Notas de mi webinar con Spain AI: La realidad de la gestión de proyectos de IA (16 diciembre 2021)

Texto original de Planeta Chatbot:
https://planetachatbot.com/webinar-spainai-realidad-gestion-proyectos-ia/

¡Cerramos el año con el último webinar de Spain AI! El encargado de cerrar el año ha sido Adrián González, un profesional de cloud, datos e IA en Canadá. Profesor universitario, ingeniero telemático de la UPM y dos másters, tiene experiencia internacional en Europa, LATAM y Norteamérica, ha gestionado proyectos y desarrollado soluciones IA a lo largo de su carrera.

Highlights 2021 en IA y ML

  1. La democratización de la adopción de AI está generando nuevas oportunidades para todo tipo de profesionales de AI (perfiles tecnológicos, biz y híbridos). Veo a más personas con «perfiles atípicos» mejorando sus habilidades para que puedan ayudar con nuevas iniciativas internas de IA para pequeñas y medianas empresas. Vamos a ser más granulares en términos de habilidades y responsabilidades de Al. Las plataformas habilitadas para la nube / aaS están ayudando mucho.
  2. MLOPS es la tendencia clave de la industria y una respuesta orgánica a la necesidad de un ciclo de vida de IA / ML bien definido de un extremo a otro. Esto también está contribuyendo a aclarar las tareas / micro-tareas y responsabilidades. Creo que los ingenieros de datos y ML se divertirán mucho en 2022, sus roles están evolucionando muy rápidamente, al igual que su importancia dentro de las organizaciones adoptantes.
  3. La IA responsable finalmente se está convirtiendo en algo tangible. La principal preocupación de los profesionales de IA era cómo evaluar realmente los factores IA responsable durante el análisis, implementación y fases de producción. Las grandes empresas están lanzando soluciones comerciales y de código abierto para verificar la equidad, la explicabilidad, el sesgo de los datos, etc. Sigue siendo un WIP, pero me gusta mucho lo que veo de Microsoft, TensorFlow / Google, etc.
  4. El conjunto de habilidades de los data scientist también están evolucionando. Algunas de las tareas de DS / DE se están convirtiendo un poco más en una «mercancía» (por ejemplo, IV enfoques ingenuos iniciales, evaluación comparativa de modelos), y la complejidad técnica requiere más y mejores habilidades blandas que nunca. He conocido a data scientist maravillosos, pero mis favoritos son aquellos que pueden explicar las elecciones y los resultados de una manera muy simple, para que todos puedan entender las piezas clave. Los data scientist super-estrellas lo llevarán a las empresas y se convertirán en influyentes clave en las decisiones.

Aprendizajes clave del proyecto

  1. El impacto de la participación temprana de los usuarios finales en el diseño de soluciones de IA.
  2. Los beneficios de la educación en IA para las partes interesadas para facilitar la adopción y la colaboración.
  3. La importancia del patrocinio a nivel ejecutivo y su comprensión de la IA. La relación entre los perfiles técnicos y los trabajadores, para que todos los niveles de la empresa puedan entender los términos.
  4. El increíble poder de los proyectos orientados a la misión para las implementaciones de IA. Cuando hay una misión y un objetivo más allá de lo monetario, la colaboración no es la misma, sino que va más allá. Cuantas más oportunidades por colaborar en proyectos humanitarios, más ganas tienen los trabajadores.
  5. La noción de un rendimiento del modelo de IA lo «suficientemente bueno» para gestionar las expectativas desde el principio. No es tan importante llegar al máximo rendimiento, si no al necesario para poder implementar correctamente los proyectos.
  6. La compensación entre los sistemas completamente automatizados y HITL (Human-in-the-loop). La explicación entre la diferencia de estas dos.
  7. La necesidad de utilizar la IA para tareas específicas y concretas y aprovechar el conocimiento de las PYME. Es muy importante definir el problema al principio del proyecto.
  8. La escalabilidad de los casos de uso de IA y su conexión con proyectos anteriores y futuros.
  9. El esfuerzo requerido para la planificación de proyectos de IA granular y la mitigación de riesgos.
  10. El papel de las herramientas y la infraestructura de IA para acelerar las implementaciones.

Enlace al webinar via Youtube:

--

--

https://www.linkedin.com/in/adriangs86

Love podcasts or audiobooks? Learn on the go with our new app.

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store