La implementación de Machine Learning en Informática ha sido una de las áreas de más rápido crecimiento en TI. Los líderes gubernamentales de TI saben que la extracción de datos puede transformar su organismo. He experimentado esa misma comprensión como profesor cuando intenté hacer que el Machine Learning funcionara en aplicaciones empresariales. Desde entonces he comprendido que no se trata de un deporte extremo.
Comparto 10 maneras de preparar a los organismos gubernamentales para ser exitoso en el uso de Machine Learning:
1. Construir un data lake y una infraestructura con un objetivo claro
Los proyectos más grandes toman más tiempo y tienen un mayor riesgo de fracaso. Una estrategia en la que se añade cada uno de los datos empresariales poco a poco en un solo lugar es una manera de fracasar. Por otro lado, una buena estrategia sería recalibrar y centrarse en un pequeño conjunto de datos: Añadir, comprender y analizar esos datos primero y aplicar esa comprensión a medida que se amplían los esfuerzos.
2. No distraerse con nuevas herramientas de hardware/software
Escribir muchos códigos no es un proceso ágil, obtener resultados rápidamente sí lo es. En el Machine Learning, la brecha entre los proveedores que pueden ayudar a obtener resultados de forma rápida y eficiente y los que no pueden, es enorme por lo que el foco debe de estar en herramientas que obtengan resultados.
Este mismo principio se aplica al hardware. En un momento dado, el NoSQL y el “movimiento” de Big Data respaldaron la idea de que desarrollar un data lake Hadoop y ejecutar herramientas NoSQL produciría resultados impactantes de forma rápida. Eso simplemente no sucedió.
3. Aprovechar el valor del SQL y las bases de datos relacionales
Nota Histórica: La industria de NoSQL sugirió una vez que SQL no podía ser utilizado a escala para el Machine Learning. Sin embargo, los principales proveedores de nube reconocieron que SQL no sólo se podía escalar, sino que también proporcionaba transacciones, informes, prácticas de datos limpios y lo que es más importante, una programación simplificada que los productos de NoSQL no lograban.
La mayoría de sus datos ya se encuentran en SQL. Considere productos como la base de datos y la plataforma Exadata de Oracle que le permiten ejecutar el Machine Learning directamente en sus datos, aprovechando el SQL y otras herramientas de alta productividad, sin la necesidad de desarrollar infraestructura, herramientas y procesos ETL por separado.
4. Verificar que los datos de ML estén asegurados, protegidos por la privacidad y administrados por la empresa
Trasladar datos de bases de datos empresariales seguras a Data Lakes no seguros, es tan arriesgado, que la mayoría de las empresas se niegan a hacerlo. Mantener los datos de la empresa en una base de datos segura como la de Oracle, en donde puede realizar el Machine Learning in situ, elimina la necesidad de un proceso complejo y los gastos generales de copia, a la vez que ofrece resultados de forma rápida y segura.
5. Comenzar con un problema de negocio pequeño y focalizado
Obtener información de los datos es una tarea compleja. Centrarse en un pequeño problema con un impacto empresarial inmediato es una estrategia que permitiría mostrar el poder y el potencial del Machine Learning sin gastar miles de dólares en el proceso. Más información sobre clientes de los Gobiernos Estatales y locales.
6. Desarrollar sólo cuando sea necesario
Reutilizar el código siempre que sea posible. Adquirir tanto como sea posible y sólo desarrollar cuando sea necesario. Si piensa que generar muchos códigos para obtener los resultados de Machine Learning es la estrategia correcta, es posible que se decepcione y corra el riesgo de tener grandes sobrecostos y retrasos.
7. Estar atento a las señales provenientes de los KPIs que le interesan
Asegúrese de obtener los datos correctos que le brinden las señales necesarias para optimizar los resultados de su empresa. El Machine Learning no funcionará sin los datos correctos. Realice pequeños experimentos y utilice el sentido común para encontrar los datos apropiados para su problema. Los científicos de datos pueden ayudarle a identificar señales.
8. Permita la acción de citizen data scientists
No es necesario contar con un ejército de científicos de datos para encontrar patrones de impacto en su información. Su línea de analistas de negocio tiene la mejor visión de lo que estos patrones podrían ser. Automatizar el proceso de desarrollo de modelos para estos equipos significa obtener resultados orientados a los negocios más rápidamente, sin el esfuerzo, el costo, los gastos generales y los retrasos de un proyecto científico extendido.
9. Aproveche la automatización para desarrollar sus modelos de ML
Herramientas como Auto-ML de Oracle permiten a los analistas incorporar el Machine Learning en sus aplicaciones sin necesidad de contratar a muchos científicos de datos.
10. Planificar la integración de los resultados del Machine Learning en el negocio
Aun cuando las empresas encuentran modelos que funcionan, hacerlos operativos puede ser una tarea complicada. Aproveche aquellas herramientas que le permitan incluir cualquier conocimiento de Machine Learning que obtenga de manera inmediata en los flujos de trabajo operativos.
Fuente: cio.com.mx
