La implementaci\u00f3n de Machine Learning en Inform\u00e1tica ha sido una de las \u00e1reas de m\u00e1s r\u00e1pido crecimiento en TI. Los l\u00edderes gubernamentales de TI saben que la extracci\u00f3n de datos puede transformar su organismo. He experimentado esa misma comprensi\u00f3n como profesor cuando intent\u00e9 hacer que el Machine Learning funcionara en aplicaciones empresariales. Desde entonces he comprendido que no se trata de un deporte extremo.<\/p>\n\n\n\n
Comparto 10 maneras de preparar a los organismos gubernamentales para ser exitoso en el uso de Machine Learning:<\/p>\n\n\n\n
1. Construir un data lake y una infraestructura con un objetivo claro<\/strong><\/p>\n\n\n\n Los proyectos m\u00e1s grandes toman m\u00e1s tiempo y tienen un mayor riesgo de fracaso. Una estrategia en la que se a\u00f1ade cada uno de los datos empresariales poco a poco en un solo lugar es una manera de fracasar. Por otro lado, una buena estrategia ser\u00eda recalibrar y centrarse en un peque\u00f1o conjunto de datos: A\u00f1adir, comprender y analizar esos datos primero y aplicar esa comprensi\u00f3n a medida que se ampl\u00edan los esfuerzos.<\/p>\n\n\n\n 2. No distraerse con nuevas herramientas de hardware\/software<\/strong><\/p>\n\n\n\n Escribir muchos c\u00f3digos no es un proceso \u00e1gil, obtener resultados r\u00e1pidamente s\u00ed lo es. En el Machine Learning, la brecha entre los proveedores que pueden ayudar a obtener resultados de forma r\u00e1pida y eficiente y los que no pueden, es enorme por lo que el foco debe de estar en herramientas que obtengan resultados.<\/p>\n\n\n\n Este mismo principio se aplica al hardware. En un momento dado, el NoSQL y el \u201cmovimiento\u201d de Big Data respaldaron la idea de que desarrollar un data lake Hadoop y ejecutar herramientas NoSQL producir\u00eda resultados impactantes de forma r\u00e1pida. Eso simplemente no sucedi\u00f3. <\/p>\n\n\n\n 3. Aprovechar el valor del SQL y las bases de datos relacionales<\/strong><\/p>\n\n\n\n Nota Hist\u00f3rica: La industria de NoSQL sugiri\u00f3 una vez que SQL no pod\u00eda ser utilizado a escala para el Machine Learning. Sin embargo, los principales proveedores de nube reconocieron que SQL no s\u00f3lo se pod\u00eda escalar, sino que tambi\u00e9n proporcionaba transacciones, informes, pr\u00e1cticas de datos limpios y lo que es m\u00e1s importante, una programaci\u00f3n simplificada que los productos de NoSQL no lograban.<\/p>\n\n\n\n La mayor\u00eda 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.<\/p>\n\n\n\n 4. Verificar que los datos de ML est\u00e9n asegurados, protegidos por la privacidad y administrados por la empresa<\/strong><\/p>\n\n\n\n Trasladar datos de bases de datos empresariales seguras a Data Lakes no seguros, es tan arriesgado, que la mayor\u00eda 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 r\u00e1pida y segura.<\/p>\n\n\n\n 5. Comenzar con un problema de negocio peque\u00f1o y focalizado<\/strong><\/p>\n\n\n\n Obtener informaci\u00f3n de los datos es una tarea compleja. Centrarse en un peque\u00f1o problema con un impacto empresarial inmediato es una estrategia que permitir\u00eda mostrar el poder y el potencial del Machine Learning sin gastar miles de d\u00f3lares en el proceso. M\u00e1s informaci\u00f3n sobre clientes de los Gobiernos Estatales y locales.<\/p>\n\n\n\n 6. Desarrollar s\u00f3lo cuando sea necesario<\/strong><\/p>\n\n\n\n Reutilizar el c\u00f3digo siempre que sea posible. Adquirir tanto como sea posible y s\u00f3lo desarrollar cuando sea necesario. Si piensa que generar muchos c\u00f3digos 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.<\/p>\n\n\n\n 7. Estar atento a las se\u00f1ales provenientes de los KPIs que le interesan<\/strong><\/p>\n\n\n\n Aseg\u00farese de obtener los datos correctos que le brinden las se\u00f1ales necesarias para optimizar los resultados de su empresa. El Machine Learning no funcionar\u00e1 sin los datos correctos. Realice peque\u00f1os experimentos y utilice el sentido com\u00fan para encontrar los datos apropiados para su problema. Los cient\u00edficos de datos pueden ayudarle a identificar se\u00f1ales.<\/p>\n\n\n\n 8. Permita la acci\u00f3n de citizen data scientists<\/strong><\/p>\n\n\n\n No es necesario contar con un ej\u00e9rcito de cient\u00edficos de datos para encontrar patrones de impacto en su informaci\u00f3n. Su l\u00ednea de analistas de negocio tiene la mejor visi\u00f3n de lo que estos patrones podr\u00edan ser. Automatizar el proceso de desarrollo de modelos para estos equipos significa obtener resultados orientados a los negocios m\u00e1s r\u00e1pidamente, sin el esfuerzo, el costo, los gastos generales y los retrasos de un proyecto cient\u00edfico extendido.<\/p>\n\n\n\n 9. Aproveche la automatizaci\u00f3n para desarrollar sus modelos de ML<\/strong><\/p>\n\n\n\n Herramientas como Auto-ML de Oracle permiten a los analistas incorporar el Machine Learning en sus aplicaciones sin necesidad de contratar a muchos cient\u00edficos de datos.<\/p>\n\n\n\n 10. Planificar la integraci\u00f3n de los resultados del Machine Learning en el negocio<\/strong><\/p>\n\n\n\n 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.<\/p>\n\n\n\n Fuente: cio.com.mx<\/p>\n","protected":false},"excerpt":{"rendered":" La implementaci\u00f3n de Machine Learning en Inform\u00e1tica ha sido una de las \u00e1reas de m\u00e1s r\u00e1pido […]<\/p>\n","protected":false},"author":12,"featured_media":23708,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[4],"tags":[],"class_list":["post-23707","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-noticas"],"yoast_head":"\n