Continuamos con la segunda parte de esta serie de artículos sobre inteligencia artificial y SAP. En el artículo anterior, explicamos qué modelo de IA se necesita para llevar a cabo un proyecto con éxito, repasamos qué es la IA y cómo se relaciona con otros conceptos como el de Machine Learning o Deep Learning.
Además, explicamos los tipos de algoritmos y por qué las métricas son importantes para evaluar la calidad de los modelos de IA. Sobre esta base, en el artículo de hoy desarrollaremos el ciclo de vida de IA; es decir, qué fases es necesario desarrollar para poner en marcha un modelo de Machine Learning.
Son tres las etapas que conforman el ciclo de vida del modelo de IA. Es muy importante resaltar que cada una de estas etapas se fundamenta en la anterior, por lo que podemos pensar en el ciclo de vida de IA como una pirámide cuya base soporta todo el peso del modelo.
El primer escalón, por tanto, será la base sólida sobre la que se construirá todo el sistema. Este primer paso consiste en definir el proyecto y recolectar los datos. Estos, como no podía ser de otro modo, son la base de todo.
El siguiente paso consiste en construir el modelo y, por último, en la tercera etapa o escalón de la pirámide se dedicará todo el esfuerzo a utilizar el modelo en un escenario. Veamos cada una de esas etapas con algo más de detalle.
El ciclo de vida de IA comienza con la etapa de definición. Es decir, debemos sentarnos a pensar en nuestro sistema teniendo muy claro qué queremos conseguir con él. Una buena estrategia es diseñar ciertos casos de uso que nos ayuden a identificar las necesidades de funcionamiento del proyecto.
¿Cómo saber si el proyecto está bien definido? Es muy útil contestar a estas 6 preguntas:
Después de contestar estas preguntas tendremos bien definido nuestro modelo. Ahora solo resta recopilar los datos y construirlo. Para hacer lo primero, data collection, deberemos hacer otra reflexión: ¿cuáles son los datos que necesitamos para obtener la información necesaria del modelo de IA que queremos desarrollar?
Reflexionar sobre los datos que necesitamos para crear el modelo de IA nos llevará a evaluar las diversas fuentes. En el caso de IA in business, SAP es una fuente de información muy importante que se puede emplear en varios ámbitos. Sin embargo, los datos que alimentarán nuestro modelo pueden proceder también de CRM, redes sociales u otras plataformas. Otro factor a tener en cuenta en este momento del ciclo de vida de IA es el formato que tendrán nuestros datos. Por ejemplo, el formato texto tendrá mucha utilidad a la hora de recopilar datos de las redes sociales.
Ahora bien, ¿qué hacemos con estos datos? Se deben almacenar, para ello disponemos de dos tipos de estructuras que, por lo general, combinaremos a lo largo del ciclo de vida de IA:
Es importante recordar que los datos debemos trabajarlos según la estructura optimizada que requiera nuestra ML. Los modelos necesitan unos parámetros bien definidos, así que deberemos tratar nuestros datos para asegurarnos de que tienen toda la información que requiere el modelo para hacer predicciones fiables.
El trabajo con los datos es tan importante que Enzyme cuenta con Ribosomu, una plataforma que permite gestionar todo el ciclo de vida del dato de una manera sencilla para poder utilizarlos en modelos de inteligencia artificial.
Una vez que sabemos dónde y de qué forma buscar los datos, los obtendremos. El siguiente paso será completar un análisis exploratorio de ellos. Este proceso es iterativo y no sigue un modelo con unos pasos establecidos. Sin embargo, sí debemos tener en cuenta buenas prácticas todos los desarrolladores ponen en práctica:
Estandarizar los datos, para asegurarnos que un tipo de dato se muestra de una determinada manera. Si lo hiciera de formas distintas, se produciría un conflicto. Por ejemplo, las fechas se expresan de forma diferente en España que en un entorno anglosajón, por lo que si una de nuestras variables tiene que ver con las fechas, debemos asegurarnos que se expresa siempre igual (día/mes/año y no mes/día/año).
Para poner en marcha esta fase, debemos tener claro cómo vamos a almacenar los datos, qué errores pueden tener estos datos y cómo los corregimos y, por último, cuál es la definición del caso de uso. Con esta base, la construcción del modelo de IA será mucho más ágil.
Podemos decir que la base del modelo de IA es que entran datos y salen resultados. Más adelante, en la medida en que probemos el modelo, podremos aplicar las mejoras y correcciones necesarias. Ahora bien, lo que sí debemos solucionar en este momento son estos dos puntos:
Podemos elegir entre dos estrategias a la hora de construir el modelo:
Ha llegado el momento de desplegar o implementar el modelo de ML. Es decir, vamos a facilitar que el modelo esté disponible en un entorno de producción desde donde puede proporcionar predicciones. A la hora de poner en producción un modelo de machine learning podemos seguir dos caminos:
En el siguiente artículo aplicaremos todos estos conocimientos sobre IA y ML a SAP. Veremos en qué escenarios podemos aplicarlo y qué mecanismos podemos obtener en el ecosistema SAP para poder llevar a cabo un proyecto de IA para nuestra empresa.
Creamos nuevos productos y servicios superiores hibridando la tecnología con los modelos de negocio
