El papel del director de proyecto es a la vez crítico y desafiante. Son responsables del plan del proyecto y su ejecución. Al inicio del proyecto, ayudan a definir el plan y fijar plazos en función de las solicitudes de los interesados y las capacidades del equipo técnico. A lo largo del proyecto, monitorean constantemente el progreso. Si el estado real de las tareas o entregas se desvía del plan, deben alertar y coordinar con los equipos. Como resultado, pasan la mayor parte de su tiempo comunicándose con diferentes equipos, gerentes de nivel superior y partes interesadas del negocio. Dos desafíos importantes en su trabajo son:
- Interdependencia entre equipos técnicos: Esto hace que el rol sea desafiante porque los resultados de un equipo (por ejemplo, los ingenieros de datos que ingieren los datos) sirven como insumos para otro equipo (por ejemplo, los científicos de datos que consumen los datos). Cualquier retraso o cambio en el primer paso impacta el segundo paso. Los directores de proyecto, aunque no suelen ser muy técnicos, deben estar al tanto de estos cambios y garantizar una comunicación adecuada entre los equipos.
- Prioridades comerciales en competencia: Las partes interesadas del negocio a menudo cambian sus prioridades, o puede haber prioridades en conflicto entre diferentes equipos que deben alinearse. Los gerentes de proyecto deben afrontar estos cambios y alinear los distintos equipos para mantener el proyecto encaminado.
Al gestionar eficazmente estos desafíos, los gerentes de proyectos desempeñan un papel fundamental en la ejecución exitosa de proyectos de aprendizaje automático.
La experiencia y el conocimiento de los analistas de fraude son cruciales para el desarrollo y la evaluación de modelos de predicción de fraude. Desde el inicio del proyecto, brindan información sobre las tendencias de fraude activo, escenarios fraudulentos comunes y señales de alerta, así como excepciones o “señales de alerta verdes”. Los científicos de datos incorporan este conocimiento durante la fase de creación/ingeniería de funciones. Una vez que el modelo se ejecuta en producción, se requiere un monitoreo constante para mantener o mejorar el rendimiento. En esta etapa, los analistas de fraude son esenciales para identificar los verdaderos o falsos positivos del modelo. Esta identificación puede resultar de una investigación exhaustiva del historial del cliente o comunicándose con el cliente para su confirmación. La retroalimentación de los analistas de fraude es parte integral del proceso del ciclo de retroalimentación.
Los gerentes de alto nivel y los ejecutivos de nivel C desempeñan un papel crucial en el éxito de los proyectos de fraude de ML/IA. Su apoyo es esencial para eliminar obstáculos y generar consenso sobre la dirección estratégica del proyecto. Por lo tanto, es necesario actualizarlos periódicamente sobre el progreso del proyecto. Para que puedan apoyar la promoción de inversiones en los equipos, herramientas y procesos necesarios en función de los requisitos específicos del proyecto y garantizar que se asignen los recursos adecuados. Además, son responsables de responsabilizar a las partes internas y externas por la privacidad de los datos y el cumplimiento de los estándares de la industria. Al fomentar una cultura de responsabilidad y proporcionar un liderazgo claro, ayudan a garantizar que el proyecto cumpla sus objetivos y se integre sin problemas con la estrategia general de la organización. Su participación es vital para abordar cualquier inquietud regulatoria, gestionar el riesgo e impulsar el proyecto hacia una implementación exitosa y sostenibilidad a largo plazo.
Los ingenieros de datos nos proporcionan los datos que necesitamos (los científicos de datos) para construir modelos, lo cual es un paso esencial en cualquier proyecto de ML. Son responsables de diseñar y mantener canales de datos, ya sea para flujos de datos en tiempo real o procesos por lotes en almacenes de datos. Los ingenieros de datos, que participan desde el inicio del proyecto, identifican los requisitos de datos, las fuentes, las necesidades de procesamiento y los requisitos de SLA para la accesibilidad de los datos.
Crean canales para recopilar, transformar y almacenar datos de diversas fuentes, esencialmente manejando el proceso ETL. También gestionan y mantienen estos canales, abordando los requisitos de escalabilidad, monitoreando la calidad de los datos, optimizando consultas y procesos para mejorar la latencia y reduciendo costos.
Sobre el papel, los científicos de datos crean algoritmos de aprendizaje automático para predecir diversos tipos de información para la empresa. En realidad, usamos muchos sombreros diferentes a lo largo del día. Comenzamos identificando el problema empresarial, entendiendo los datos y los recursos disponibles, y definiendo una solución, traduciéndola en requisitos técnicos.
Los científicos de datos colaboran estrechamente con los ingenieros de datos y los ingenieros de MLOps para implementar soluciones. También trabajamos con las partes interesadas del negocio para comunicar resultados y recibir comentarios. La evaluación del modelo es otra responsabilidad crítica, que implica seleccionar métricas adecuadas para evaluar el desempeño del modelo, monitorearlo e informarlo continuamente y observar cualquier deterioro en el desempeño.
El proceso de mejora continua es fundamental para el papel de un científico de datos, para garantizar que los modelos sigan siendo precisos y relevantes a lo largo del tiempo.
Una vez que los ingenieros y científicos de datos construyen los canales de datos y el modelo, es hora de poner el modelo en producción. Los ingenieros de MLOps desempeñan un papel crucial en esta fase al cerrar la brecha entre el desarrollo y las operaciones. En el contexto de la predicción del fraude, el tiempo es fundamental, ya que la empresa necesita prevenir el fraude antes de que ocurra, lo que requiere un proceso en proceso que se ejecute en menos de un segundo. Por lo tanto, los ingenieros de Mlops se aseguran de que los modelos se integren perfectamente en los entornos de producción, manteniendo la confiabilidad y la escalabilidad. Los ingenieros de MLOps diseñan y administran la infraestructura necesaria para la implementación del modelo, implementan canalizaciones de integración continua e implementación continua (CI/CD) y monitorean el rendimiento del modelo en tiempo real. También manejan el control de versiones, automatizan las pruebas y administran los procesos de reentrenamiento de modelos para mantenerlos actualizados. Al abordar estos desafíos operativos, los ingenieros de MLOps permiten la implementación fluida y eficiente de modelos de aprendizaje automático, garantizando que brinden resultados consistentes y valiosos para el negocio.
Hablamos de los roles que he identificado en mi experiencia laboral. Estos roles interactúan de manera diferente dependiendo de la etapa del proyecto y de cada empresa específica. En mi experiencia, al inicio del proyecto, los analistas de fraude, los gerentes de alto nivel y los científicos de datos trabajan juntos para definir la estrategia y los requisitos. Los científicos de datos desempeñan un papel importante en la identificación del problema empresarial. Colaboran con Mlops e Ingeniería para traducirlo en una solución técnica. Los ingenieros de datos deben acompañarnos para discutir los desarrollos necesarios en los procesos. Un desafío común es cuando hay una desconexión entre estos equipos y surge simplemente en el momento de la ejecución. Esto puede afectar los plazos y la calidad del entregable. Por lo tanto, cuanto mayor sea la integridad entre estos equipos, más fluida será la implementación y la entrega.
Comente a continuación sobre los roles en su empresa. ¿En qué se diferencian las cosas en tu experiencia?