Creación de aplicaciones basadas en el aprendizaje automático

Capítulo 8. Consideraciones al Implementar Modelos

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Los capítulos anteriores cubrían el entrenamiento del modelo y el rendimiento de la generalización. Son pasos necesarios para la implementación de un modelo, pero no son suficientes para garantizar el éxito de un producto basado en ML.

La Implementación de un modelo requiere una inmersión más profunda en los modos de fallo que podrían afectar a los usuarios. Cuando construyas productos que aprendan de los datos, aquí tienes algunas preguntas a las que debes responder:

• ¿Cómo se recogieron los datos que utilizas?

• ¿Qué suposiciones hace tu modelo al aprender de este conjunto de datos?

• ¿Es este conjunto de datos lo suficientemente representativo como para producir un modelo útil?

• ¿Cómo podrían utilizarse indebidamente los resultados de tu trabajo?

• ¿Cuál es el uso previsto y el alcance de tu modelo?

El campo de la ética de los datos pretende responder a algunas de estas preguntas, y los métodos utilizados evolucionan constantemente. Si quieres profundizar, O'Reilly tiene un informe exhaustivo sobre el tema, Ética y Ciencia de Datos, de Mike Loukides et al.

En este capítulo, hablaremos de algunas preocupaciones en torno a la recogida y uso de datos y de los retos que supone asegurarse de que los modelos siguen funcionando bien para todos. Concluiremos la sección con una entrevista práctica sobre consejos para ...