Curso sobre estrategia de despliegue de IA en Empresa
- Author: AWS
- Source: Self-paced digital training on AWS - AWS Skill Builder
Estrategias para garantizar exito de ML. Se puede crear una estrategia robusta de ML:
- Encontrando el problema exacto. Identificando problemas que consiguen el compromiso inicial de los ejecutivos que no se pueden solucionar con medios tradicionales, muchos datos o gran cantidad de mano de obra. Puede ser un Quick Win.
- Equivocarse y aprender de los errores. Utilizar errores intencionadamente para volverse tolerante al proceso de busqueda iterativa de soluciones. A veces se necesitan varias rondas de iteración aunque otras no se obtenga ningún exito.
- Escalar más allá de las pruebas de concepto. Usar PoCs antes de hacer grandes inversiones en infraestrucutra.
Qué enfoque de cambio cultural es adecuado para mi organización?
- Pasar de una organización de DS centralizada a una por unidad de negocio. requiere de cambios culturales.
Como hago para evaluar mi estrategia de datos? La estrategia de datos comienza con la evaluación de los datos actuales de la organización y cómo mejorar su calidad. - Un flujo es etiquetar datos > Están disponibles aunque diseminados > Están centralizados en un datalake
Beneficios de los datalakes:
- Pueden crecer a cualquier escala y democratizar acceso a datos y análisis
- Almacenan a bajo coste
- Se pueden proteger datos y gobernarlos
- Reduce tiempos de análisis por ser un repositorio centralizado
Equipos de ML Necesita diferentes roles: - Data Scientists - ML Engineers - Director de proyectos técnicos - Ingeniero de software - Lider empresarial - Business analysts
- Fase 1: Anima a lideres que no poseen habilidades técnicas a convertirse en expertos en ML
- Fase 2: Contrata equipos de ML o apoyate en externos
Cómo desarrollar equipo para ML:
- Formación
- Programas de aceleración
Que puedo hacer como lider para respaldar el cambio cultural?
- Explica los motivos de la puesta en marcha de nuevas iniciativas de ML.
- Anticípate a los obstáculos de la adopción.
- Prepara un presupuesto para la integración y la adopción de la tecnología.
- Equilibra la viabilidad, el tiempo y la compensación de valor.
Cómo puedes empezar a inculcar el pensamiento de la IA generativa en tu organización?
Depende del nivel de madurez de la organización, así en empresas con:
- Experiencia limitada: Cuando un equipo comienza el proceso hacia el ML, la falta de experiencia puede limitar el grado de éxito que pueda alcanzar.
- Estrategia IA: Comenzar con proyectos importantes como pruebas de concepto, ganar impulso, explicar motivos a cambiar a la IA
- Estrategia de datos, gobernar los datos, documentar sus usos, y cronograma para la creación de datos
- Cultura de aprendizaje, permitir exploracion y experimentacion por parte de equipos, formar equipo con recursos externos, aprovechar servicios administrados
- Algunas cargas de trabajo en producción: Después de que un equipo haya iniciado un proceso hacia el ML, su éxito puede seguir limitado, incluso después de varios despliegues.
- Estrategia IA: Creacion de capacidades IA para toda la organizacion, Estrategia para escalar las POC a produccion, Fomentar colaboracion entre equipos
- Estrategia de datos: Consolidar origenes de datos en un datalake y datawarehouses. Desarrollo de cultura de datos en la organizacion
- Cultura de aprendizaje: Crear equipo interno de IA, Upskilling del personal existente
- Varias cargas de trabajo en producción. Una vez que un equipo se ha acostumbrado a completar los despliegues de producción, su éxito puede incluir estrategias a largo plazo y objetivos organizativos.
- Estrategia IA: Incorporar la estrategia IA al negocio principal, liderazgo a largo plazo, crear procesos para escalar la contratacion
- Estrategia de datos: Integracion de datos externos
- Cultura de aprendizaje: Organizacion de IA que colabore con equipos internos. Continuar experimentacion con nuevos datos
Errores comunes en la estrategia de IA:
- Considerar la IA como una tecnología plug and play con beneficios inmediatos
- Pensar de manera limitada en las aplicaciones de IA
Conclusiones:
- Obtener sponsorship ejecutivo para PoCs. El patrocinio ejecutivo puede maximizar el camino hacia el ML y fortalecer la capacidad organizativa y el éxito empresarial mediante el respaldo del desarrollo de pruebas de concepto.
- Utilizar las pruebas de concepto para impulsar el compromiso con el ML en la organización. Las POC deben ser pruebas pequeñas y seguras en caso de error, que muestren de forma progresiva partes de la solución para uno o más objetivos empresariales.
- Permitir que los equipos experimenten y cometan errores. Los equipos de ML deben tener la posibilidad de formular un problema, investigar, experimentar, evaluar el riesgo y probar las hipótesis. Cada solución puede requerir muchas rondas de iteración para tener éxito y algunas nunca lo logran.
- Examinar la estrategia de datos. Evalúa, etiqueta y centraliza los datos relevantes en una única fuente de información, concretamente un lago de datos, para que estén disponibles y sean accesibles para otros equipos de la organización.
- Mejorar la colaboración cruzada entre los distintos equipos. Los expertos en la materia de ciencia de datos deben pertenecer de forma permanente a varios equipos y unidades de negocio. La IA tiene su mayor impacto cuando la desarrollan equipos multifuncionales con una combinación de habilidades y perspectivas.
- La creación de una organización que esté preparada para el ML requiere liderazgo ejecutivo, estructura de equipo y cambios culturales para tener éxito.