No cree un proyecto de IA sin leer esto primero

¿Está entusiasmado con las capacidades de ChatGPT o acaba de terminar su curso de aprendizaje automático y está listo para usar estas tecnologías para crear una característica interesante?

En ambos casos, debe saber qué desafíos le esperan al crear su primera función impulsada por IA. Ojalá hubiera sabido todo esto hace un año.

Lo primero es lo primero: ¿estás seguro de que necesitas IA?

de google reglas de ml Sugerimos comenzar con un algoritmo simple basado en heurísticas que hará el trabajo y pasar a una solución de aprendizaje automático solo cuando las heurísticas se vuelvan complejas de mantener.

Agregar IA para resolver un problema trae desafíos adicionales que debes enfrentar, como:

• Explicabilidad : ¿por qué la solución funciona de esta manera para un cliente?
• Privacidad de datos : ¿existen soluciones de terceros que procesen datos confidenciales del cliente?
• Costo de mantenimiento/implementación : lo que construya probablemente no tendrá el mejor rendimiento objetivo desde el día 1 y tendrá que dedicar más tiempo a mejorar el modelo.

Sin planificación = sin éxito

¿De qué se trata el proyecto? ¿Qué problema del cliente resolverá? ¿Qué métricas esperamos mejorar? ¿Cuáles son las limitaciones conocidas del sistema?

Antes de implementar, es esencial tener respuestas a todas estas preguntas. Cuantos más obstáculos potenciales identifique durante la planificación, mejor, ya que costo del cambio es relativamente bajo en esta etapa.

¿Dónde están las notas?

Debe documentar todo: planteamiento del problema, métricas, resultados deseados, casos de prueba, registro de investigación, documento de diseño, hitos.

Escribir documentos te permite tener menos cosas en mente . Otras personas pueden unirse a su proyecto rápidamente o utilizar los resultados de su trabajo en otros proyectos.

Empiece de forma pequeña y sencilla

Al mantener simple la primera versión de la función, puede crearla rápidamente, medir el impacto, conocer los conocimientos y continuar iterando. Crear algo pequeño también le permite establecer un rendimiento de referencia que mejorará en futuras iteraciones.

Crear un sistema que haga muchas cosas y maneje todos los casos de uso posibles es un desafío apasionante. Sin embargo, haciendo una patineta Siempre es bueno antes de construir un coche.

¿Has hecho tu investigación?

Si el problema es nuevo en el campo y nadie lo ha resuelto todavía, considere investigarlo. Quiere probar si es factible resolver el problema.

El resultado de la investigación es un prototipo funcional mínimo que muestra que un algoritmo puede resolver el problema . La investigación también puede mostrar que no existe una solución factible , lo cual es un aprendizaje excelente; por eso se realiza este paso al comienzo del proyecto.

¡No sobreestimes!

Su prueba de concepto puede verse fantástica y generar expectación, pero hay mucho trabajo entre el prototipo y la solución de producción que funciona para todos los usuarios.

Cuando se trabaja con nueva tecnología, lo mejor que se puede hacer es evitar prometer que se harán las cosas rápidamente . Tómese su tiempo, familiarícese con la tecnología y el espacio del problema, divida el trabajo en múltiples hitos pequeños y estímelos por separado.

Cuando notes que algo no sale según lo planeado, comunícate con el equipo y asegúrate de que todos entiendan que el cronograma/proyecto ha cambiado.

Escribir pruebas

Debes aplicar los mismos principios de ingeniería de software al desarrollar con IA. Su solución evolucionará y debe asegurarse de que funcione como se espera. Pruebas automatizadas reduzca el tiempo dedicado a probar cosas manualmente y le brinde más tiempo para concentrarse en el problema y la solución.

Es hora de noticias tristes...

Incluso después de meses de arduo trabajo, es posible que su modelo funcione mal. Esto puede resultar frustrante, pero es parte del proceso de desarrollo de ML. Debe aceptar que el fracaso es posible y prepararse para cambiar su enfoque si es necesario.

Lo importante a recordar es que cada fracaso es una oportunidad para aprender y mejorar para el futuro.

Conclusión

La creación de una función basada en IA requiere una planificación, investigación e implementación cuidadosas. Es fundamental empezar poco a poco, documentar todo y comunicarse periódicamente con el equipo. Y recuerde siempre evaluar si la IA es necesaria antes de implementar algo.

Recuerda que el fracaso es posible, pero es una oportunidad para aprender y mejorar. Las únicas personas que nunca fracasan son las que nunca lo intentan.

Recursos útiles:

• mi blog personal
• Por qué DEBES escribir pruebas automatizadas
• Reglas de aprendizaje automático por Martín Zinkevich
• Cómo cambia el costo de desarrollo con el tiempo
• Entendiendo el MVP por Henrik Kniberg