Lista de verificación: ¿Es el aprendizaje automático el enfoque correcto para su problema?

En medio de historias de soluciones inteligentes y noticias de descubrimientos innovadores, puede ser tentador idealizar tecnologías como el aprendizaje automático como soluciones milagrosas a los desafíos que enfrenta el gobierno.

Pero el aprendizaje automático no siempre es la solución a sus problemas. Antes de siquiera considerar planificar un proyecto, primero pregúntese: "¿es el aprendizaje automático el enfoque correcto para este problema?"

Para ayudarlo a responder esa pregunta, hemos desarrollado una lista de verificación con Crina Grosan, profesora titular del Departamento de Ciencias de la Computación de la Universidad de Brunel , especialista en inteligencia artificial y aprendizaje automático, y autora de la guía de 5 pasos al comienzo del curso. .

Lea la lista de verificación y analice las preguntas para determinar si el aprendizaje automático es o no la forma correcta de abordar los desafíos en su agenda. Haga click aquí para descargar.

Contenido de la lista de verificación:

1. ¿Puedes describir tu problema en términos de 'entradas' y 'salidas'?

Es importante poder formular su "salida esperada", el resultado objetivo para el problema que está tratando de abordar, y sus "entradas", las variables en sus datos que afectan ese resultado.

Por ejemplo, "con los recursos disponibles, ¿puedo lograr un mejor rendimiento"? O, "¿qué recursos adicionales necesito para lograr un mejor rendimiento"?

En este ejemplo, el rendimiento es su salida y los recursos son su aporte. Para describir su problema de esta manera, debe comprender qué papel podrían desempeñar sus variables en el resultado objetivo del problema que está investigando. Es posible que desee aprovechar el conocimiento experto en el campo para ayudarlo a hacer esto.

2. ¿Puedes formular un objetivo para tu problema?

Por ejemplo, si usted es un gerente con datos disponibles sobre recursos y productividad, su objetivo podría ser "Me gustaría aumentar la productividad en un 20% en 6 meses".

Es esencial que su objetivo sea medible y alcanzable. Los objetivos utópicos pueden causar problemas más adelante en la línea: pueden conducir a un bajo rendimiento del algoritmo porque los objetivos poco realistas no se pueden modelar o predecir con las fuentes de datos existentes.

3. ¿Es posible resolver su problema con el aprendizaje automático?

Una vez que haya confirmado que su objetivo es alcanzable y medible, ahora debe determinar si se puede lograr mediante el aprendizaje automático .

Este paso requiere una comprensión básica del análisis de datos de lo que pueden lograr los algoritmos de aprendizaje automático, por lo que deberá recurrir a la experiencia en datos para ayudarlo.

En resumen, hay algunos tipos estándar de problemas que son adecuados para una solución de aprendizaje automático, y debe determinar si su problema es uno de ellos. Por ejemplo, encontrar patrones en datos, agrupar datos o predecir el futuro a partir de una secuencia de datos pasados. Si su problema puede caer en una de estas categorías, el aprendizaje automático podría ser una herramienta adecuada para resolverlo.

Los objetivos con un aspecto predecible para ellos son generalmente adecuados para el aprendizaje automático. En este caso, comenzaría con los datos de entrada y algunos resultados conocidos. Por ejemplo, "con x recursos, la productividad es y". Luego, construiría un modelo que aprenda de estos resultados conocidos y se pueda volver a aplicar para cualquier dato de entrada similar e invisible.

Sin embargo, el aprendizaje automático es menos apropiado para objetivos que son procesos iterativos, una secuencia de pasos que se aplican para llegar a la solución. Aquí comenzaría con los datos y luego construiría un algoritmo paso a paso para obtener el resultado.

4. ¿Es necesario utilizar el aprendizaje automático para resolver su problema?

En algunas situaciones, se pueden aplicar métodos estadísticos para lograr su objetivo y, por lo tanto, no necesariamente se trata de desarrollar y aplicar un modelo de aprendizaje automático.

Todo depende de la naturaleza del problema en cuestión. Los expertos pueden ayudarlo a comprender qué tipo de problema enfrenta: ¿es un problema de regresión, clasificación, agrupamiento, asociación de reglas o toma de decisiones? En algunos de estos casos, puede que no sea necesario aplicar un algoritmo de aprendizaje automático.

Por ejemplo, simples gráficos 2D o 3D de variables junto con correlaciones básicas podrían ser suficientes para lograr su objetivo. Pero, si desea una plantilla que pueda aplicar cada vez que agregue nuevos datos, o si desea que el modelo se adapte continuamente a los nuevos datos que adquiera, entonces un modelo de aprendizaje automático puede ser más preciso.

5. ¿Tiene un objetivo alcanzable para su proyecto?

Si bien el objetivo que establecimos en la pregunta dos debe describir lo que desea lograr con respecto a su problema, el objetivo de su proyecto debe describir cómo desea utilizar el aprendizaje automático para lograrlo. Necesita un propósito para su proyecto: el objetivo debe articular cómo va a utilizar el aprendizaje automático para abordar su problema.

¿Desea mejorar un sistema existente o desarrollar un enfoque completamente nuevo para su problema?

Por ejemplo, quizás las mejoras hayan sido realizadas previamente "manualmente" por un experto en la materia. Es posible que hayan estado cambiando algunos parámetros en un intento por mejorar la salida. Por ejemplo, en el ejemplo de productividad, tal vez el experto ha estado cambiando los recursos ligeramente, a modo de prueba y error, para obtener un mejor rendimiento.

En este caso, su objetivo podría ser utilizar su modelo de aprendizaje automático para encontrar una relación matemática entre sus entradas o "variables" y su salida. Esto podría expresarse como una regla - "si los recursos son x, entonces el nivel de productividad será y" - o una fórmula matemática. Si logra este objetivo, podría aplicar la fórmula para hacer predicciones en lugar de confiar en la prueba y el error.

6. ¿Puedes definir una medida de éxito?

Esto podría ser una métrica binaria de éxito o fracaso, o podría ser un porcentaje que refleje el grado en que has logrado lo que te propusiste.

Estas medidas podrían basarse tanto en la medida en que logró el objetivo de su proyecto como en el rendimiento de su sistema de aprendizaje automático. ¿Qué tan cerca llegaste a la meta? ¿Y qué tan rápido fue su sistema? ¿Qué recursos requirió? ¿Con qué facilidad podría ajustar los parámetros? ¿Qué tan fácil es interactuar con él? - Anna Goulden

(Crédito de la imagen: Unsplash)