Integrar sistemas ML en la producción sigue siendo algo difícil de hacer (para la mayoría de las empresas)
¿Alguna vez has oído hablar de una empresa que haya integrado con éxito el aprendizaje automático en sus procesos de negocio de la noche a la mañana, transformando por completo el modo en que la organización operaba de un día para otro?
¡Si, yo tampoco!
¿Y sabías que la mayoría? ¿Los modelos ML nunca llegan a producción?
La configuración de sistemas a nivel de producción en procesos de negocio es Extremadamente difícilPor nivel de producción me refiero a sistemas que tienen un cierto nivel de confiabilidad que agregan valor a los ingresos y ganancias de la empresa. Incorporar sistemas de ML en las organizaciones no es un trabajo de la noche a la mañana y, honestamente, la ciencia de datos y el aprendizaje automático tienen mala reputación solo porque los líderes se pierden en el proceso. En particular, veo dos tipos de errores cuando se intenta experimentar con ML primero:
- Expectativas incorrectas: Este es un problema muy común y la culpa la tienen los proveedores de ML. Las altas expectativas sobre los sistemas de ML e IA suelen deberse a personas que quieren vender esos sistemas (o a la publicidad exagerada de los medios). Pero escúchame: todos los sistemas de ML tienen errores y no hay otra forma de evitarlos.