Navegando por el nuevo panorama de las plataformas de IA

Lo que solo los expertos suelen saber es que los científicos de datos, una vez contratados, dedican más tiempo a crear y mantener las herramientas de los sistemas de IA que a crear los propios sistemas de IA. Sin embargo, ahora están surgiendo nuevas herramientas para facilitar la entrada en esta era de la innovación tecnológica. Las plataformas unificadas que incorporan la labor de recopilar, etiquetar e introducir datos en modelos de aprendizaje supervisado, o que ayudan a crear los propios modelos, prometen estandarizar los flujos de trabajo de la manera en que Salesforce y Hubspot lo hacen para gestionar las relaciones con los clientes. Algunas de estas plataformas automatizan tareas complejas mediante algoritmos de aprendizaje automático integrados, lo que facilita aún más el trabajo. Esto permite a los científicos de datos dedicar tiempo a crear las estructuras reales para las que los contrataron y pone la IA al alcance incluso de las pequeñas y medianas empresas.

••• Hace casi dos años,[Ciencias del Deporte de Seattle](https://www.seattlesportsciences.com/), una empresa que proporciona datos a los ejecutivos, entrenadores y jugadores de los clubes de fútbol para mejorar el entrenamiento, se convirtió con fuerza en la IA. Comenzó a desarrollar un sistema que rastreaba la física del balón y los movimientos de los jugadores a partir de transmisiones de vídeo. Para crearlo, la empresa necesitó etiquetar millones de fotogramas de vídeo para enseñar a los algoritmos de los ordenadores qué buscar. Empezó contratando un equipo pequeño para que se sentara frente a las pantallas de los ordenadores e identificara a los jugadores y las pelotas en cada cuadro. Pero rápidamente se dio cuenta de que necesitaba una plataforma de software para poder escalar. Pronto, su caro equipo de ciencia de datos dedicaba la mayor parte del tiempo a crear una plataforma para gestionar enormes cantidades de datos. Son días embriagadores en los que todos los directores ejecutivos pueden ver —o al menos percibir— las oportunidades de que los sistemas de aprendizaje automático transformen su negocio. Casi todas las empresas tienen procesos adecuados para el aprendizaje automático, que en realidad no es más que una forma de enseñar a los ordenadores a reconocer los patrones y a tomar decisiones en función de esos patrones, a menudo de forma más rápida y precisa que los humanos. ¿Hay un perro en la carretera que tengo delante? Aplique los frenos. ¿Es un tumor en la radiografía? Avise al médico. ¿Es marihuana en el campo? Rocíelo con herbicida. Lo que solo los expertos suelen saber es que los científicos de datos, una vez contratados, dedican más tiempo a crear y mantener las herramientas para los sistemas de IA que a crear los sistemas ellos mismos. UN[encuesta reciente](https://info.algorithmia.com/enterprise-blog-state-of-machine-learning) de 500 empresas de la firma Algorithmia descubrió que los equipos caros dedican menos de una cuarta parte de su tiempo a entrenar e iterar modelos de aprendizaje automático, que es su función principal. Sin embargo, ahora están surgiendo nuevas herramientas para facilitar la entrada en esta era de la innovación tecnológica. Las plataformas unificadas que incorporan la labor de recopilar, etiquetar e introducir datos en modelos de aprendizaje supervisado, o que ayudan a crear los propios modelos, prometen estandarizar los flujos de trabajo de la manera en que Salesforce y Hubspot lo hacen para gestionar las relaciones con los clientes. Algunas de estas plataformas automatizan tareas complejas mediante algoritmos de aprendizaje automático integrados, lo que facilita aún más el trabajo. Esto permite a los científicos de datos dedicar tiempo a crear las estructuras reales para las que los contrataron y pone la IA al alcance incluso de las pequeñas y medianas empresas, como Seattle Sports Science. Frustrado porque su equipo de ciencia de datos estaba haciendo girar sus ruedas, el arquitecto de IA de Seattle Sports Science, John Milton, finalmente encontró una solución comercial que funcionaba. «Ojalá me hubiera dado cuenta de que necesitábamos esas herramientas», dijo Milton. No había incluido la infraestructura en su presupuesto original y tener que volver a la alta dirección y preguntar por ella no fue una experiencia agradable para nadie. ### **Un vistazo a la caja de herramientas** Los gigantes de la IA, Google, Amazon, Microsoft y Apple, entre otros, han publicado herramientas al público de forma constante, muchas de ellas gratuitas, que incluyen enormes bibliotecas de códigos que los ingenieros pueden compilar en modelos de aprendizaje profundo. La poderosa herramienta de reconocimiento de objetos de Facebook,[Detectron](https://research.fb.com/downloads/detectron/), se ha convertido en uno de los proyectos de código abierto más adoptados desde su lanzamiento en 2018. Pero usar esas herramientas puede seguir siendo un desafío, porque no necesariamente funcionan juntas. Esto significa que los equipos de ciencia de datos tienen que crear conexiones entre cada herramienta para que puedan hacer el trabajo que una empresa necesita. El último salto en el horizonte aborda este punto débil. Las nuevas plataformas permiten ahora a los ingenieros conectar los componentes sin preocuparse por las conexiones. Por ejemplo,[IA decidida](https://determined.ai/) y[Espacio de papel](https://www.paperspace.com/) vende plataformas para gestionar el flujo de trabajo de aprendizaje automático. La plataforma Determined AI incluye elementos automatizados para ayudar a los científicos de datos a encontrar la mejor arquitectura para las redes neuronales, mientras que Paperspace incluye acceso a GPU dedicadas en la nube. «Si las empresas no tienen acceso a una plataforma unificada, dicen: 'Aquí hay algo de código abierto que ajusta los hiperparámetros. Hay otra cosa que hace que el entrenamiento sea distribuido y, literalmente, los están uniendo todos», dijo Evan Sparks, cofundador de Determined AI. «La forma en que lo hacen es realmente con cinta adhesiva». [Caja de etiquetas](https://labelbox.com/product/platform) es una plataforma de datos de formación, o TDP, para gestionar el etiquetado de los datos, de modo que los equipos de ciencia de datos puedan trabajar de forma eficaz con los equipos de anotación de todo el mundo. (El autor de este artículo es el cofundador de la empresa.) Ofrece a las empresas la posibilidad de hacer un seguimiento de sus datos, detectar y corregir los sesgos en los datos y optimizar la calidad de sus datos de entrenamiento antes de incorporarlos a sus modelos de aprendizaje automático. Es la solución que utiliza Seattle Sports Sciences. John Deere utiliza la plataforma para etiquetar imágenes de plantas individuales, de modo que los tractores inteligentes puedan detectar las malas hierbas y administrar los pesticidas con precisión, lo que ahorra dinero y ahorra al medio ambiente productos químicos innecesarios. Mientras tanto, las empresas ya no necesitan contratar a investigadores con experiencia para que escriban algoritmos de aprendizaje automático, las máquinas de vapor actuales. Los pueden encontrar de forma gratuita o licenciarlos a empresas que ya han resuelto problemas similares anteriormente. [Algoritmia](https://algorithmia.com/), que ayuda a las empresas a implementar, ofrecer y escalar sus modelos de aprendizaje automático, opera un mercado de algoritmos para que los equipos de ciencia de datos no dupliquen los esfuerzos de otras personas creando los suyos propios. Los usuarios pueden buscar en los 7 000 algoritmos diferentes de la plataforma de la empresa y licenciar uno, o subir los suyos propios. Las empresas pueden incluso comprar modelos de aprendizaje profundo completos y listos para su implementación. [Fritz.ai](http://fritz.ai), por ejemplo, ofrece varios modelos previamente entrenados que pueden detectar objetos en los vídeos o transferir estilos de arte de una imagen a otra, todos los cuales se ejecutan de forma local en los dispositivos móviles. Los servicios premium de la empresa incluyen la creación de modelos personalizados y más funciones de automatización para gestionar y ajustar los modelos. Y aunque las empresas pueden utilizar un TDP para etiquetar los datos de entrenamiento, también pueden encontrar conjuntos de datos preetiquetados, muchos de ellos de forma gratuita, que son lo suficientemente generales como para resolver muchos problemas. Pronto, las empresas incluso ofrecerán el aprendizaje automático como servicio: los clientes simplemente subirán datos y un objetivo y podrán acceder a un modelo entrenado a través de una API. ### Elija sus herramientas y haga un presupuesto en consecuencia A finales del siglo XVIII,[Torno de Maudslay](https://en.wikipedia.org/wiki/Henry_Maudslay) llevó a estandarizar las roscas de los tornillos y, a su vez, a las piezas intercambiables, lo que extendió la revolución industrial por todas partes. Las herramientas de aprendizaje automático harán lo mismo con la IA y, como resultado de estos avances, las empresas podrán implementar el aprendizaje automático con menos científicos de datos y menos equipos de ciencia de datos sénior. Eso es importante dada la inminente crisis de recursos humanos y el aprendizaje automático: según un[Informe de Dun & Bradstreet de 2019](https://www.prnewswire.com/news-releases/artificial-intelligence-is-creating-jobs-dun--bradstreet-survey-finds-300774141.html), el 40 por ciento de los encuestados de las organizaciones de Forbes Global 2000 afirman que están añadiendo más puestos de trabajo relacionados con la IA. Y el número de ofertas de trabajo relacionadas con la IA en el portal de contratación Indeed.com aumentó un 29 por ciento entre mayo de 2018 y mayo de 2019. La mayor parte de esa demanda es de ingenieros de aprendizaje supervisado. Pero los altos ejecutivos tienen que entender la necesidad de esas herramientas y presupuestar en consecuencia. Tal como aprendió Seattle Sports Sciences, es mejor familiarizarse con todo el flujo de trabajo del aprendizaje automático e identificar las herramientas necesarias antes de embarcarse en un proyecto. Esas herramientas pueden resultar caras, ya sea que se tome la decisión de construir o comprar. Como suele ocurrir con la infraestructura empresarial clave, la construcción tiene costes ocultos. Comprar una solución puede parecer más caro desde el principio, pero a menudo es más barata a largo plazo. Una vez que haya identificado la infraestructura necesaria, realice una encuesta en el mercado para ver qué soluciones existen e incluir el coste de esa infraestructura en su presupuesto. No caiga en una venta dura. La industria es joven, tanto en términos del tiempo que existe como de la era de sus emprendedores. Los que lo hacen por pasión son idealistas y están impulsados por una misión. Creen que están democratizando una nueva tecnología increíblemente poderosa. La industria de las herramientas de IA se enfrenta a una demanda más que suficiente. Si siente que alguien persigue dólares, tenga cuidado. Los actores serios están deseosos de compartir sus conocimientos y ayudar a guiar a los líderes empresariales hacia el éxito. Los éxitos benefician a todos.