Komorebi AI
pexels-fauxels-3183150

¿Cómo gestionar un proyecto de inteligencia artificial?

Nuestra visión de lo que debe ser el Ciclo de Vida de un proyecto de desarrollo de Machine Learning (ML), es una combinación de los siguientes elementos:

  • una metodología simplificada de la gestión de proyectos (PM),
  • un proceso ágil adaptado a los proyectos de Data Science y ML,
  • un conjunto de prácticas para desplegar y mantener los modelos (MLOps),
  • junto al estudio cuidadoso de otros ciclos de vida de ML concretos y de nuestra experiencia interna en los proyectos que hemos realizado, tratando de lograr los siguientes dos objetivos generales:

  • Reducir el riesgo de negocio apoyando el proceso de definición, planificación del proyecto y mejorando la comunicación entre los equipos técnicos y no técnicos.
  • Mitigar los posibles riesgos técnicos durante el desarrollo de un proyecto de ML en producción. Los pasos propuestos ayudan a guiar a través del proceso para conseguir que el sistema funcione de forma eficaz y, al mismo tiempo, evitar resultados no deseados y sorpresas.
  • El éxito en la gestión tradicional de proyectos se define por el software que se produce y un proceso bien entendido donde los pasos básicos siguen siendo definir, diseñar, desarrollar, probar y desplegar. Los datos con los que operan son casi siempre fiables, hay mucha menos incertidumbre y permite fijar plazos creíbles, basados en el historial de estos.

    Sin embargo, los proyectos de Inteligencia Artificial no tienen esta naturaleza y tanto su gestión como el desarrollo requiere un enfoque diferente al de la gestión tradicional de proyectos de software.

    Veamos a alto nivel nuestro enfoque para este tipo de proyectos:

    Simplifica la gestión

    En el marco del proyecto, en Komorebi nos basamos, primeramente, en una Metodología simplificada de gestión de proyectos (PM), para realizar el control y seguimiento de los trabajos y el aseguramiento de la calidad de la ejecución en términos de gestión, de forma efectiva.

    La visión global del proyecto se puede gestionar fácilmente a través de un tablero Kanban en el que en todo momento estarán las tareas, así como los responsables y su estado. Además, permite agregar listas, adjuntar archivos, etiquetar eventos, agregar comentarios y compartir tableros de trabajo. El cliente tiene acceso al Trello pudiendo hacer seguimiento continuo del trabajo.

    Normalmente los proyectos tienen una duración de 3-6 meses y los hitos de seguimiento más comunes que se establecen son cuando se tiene claro la planificación y métricas, el tratamiento de los datos, el desarrollo de los modelos y su despliegue final.

    Adapta tu proceso de desarrollo

    Segundo, el desarrollo de la solución es un proceso ágil adaptado a los proyectos de Data y ML que sea capaz de manejar los resultados inciertos y que ayude al equipo centrarse en la mejora continua del proceso.

    La ciencia de los datos es en parte investigación e innovación, luego es necesario adaptar ciertos elementos de Agile debido a los siguientes inconvenientes:

  • Dificultad para definir el problema en los pasos preliminares. Objetivos similares pueden ser alcanzados con diferentes datos y técnicas muy diferentes. Por lo general, ni siquiera está claro qué datos utilizar, ya que un concepto similar puede abordarse desde diferentes perspectivas de datos.

  • Dificultad para estimar el tiempo que hay que emplear en los diferentes pasos de un proyecto frente a otro. Por lo general, se necesita tiempo para captar la calidad y el ajuste de los datos para resolver la pregunta. Tanto la pregunta, como el objetivo y los caminos tomados pueden evolucionar a medida que se ejecuta el análisis, por lo que es necesario cambiar el alcance.

  • A veces los entregables son difíciles de definir por adelantado durante la planificación del sprint. Un resultado exitoso puede ser un análisis o un descubrimiento que sirva de entrada para el siguiente paso y es probable que este resultado no se ajuste a la definición de algo utilizable para el usuario final.
  • Los aspectos de la ciencia de los datos que funcionan bien con la metodología ágil son los relacionados con la ingeniería de software y que también hemos adaptado en Komorebi:

  • La planificación y la ejecución de los sprints pueden tener una duración desconocida o variable (por ejemplo, la limpieza de datos), o bien puede darse una iteración rápida (por ejemplo, la exploración de modelos).
  • La estimación de las tareas es flexible pero los plazos son cortos para utilizar las técnicas más sencillas que te ayude a definir soluciones factibles.
  • En ocasiones, las retrospectivas no se hacen al final de cada iteración, sino con la frecuencia que el equipo considere adecuada.
  • El análisis de los datos es un proceso colectivo de todo el equipo y no solo del Product Owner / Technical Lead.
  • Este post es la primera entrega de la Metodología de Komorebi para el desarrollo de proyectos de ML donde entraremos en detalle en cada una de las etapas, fases y actividades de nuestra metodología. En el próximo post hablaremos sobre cómo definir y planificar un proyecto de Inteligencia Artificial.

    Últimas entradas

    IA & Tech

    ¿Automation vs. augmentation?

    ¿Cómo elegir entre automatizar o aumentar una tarea con la IA. La automatización implica que la IA haga el trabajo por nosotros, mientras que el

    Leer más »
    Ayuda a la docencia con ChatGPT
    IA & Tech

    Aprende a programar con ChatGPT

    ChatGPT nos ha sorprendido a todos y está cambiando cómo entendemos cada uno las tareas que hacemos y el negocio en los que trabajamos. En

    Leer más »