铆a de los proyectos de Inteligencia artificial no ven la luz del d铆a debido a la desalineaci贸n adjunto en las expectativas.

4 comentarios en “Planificaci贸n de proyectos de Inteligencia Artificial”

  1. Hola, gracias por el art铆culo. Me queda la duda si se puede establecer una metodolog铆a end to end para el desarrollo de un modelo en producci贸n de ML. Si existe alg煤n curso o diplomado. Gracias

    1. Hola Francisco, los modelos de Machine Learning se pueden implementar de manera offline u online, normalmente es offline, porque es m谩s econ贸mica. Por otra parte, la gran mayor铆a de los cursos se enfocan en el desarrollo de los modelos que en la implementaci贸n. Saludos.

  2. Una duda que espero pueda solucionarme, 驴cu谩nto dura un proyecto de Machine Learning? S茅 que la pregunta es compleja porque depende del proyecto y de las personas involucradas. Pero supongamos que hablamos de un proyecto b谩sico (por ejemplo un churn model para predecir la fuga de clientes) con un data scientist a cargo dedicado en exclusividad y un acceso a los datos de la empresa razonablemente bueno. 驴Qu茅 duraci贸n aproximada podr铆a tener lanzar un proyecto as铆 desde cero hasta su puesta en producci贸n? Gracias.

    1. Hola Javier, esta es una pregunta muy dif铆cil para responder, depende de muchos factores, primero la experiencia del profesional en estos proyectos, despu茅s la cantidad de datos y c贸mo se encuentran, son datos limpios o sucios, se plantea como un proyecto sencillo en donde solamente se presentar谩 la informaci贸n o se tomar谩 la misma para alimentar otros procesos. Estas son solamente unas pocos dudas que pueden surgir y de todo esto depende el tiempo que puede tardar el proyecto. Saludos.

Deja un comentario

Tu direcci贸n de correo electr贸nico no ser谩 publicada.