Cassie Kozyrkov es Ingeniero Jefe de Inteligencia de Decisión en Google. Durante su desempeño laboral ha observado que muchos equipos intentan iniciar un proyecto de IA (Inteligencia Artificial) aplicando algoritmos y datos antes de determinar los resultados y objetivos deseados.
Considera que esa conducta se puede ver como “criar a un cachorro en un apartamento de la ciudad de Nueva York, durante unos años, y luego sorprenderse de que no pueda arrear ovejas para ti”.
Ella ha asegurado que no se puede esperar obtener algo útil pidiéndole a los asistentes que apliquen magia de Aprendizaje Automático (ML) en un negocio, sin un esfuerzo inicial de parte del dueño.
El primer paso sería entonces para el propietario, para que tenga una visión clara de lo que quiere de su sistema ML / IA y cómo sabrá que lo ha entrenado con éxito.
Es por ello que Cassie Kozyrkov ha preparado una guía de referencia que tiene una gran cantidad de contenido, incluyendo aspectos como averiguar quién está a cargo, identificar el caso de uso, hacer algunas comprobaciones de la realidad, elaborar una métrica de desempeño sabiamente y establecer criterios de prueba para superar los sesgos humanos.
La experta ha recomendado asegurarse de que se le asigne el primer paso en el ML y la IA a la persona adecuada, en lo que ha definido como el reparto de personajes.
Se trata del responsable de la toma de decisiones, ético, ingeniero de ML / IA, analista, experto cualitativo, economista, psicólogo, ingeniero de confiabilidad, investigador de IA, experto en dominios, especialista en UX, estadístico y teórico de control de IA.
Iniciar proyecto de Inteligencia Artificial
Averiguar quién está a cargo es el primer paso para iniciar un proyecto de IA. Si se selecciona un investigador de doctorado para este rol es por sus habilidades de decisión y su profundo conocimiento del negocio.
“Si estás a punto de asignarlos a este rol y luego evaluarlos más tarde, has elegido a la persona equivocada”.
Si la persona que toma las decisiones no está bien versada en el arte y la ciencia de la toma de decisiones, cree que podría existir una solución: emparejarla con un experto cualitativo.
En cambio, si la persona a cargo no entiende el negocio, puede que simplemente el propietario esté desechando ese dinero.
Identificar el caso de uso es el paso siguiente de un proyecto de IA, pues cree que ML / IA no es mágico y no resuelve todos los problemas. Se trata de un etiquetador de cosas y depende del propietario averiguar lo que necesita etiquetado.
“Por etiqueta me refiero a la salida. Podría ser una categoría, un número, una oración, una forma de onda, una identificación de grupo, una sola acción, un movimiento del joystick, una secuencia de acciones, S / N sobre si algo es una anomalía”.
Una vez que se pueda articular claramente qué etiquetas se está buscando, Kozyrkov ha señalado que es hora de una rápida comprobación de la realidad: “¿tiene datos sobre este problema comercial?”.
“Ningún acceso a los datos significa que no hay ningún punto en el procedimiento. Sin embargo, es posible que pueda obtener lo que necesita en línea: hay una tendencia creciente a hacer que los datos estén disponibles de forma gratuita”.
De acuerdo a la investigadora, también se deberá verificar que se tiene la potencia de cálculo técnica y humana para procesar los datos, para que así se pueda dar por borrada la lista de verificación de la realidad y comenzar a reclutar.
Métrica de desempeño y criterios prueba
Una vez que se hayan completado los tres pasos iniciales de un proyecto de IA, la ingeniero ha exhortado a elaborar sabiamente una métrica de desempeño y establecer los respectivos criterios de prueba.
“¿Luchando? Agarra a alguien a quien le gustan los números y que te ayude a hacer una lluvia de ideas. Los expertos cualitativos están especialmente capacitados para esto, pero su calculadora-slinger estándar funcionará en caso de necesidad”.
Y es que, a su criterio, los economistas representan asesores sorprendentemente útiles para proyectos de Inteligencia Artificial. En caso de no contar con un economista, un amigo al que le encante diseñar juegos sería otra buena opción.
Con ese paso ya completado, quedaría entonces el último punto: establecer los criterios de prueba, que no es otra cosa que definir la población estadística de interés o la amplia colección de instancias que necesita el sistema para demostrar un buen desempeño antes de darle luz verde.
Establecer una barra para probar el sistema, según Cassie Kozyrkov, es una responsabilidad que el tomador de decisiones debe tener muy en serio. Establecer criterios por adelantado es parte de cómo se mantiene a salvo (y a los demás) “del horrible” ML / IA.
A pesar de ello, ha invitado a no obsesionarse tanto sobre si las máquinas son mejores que los seres humanos en todo.
“Mi computadora siempre ha sido mejor que yo al realizar la multiplicación, esto no me molesta en absoluto. Mi balde es mejor que yo para retener el agua. ¿Para qué sirve una herramienta si no reduce su esfuerzo o aumenta lo que puede lograr? Concéntrate en si es lo suficientemente bueno para ser útil”, puntualizó.
