Como hemos visto, los usos que puede tener la aplicación de inteligencia artificial son muy variados, tanto en las distintas áreas de negocio donde se aplican, así como en el tipo de resultado que brindan.
Proceso de Construcción
Por este motivo es importante tener claros los pasos principales que forman parte de todo proyecto de aplicación de inteligencia artificial.
- Obtener Datos. El proceso de aprendizaje depende de la calidad y cantidad de datos disponibles. Afortunadamente el avance de la informática en las últimas décadas ha colaborado con este requerimiento. Seguramente su empresa cuente con la información necesaria, como consecuencia del uso de sus herramientas informáticas, y en caso que no sea así, existen servicios para la adquisición de los datos necesarios.
- Limpiar y preparar datos. Este paso es fundamental y muchas veces llega a ocupar el 70% a 90% del tiempo de ejecución del proyecto. La calidad de los datos afecta directamente la calidad del resultado. En este paso se realizan tareas como, remoción de duplicados e información incorrecta, incompleta o corrupta, así como normalización, transformación y estandarización. Se identifican y corrigen datos faltantes y outliers.
- Entrenar Modelo. Aquí es donde aplicamos la revolución que está significando la inteligencia artificial. Debemos elegir el modelo adecuado para nuestro problema a resolver y proceder a entrenarlo con los datos que procesamos antes, para que pueda aprender de ellos. Se trata de un proceso matemático sumamente complejo pero que se encuentra disponible en la forma de conocidos algoritmos para seleccionar y configurar.
- Evaluar Resultados. Se trata de medir los resultados obtenidos para determinar su calidad. Esta evaluación nos determina si debemos volver atrás en alguna etapa o podemos continuar.
- Publicar para uso. Nuestra solución está lista para trabajar sobre nuevos datos y casos reales, por lo que debe estar disponible en un ambiente de producción para ser consultada por los usuarios y las herramientas informáticas que lo requieran. Una opción muy común, es publicar servicios web que permitan la ejecución de nuevas predicciones.
- Seguimiento y mejora. No debemos desatender la herramienta una vez iniciado su uso, sino que es importante darle seguimiento para evaluar sus resultados, y en caso que se requiera, realizar ajustes al modelo predictivo elegido, con el objetivo de tener siempre la mayor calidad posible.
Abierto y Gratuito
Una de las características más destacables de estas soluciones, es que existen herramientas de código abierto y gratuitas para su construcción. El auge que ha sufrido esta rama de la ciencia ha multiplicado el desarrollo de soluciones completas de código abierto. Incluso las grandes compañías como Google, Microsoft y otras, se han sumado a esta tendencia, su lucha es para conquistar a los científicos de datos y desarrolladores y que utilicen sus soluciones.
Su lenguaje de programación más popular es Python. Creado en el año 1991 y compatible con todas las plataformas, permite la construcción de todo tipo de soluciones.
Para acelerar el proceso de creación, se cuenta con distintas grupos de trabajo y librerías de código abierto y uso gratuito, como son, TensorFlow, creado por Google, Keras , Scikit-learn, Microsoft Cognitive Toolkit, Theano, Caffe, Torch, Accord.NET
¿Significa esto que una solución de inteligencia artificial puede ser gratuita?
El mayor desafío para la implementación de una solución de inteligencia artificial es contar con datos de calidad y volumen, a partir de lo cual, la capacidad y experiencia de los científicos de datos impactará en el modelo a construir y entrenar. Como vemos aquí, la construcción del modelo puede hacerse con herramientas de uso gratuito. Una vez publicada la solución, puede tener los gastos asociados como cualquier servicio de respuesta de peticiones a través de Internet.
Herramientas de Microsoft Azure
Microsoft Azure proporciona el servicio Azure Machine Learning, una plataforma basada en la nube para crear, administrar y publicar modelos de Machine Learning.
Una característica especialmente interesante del Azure Machine Learning, es la de sus herramientas visuales para la creación de modelos de Machine Learning. Utilizando el conocido modelo de arrastrar y conectar podemos implementar una poderosa solución de análisis predictivo, que incluye todas sus fases.
Esto hace que todo el proceso de administración y gestión de los distintos modelos sea sumamente eficiente y rápido. Disponemos de una gran colección de algoritmos y módulos provistos por Microsoft Azure que nos facilitan las tareas de intercambiar las distintas implementaciones y encontrar la más indicada para nuestro caso de negocio.
En IDEATI estamos a tu disposición para ayudarte a construir tus proyectos de Inteligencia Artificial.