Todos los seres vivos pasamos por un ciclo vital, es decir, tenemos un inicio y un final: nacemos, vivimos, nos reproducimos y nos morimos. Y durante ese tiempo nos pasan un montón de cosas que definen quiénes somos, qué necesidades tenemos y cuáles son nuestros propósitos. Si eres un ser humano y estás leyendo esto sabrás que la vida no es tan sencilla y simplificada como te la estamos pintando; vivir tiene su complicación ya que supone enfrentarse a muchos cambios, retos y obstáculos que seguramente no serán fáciles, pero nos van a ayudar a aprender y a convertirnos en mejores versiones de nosotros mismos constantemente.
Con la Inteligencia Artificial ocurre lo mismo. Como todos, la tecnología y las máquinas también tienen un ciclo vital: nacen, se desarrollan y mueren. No se reproducen ni tienen que pasar por situaciones tan difíciles como enfermedades, crisis existenciales, duras decisiones o la muerte, pero asimismo están en constante evolución para convertirse en mejores versiones de sí mismas, sufren cambios, se reinventan y tienen sus propósitos concretos. Por lo general, todo ciclo de vida de un proyecto de IA o de datos abarca tres etapas fundamentales: la determinación del alcance del proyecto, la fase de diseño o construcción y el despliegue en producción.
Pero ojo, aunque su vida no sea tan dramática como la nuestra, también pasan por etapas más complejas que otras. Por ejemplo, la inteligencia artificial “bebé” requiere de muchos cuidados a la hora de instaurarse en las compañías. Para implementar y escalar proyectos de IA con éxito (y sin que dé mucha guerra), las empresas necesitan adoptar un enfoque integral para cubrir cada paso del ciclo de vida de la ciencia de los datos y el aprendizaje automático, comenzando por el alcance del proyecto y la preparación de los datos, y pasando por todas las etapas de la construcción de modelos, el despliegue, la gestión y el análisis, hasta la IA empresarial madura y completa (como cuando nosotros nos hacemos mayores, maduramos y hemos ido adquiriendo mucho aprendizaje y sabiduría).
Vamos a centrarnos en cada una de las etapas del ciclo de vida de la inteligencia artificial dentro de las organizaciones y los pasos y factores clave que hay que tener en cuenta a la hora de implementarlas:
1. Alcance del proyecto de IA
El primer paso fundamental cuando se propone una iniciativa de IA en una empresa es la determinación del alcance y la selección de los casos de uso pertinentes con los que se construirá el modelo. En esta fase, es crucial definir con precisión los objetivos empresariales estratégicos y los resultados deseados del proyecto, seleccionar y alinear todas las expectativas de las diferentes partes interesadas, anticipar los recursos y pasos clave, y definir las métricas que nos permitirán medir el éxito. Seleccionar los casos de uso de la IA o el aprendizaje automático y ser capaz de evaluar el retorno de la inversión (ROI) es fundamental para el éxito de cualquier proyecto de datos.
2. Construir el modelo
Una vez que se han seleccionado los proyectos pertinentes y se ha determinado su alcance, pasamos a la fase de diseño o construcción, que puede durar desde unos pocos días hasta varios meses, dependiendo de la naturaleza del proyecto. Esto podría asemejarse a la adolescencia/juventud, cuando empezamos a definir quiénes somos, cuál es nuestro estilo o cómo pensamos: hay gente que, desde su origen, es siempre muy parecida y sigue un rumbo similar u otras personas que necesitan años para saber quiénes son, encontrarse y definirse.
La fase de diseño es esencialmente un proceso iterativo y reúne todos los pasos relevantes para construir el modelo de IA o de aprendizaje automático: adquisición de datos, exploración, preparación, limpieza, ingeniería de características, pruebas y ejecución de un conjunto de modelos para tratar de predecir comportamientos o descubrir ideas en los datos. Les ocurre como a los humanos, se encuentran en la etapa crucial de la adolescencia y juventud en la que se definen y van construyéndose.
Para garantizar el éxito de un modelo de inteligencia artificial, es fundamental permitir que todas las personas involucradas en el proyecto tengan acceso a los datos, a las herramientas y a los procesos para que así puedan colaborar en las diferentes etapas de la construcción.
3. Despliegue en producción
Para obtener un valor de negocio real de los proyectos de datos, los modelos de aprendizaje automático no deben quedarse metidos en uncajón; deben ponerse en funcionamiento o desplegarse en la producción para su uso en toda la organización. Es como si un ser humano se quedase toda su vida metido en casa, claramente no alcanzaría ningún logro ni evolucionaría como persona.
Una vez más, el retorno de la inversión es una consideración clave en esta fase: es importante reconocer que no todos los proyectos de IA pueden o deben ser operacionalizados. A veces, el coste de poner un modelo en producción es mayor que el valor que aportaría. Lo ideal sería preverlo en la fase de definición del proyecto, antes de construir el modelo, pero esto no siempre es posible.
Y otro factor crucial que hay que tener en cuenta en esta fase de despliegue del ciclo de vida del aprendizaje automático es la replicabilidad de un proyecto: hay que pensar en cómo este proyecto puede ser reutilizado y capitalizado por otros equipos o departamentos distintos de aquellos para los que se construyó inicialmente.
¿Y qué ocurre después?
Aunque el alcance, la construcción y la puesta en marcha de los proyectos de datos se consideran las tres etapas principales de su ciclo de vida, el trabajo no termina con el despliegue del modelo. Para lograr una verdadera IA empresarial, es fundamental contar con sistemas que supervisen los modelos una vez que están en producción y poder introducir, probar, entrenar e implementar rápidamente nuevos modelos que permitan cambiar las estrategias o adaptarse a nuevos entornos volátiles rápidamente. A esta etapa del ciclo de vida de la ciencia de los datos y el aprendizaje automático se le conoce como MLOps. A los humanos nos ocurre algo similar, es necesario que nos vayamos chequeando y supervisando para seguir funcionando con normalidad, hasta que ya no demos para más.
Por último, para poner en práctica una estrategia de IA con éxito, se necesitan personas con diferentes habilidades que apoyen cada una de sus etapas vitales. Por lo tanto, es necesario diseccionar cada parte del ciclo de vida de los modelos de inteligencia artificial, traducirlos en recursos y necesidades organizativas concretas y, con todo ello, asignar esas necesidades a los diferentes perfiles de datos disponibles.
En definitiva, al igual que los seres humanos tenemos un ciclo de vida formado por distintas fases hasta que llega nuestro final, en el caso de la inteligencia artificial ocurre lo mismo. En cada una de esas etapas va evolucionando, aprendiendo y desarrollándose en función de las distintas situaciones y entornos que se le van presentando, siempre acompañada de personas con diferentes habilidades que apoyen cada una de sus etapas vitales. Y al igual que nosotros nos cuidamos y nos hacemos revisiones para poder seguir en pie, los modelos de IA también necesitan estar en constante entrenamiento y supervisión para que no se queden desactualizados y obsoletos y, por tanto, ya no den más de sí.