Resaltamos nuestros aprendizajes en los proyectos de transferencia que hemos desarrollado en el mundo real, con Víctor Gallego, cofundador de Komorebi AI y Director de Investigación.
Víctor es Doctor en Matemáticas e Informático y lidera algunos de los proyectos que ejecutamos en Komorebi AI. Además, es muy activo publicando y compartiendo su trabajo aquí y en Komorebi LAB.
¿Por qué es tan complejo desarrollar sistemas de Machine Learning efectivos en el mundo real?
El mundo real es complicado y no es tan simple como parece. Para crear sistemas funcionales, necesitamos definir qué queremos medir, convertir la realidad en datos y descubrir qué hace la diferencia.
Por ejemplo, tenemos un cliente financiero donde estamos desarrollando un sistema de Procesamiento del Lenguaje Natural (NLP) diseñado para mejorar la satisfacción y calidad del servicio al inversor. Básicamente, utilizamos las interacciones de su CRM para detectar anomalías, personalizar experiencias, perfilar inversores y generar alertas y resúmenes periódicos.
En este proyecto, la clasificación de las tipologías de los inversores implica más de 50 clases distintas, lo que refleja la naturaleza cambiante del comportamiento de los inversores. Aquí es clave establecer objetivos claros y qué se necesita medir, con las partes interesadas en un enfoque colaborativo. Es como traducir lo que realmente quieren en un lenguaje que las máquinas puedan entender.
Creo que al final del día, la clave está en alinear nuestros esfuerzos con lo que el negocio realmente necesita y asegurar que la satisfacción del cliente sea nuestra mejor métrica de éxito o dicho de otra manera, no perder de vista que el objetivo general es extraer información valiosa de un sistema CRM, en lugar de centrarse únicamente en métricas limitadas como la clasificación de clases específicas.
Gestionar los trade-offs en los proyectos
Esto es inevitable. El ML implica elegir o equilibrar diferentes factores como el recall vs. precisión, tasas de acierto vs. velocidad vs. coste, etc. Se trata de encontrar el equilibrio adecuado para maximizar lo que el cliente necesita.
Por ejemplo, en un proyecto en el campo de la visión artificial, el objetivo era la revisión de fotografías, ya que reduce los tiempos de intervención humana. En este escenario, la clave era balancear la precisión y el recall. Queríamos asegurarnos de que las fotos elegidas para revisión fueran precisas, evitando que el modelo pareciera defectuoso. Al mismo tiempo, consideramos que en ciertas situaciones, como mejorar el propósito del cliente, era mejor tener un recall más alto, aunque signifique revisar más imágenes.
Explicar estos conceptos técnicos en términos de falsos positivos y negativos fue crucial para que el cliente comprendiera las ventajas y desventajas, lo que les permitió tomar decisiones informadas sobre sus prioridades.
Otro equilibrio clave es entre velocidad y coste. Aunque los modelos de lenguaje más grandes, pueden dar mejores resultados, también pueden ser más lentos y caros. Así que, en algunos casos, optar por un modelo más pequeño y rápido, podría ser una decisión más acertada, especialmente si el coste y la inferencia son cruciales
El reto está en explicarle al cliente que a veces una solución menos perfecta pero más eficiente puede ser mejor para sus necesidades, lo que les ayuda a tomar decisiones más informadas y orientadas a su contexto.
Lo que la IA puede hacer y las expectativas
También es crucial fijar expectativas realistas con los clientes desde el inicio, especialmente en proyectos exploratorios donde el resultado puede ser incierto.
Estos proyectos tienen sus límites, y no siempre se pueden cumplir todos los parámetros deseados. Por eso, es fundamental establecer un calendario para la experimentación y estar preparados para la posibilidad de no alcanzar ciertos objetivos. Al final, se trata de ser transparente con el cliente sobre lo que es realmente posible y lo que no, ahorrando tiempo y recursos tanto para ellos como para nosotros.
Es esencial definir objetivos claros, trabajar en colaboración con las partes interesadas y gestionar expectativas. Cada proyecto tiene sus particularidades y la clave está en la transparencia, adecuar soluciones a las necesidades reales, y en la eficiencia más que en la perfección absoluta
¿Quieres aprovechar las capacidades de la Inteligencia Artificial en tu empresa? Pónte en contacto con nosotros en consulta@komorebi.ai. Estamos deseando conectar, aprender y crecer contigo.
