La ruta hacía IA: Más allá de la exaltación

By diciembre 1, 2017

Lecciones del Simposio de Gartner
Pregunté a más de 500 personas dos preguntas simples durante nuestro reciente panel del Simposio de Gartner:
“¿Quién está implementando tecnologías de Deep Learning y Machine Learning en su empresa?”
“¿Quién cree que estas tecnologías son impulsores de la innovación, pero no tienen idea de cómo comenzar?”
La cobertura de los medios de Inteligencia Artificial (IA) le hará creer que la mayoría de la gente en la sala levantó la mano para la primera pregunta. Pero de mi cuenta (no científica), solo 20 personas levantaron la mano para la #1, mientras que cerca de 500 alzaron la mano para la #2.

Es obvio que debemos ayudar a los líderes de TI a ir de aquí hacia IA. Esta es la razón por la cual invitamos a los líderes del pensamiento y a los realistas técnicos de NVIDIA, Hortonworks, IBM Cognitive Systems y CloudPulse Strategies para que recorten el bombo hacia la inteligencia artificial y nos den consejos sobre cómo comenzar.

Estos son mis mejores conclusiones de la sesión de panel en el Simposio de Gartner:

Deep Learning podría ser el lugar más fácil para empezar. Es confuso saber cuándo enfocarse en Machine Learning, Deep Learning y otras tecnologías de inteligencia artificial. El panel de expertos comentó que Deep Learning ha despegado recientemente debido a la convergencia de dos factores. La reciente explosión de datos es una, junto con una nueva generación de potentes motores computacionales como GPU y FPGA que se adaptan idealmente a los tipos de cargas de trabajo de formación e inferencia altamente paralelas que requiere Deep Learning.

Tener una estrategia de datos holística. El aprendizaje profundo le permite extraer valor de todos los datos que ha estado recopilando, por lo que su estrategia de datos general es fundamental.

Sumit Gupta, vicepresidente de IBM Cognitive Systems, sugirió que primero describa el problema comercial que desea resolver y luego comience a crear una lista de datos que necesita para responder la pregunta. Una vez que comprenda lo que necesita desde una perspectiva de datos, puede comenzar a desarrollar una estrategia para integrar datos en silos. En última instancia, puede construir un enfoque de Deep Learning para resolver el problema comercial.

Cuando se trata de implementación, todo sigue a los datos. Hemos tenido muchas preguntas sobre cuándo implementar Deep Learning en la nube y cuándo crear un modelo en las instalaciones. Al final del día, no existe un enfoque único para todos: el asesoramiento del panel de expertos fue “seguir a los datos”. Cuando tiene datos significativos sobre premisas y/o preocupaciones de privacidad, modelos de implementación on-premise (incluida la nube privada o híbrida) podrían tener más sentido. Otras veces, será más efectivo aprovechar una aplicación en la nube.

¡Solo hágalo! Comience pequeño y escale. A veces es fácil sentirse abrumado por la excitación del tema. Todos los expertos del panel estuvieron de acuerdo en que es mejor comenzar de a poco, desde mantener las variables de datos manejables hasta elegir un proyecto pequeño, y escalar a medida que usted y su equipo se sientan más cómodos con el aprendizaje profundo.

¿Desea comenzar con Deep Learning? Comience con PowerAI.

¿Desea hablar con un especialista?

0 Print

[autopilot_shortcode]