Equipos eficaces de aprendizaje automático

Capítulo 1. Retos y mejores caminos para ofrecer soluciones de ML

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

El tipo de residuo más peligroso es el que no reconocemos.

Shigeo Shingo, destacado experto en el Sistema de Producción Toyota

No todo lo que se afronta puede cambiarse, pero nada puede cambiarse hasta que se afronta.

James Baldwin, escritor y dramaturgo

Muchas personas y organizaciones inician su andadura en el aprendizaje automático (AM) con grandes esperanzas, pero las experiencias vividas por muchos profesionales del AM nos dicen que el camino para ofrecer soluciones de AM está plagado de trampas, desvíos y, a veces, incluso barreras insuperables. Cuando nos despojamos del bombo y platillo y de las glamurosas afirmaciones de que la ciencia de datos es el trabajo más sexy del siglo XXI, a menudo vemos a los profesionales del ML empantanados por el pesado trabajo manual, la extinción de incendios en la producción, los silos de los equipos y las soluciones difíciles de manejar, frágiles y complejas.

Esto dificulta, o incluso impide, que los equipos aporten valor a los clientes y también frustra las inversiones y ambiciones de una organización en IA. Como ocurre con los ciclos de bombo y platillo, muchos pasan de la cima de las expectativas infladas y se estrellan en la depresión de la desilusión. Podríamos ver a algunos equipos de ML de alto rendimiento pasar a la meseta de la productividad y preguntarnos ...