El machine learning es más que un término de moda, pero no es la respuesta a todos los problemas

AI. Machine learning Fuera de la industria de la tecnología, estos términos infunden ansiedad, porque la gente no entiende sus consecuencias. Pero aquellos en la industria pueden estar en el extremo opuesto, intentando infundir el machine learning en cada cosa que hacen. Ningún enfoque es bueno.

Mark McQuade, gerente de Práctica, Ingeniería y Ciencia de Datos de Rackspace Technology, adopta un enfoque más medido. Como alguien que trabaja en "todo lo relacionado con los datos, todo lo relacionado con el machine learning", su pensamiento es, por naturaleza, claramente más científico.

Para conquistar a toda persona reacia al machine learning, McQuade sugiere señalar las innumerables formas prácticas y positivas en que actualmente afecta a las empresas y a los individuos por igual, incluso a la predicción, la clasificación y las recomendaciones. "El machine learning hace tanto hoy que la gente no se da cuenta de los beneficios y del valor que recibe en forma constante de él", dijo. Por ejemplo, las perspectivas más humanas del machine learning escapan a las personas que ignoran el análisis del sentimiento, lo que determina los estados emocionales a partir de las transcripciones de los centros de llamadas en vivo, las revisiones en línea masivas y las aplicaciones orientadas a ayudar a las personas con discapacidades. A través del machine learning, todas estas cosas ocurren a escala, hasta un punto que a las personas les sería imposible igualar, incluso, si están respaldadas por el poder de la lógica y la programación de la informática tradicional.

Nuestro último episodio del podcast Cloud Talk explora los muchos aspectos del machine learning.

En solo 30 minutos, McQuade y Jeff DeVerter, CTO de Rackspace, exploran lo siguiente:

• Cómo se relacionan la AI y el machine learning
• Los aspectos básicos del machine learning y cómo aporta valor a una organización
• Por qué los principios de la "AI para el bien común" deberían impulsar la adopción del machine learning
• La complejidad de los principios rectores del machine learning y de la ética de la AI, y por qué deben considerarse caso por caso
• Por qué solo el 60 % de los modelos de machine learning llegan a estar disponibles y si MLOps sería la solución para eso

McQuade y DeVerter también abordan otra gran pregunta: ¿se debería usar en todo momento el machine learning? "Muchas personas solo quieren involucrarse en ese mundo y llevar el machine learning a sus organizaciones", dijo McQuade. "Pero deben preguntarse por qué, ya que no todo problema se desarrolla para el machine learning. En primer lugar, debe considerarse si lo que se intenta llevar a cabo es lo suficientemente complejo como para justificar el uso de machine learning. Si puede lograrse algo con la lógica y la programación de la informática, no hay necesidad de hacerlo mucho más complejo con el machine learning, lo que, además, podría afectar a su ROI.

Sin embargo, para determinadas tareas, el machine learning es la mejor opción. "Puede automatizar procesos para facilitarles las cosas a sus equipos, mejorar su organización y enfocar al personal en lo que agrega valor", dijo McQuade. "Esto va más allá de los casos de uso como la repetición manual. Por ejemplo, la detección de objetos mediante lógica y programación básica de la informática es difícil. Así que si debe usar el machine learning, no tiene que ver únicamente con que sea algo repetible. Tiene más que ver con qué tan difícil es algo si no usa el machine learning en comparación con si lo usa. No se trata solo de simplificar procesos. Sin el machine learning, es posible que algunas cosas que quiera lograr no sean factibles".