5 consejos para superar las barreras a la adopción del aprendizaje automático en la empresa

Si bien el aprendizaje automático ofrece ventajas para casi todas las industrias, pocas empresas están adoptando esta tecnología de inteligencia artificial (IA) y enfrentan varias barreras de entrada comunes, según un nuevo estudio. informe deloitte.

Según una encuesta reciente de SAP, menos del 10 % de los ejecutivos dicen que sus empresas están invirtiendo en aprendizaje automático y muchos ven barreras para la adopción del aprendizaje automático, incluidos empleados calificados, herramientas y marcos que aún están en evolución, y falta de capacitación Grandes conjuntos de datos requerido para algoritmos Muchos también enfrentan el problema de la «caja negra», ya que saben que los modelos de aprendizaje automático generarán información valiosa, pero son reacios a implementarlos en producción porque su funcionamiento interno no está claro de inmediato.

Mirar: La empresa de sensores: IoT, aprendizaje automático y Big Data (Artículo destacado de ZDNet) | Descargar informe en formato PDF (Tecnopedia)

Para reducir las barreras de entrada, los investigadores de Deloitte han identificado cinco «vectores de progreso» que hacen que sea más fácil, rápido y menos costoso implementar el aprendizaje automático en la empresa:

1. Ciencia de datos automatizada

El desarrollo de soluciones de aprendizaje automático requiere habilidades en ciencia de datos, y los profesionales en este campo tienen una gran demanda y escasean. Sin embargo, según Deloitte, hasta el 80 por ciento del trabajo de un científico de datos se puede automatizar total o parcialmente, incluida la curación de datos, el análisis exploratorio de datos, la ingeniería y selección de características y la selección y evaluación de algoritmos.

«La automatización de estas tareas puede hacer que los científicos de datos no solo sean más eficientes, sino también más efectivos”, dijo el informe. Deloitte señaló que un número creciente de herramientas de empresas establecidas y nuevas pueden ayudar a diversificar el tiempo requerido para ejecutar pruebas de concepto de aprendizaje automático acortadas de meses a días. También significa aumentar la productividad de los científicos de datos, para que las empresas puedan expandir la adopción del aprendizaje automático incluso si hay escasez de talento.

2. Reducir la necesidad de datos de entrenamiento

El entrenamiento de modelos de aprendizaje automático puede requerir hasta millones de elementos de datos, y adquirir y etiquetar estos datos puede llevar mucho tiempo y ser costoso para las empresas.

Sin embargo, hemos visto muchas técnicas para reducir la cantidad de datos de entrenamiento necesarios para el aprendizaje automático. Algunos han usado datos sintéticos, generados algorítmicamente para simular las características de los datos reales, y han visto buenos resultados: Un equipo de Deloitte probó una herramienta que le permitió usar una quinta parte de los datos de entrenamiento que antes se requerían para la síntesis Construir un modelo preciso para el 80% restante

Deloitte señala que las empresas también pueden utilizar el aprendizaje por transferencia, un método de preentrenamiento de modelos de aprendizaje automático en un conjunto de datos, como atajo para aprender nuevos conjuntos de datos en dominios similares, como la traducción de idiomas o el reconocimiento de imágenes.

Ver también: Investigación: las empresas carecen de las habilidades para implementar y respaldar la IA y el aprendizaje automático (Investigación profesional técnica)

3. Entrenamiento acelerado

Entrenar un modelo de aprendizaje automático puede llevar semanas debido a la gran cantidad de datos y algoritmos complejos involucrados. Pero los fabricantes de semiconductores y computadoras están desarrollando procesadores especializados, como GPU, matrices de compuertas programables en campo y circuitos integrados específicos de aplicaciones, para reducir el tiempo que lleva entrenar estos modelos acelerando la computación y la transferencia de datos dentro del chip. Hacerlo también reduce los costos.

Usando GPU, por ejemplo, un equipo de investigación de Microsoft pudo construir un sistema en un año que podía reconocer tanto el habla conversacional como a los humanos. Si el equipo usara CPU, tardaría cinco años.

La adopción de estos chips de IA especializados se está extendiendo a industrias como el comercio minorista, las finanzas y las telecomunicaciones. Todos los principales proveedores de la nube, incluidos IBM, Microsoft, Google y Amazon, ofrecen computación en la nube con GPU, por lo que la capacitación acelerada pronto estará disponible para el equipo de ciencia de datos de cualquier organización.

4. Interpreta los resultados

Debido a que muchos modelos de aprendizaje automático son cajas negras, es difícil explicar con confianza cómo toman decisiones, lo que dificulta la confianza en campos como la medicina, los negocios y las finanzas. Sin embargo, las nuevas tecnologías pueden ayudar a las empresas a comprender mejor cómo funcionan estos modelos, haciéndolos más interpretables y precisos. Por ejemplo, los investigadores del MIT han desarrollado un método para entrenar redes neuronales que pueden proporcionar predicciones precisas y la justificación de esas predicciones, señala Deloitte.

Dichas herramientas permitirán a las empresas en industrias altamente reguladas encontrar más oportunidades para utilizar el aprendizaje automático, incluso en áreas como calificación crediticia, motores de recomendación, detección de fraude y diagnóstico y tratamiento de enfermedades, según el informe.

5. Despliegue local

La adopción del aprendizaje automático aumentará con la capacidad de implementarlo donde mejor pueda mejorar la eficiencia y los resultados, según el informe. Los avances en software y hardware han facilitado el uso de la tecnología en dispositivos y sensores móviles y de Internet de las cosas (IoT). Apple, Facebook, Google y Microsoft están creando modelos de aprendizaje automático más compactos que pueden manejar tareas como el reconocimiento de imágenes y la traducción de idiomas en dispositivos móviles.

El uso del aprendizaje automático en dispositivos móviles también amplía las aplicaciones potenciales de la tecnología y podría ayudar a las empresas a desarrollar aplicaciones en áreas como hogares y ciudades inteligentes, automóviles autónomos, dispositivos portátiles e Internet industrial de las cosas.

«El aprendizaje automático ha demostrado ser una tecnología muy valiosa en muchas aplicaciones», dice el informe. «El progreso en cinco frentes podría ayudar a superar algunas de las barreras para la adopción generalizada».