La Inteligencia Artificial está marcando el camino a seguir en cuanto a la innovación empresarial, promoviendo el desarrollo de productos con capacidades que hasta hace poco eran inimaginables. Y esto en Keepler lo sabemos muy bien.

Al igual que en cualquier sector, todo avance tecnológico requiere una adaptación de cada una de las áreas afectadas por el mismo.

La gestión de equipos que desarrollan productos de IA es algo que en Keepler nos hemos tomado muy en serio desde el principio. Por eso, desde el área de “Delivery”, tratamos de tener en cuenta la combinación de perfiles altamente especializados, la dependencia de datos de calidad, y la necesidad de un entorno de experimentación constante.

Esta combinación hace que la gestión de estos equipos sea particularmente compleja.

Estructura y roles del equipo

En los equipos de IA, los perfiles de negocio están muy involucrados en todo el proceso de desarrollo. Es fundamental definir bien los roles clave:

• Data Scientist: Encargados de analizar los datos, así como de crear y entrenar los modelos predictivos.
• Data Engineers: Se encargan de extraer, filtrar, y preparar los datos, para que puedan ser explotados.
• Machine Learning Engineers: Se sitúan en la intersección entre el conocimiento de IA/ML y el desarrollo de software. Su función principal es servir de puente entre los científicos de datos y los equipos de arquitectura e ingeniería de datos, traduciendo los modelos y conclusiones generadas por los científicos de datos en pipelines de ML robustos y escalables.
• Cloud Engineers: Expertos en infraestructura en la nube, garantizan la escalabilidad y automatización del ciclo de vida de los modelos. Son esenciales para la monitorización continua y el despliegue confiable.
• Product Managers de IA: Alinean los desarrollos con la estrategia de negocio, definiendo los objetivos y asegurando que la IA aporte valor real a la empresa.
• Expertos en datos: Aseguran la calidad, disponibilidad y ética del uso de los datos, un aspecto crítico para evitar sesgos en los modelos de IA.

Cultura y metodología de trabajo

Gestionar este tipo de equipos requiere metodologías flexibles, ya que el desarrollo de IA implica experimentación constante. Por ello, hay que tener en cuenta lo siguiente:

• Adaptar Agile: Debemos tener muy presente, que el desarrollo de este tipo de productos va a estar marcado por un gran porcentaje de tiempo dedicado a la investigación. Por tanto, debe existir un acuerdo consensuado entre todas las partes involucradas, donde se refleje que la entrega de valor, en muchos casos, será el resultado de dicha investigación, en lugar de una pieza de software funcional.
• Fomentar la comunicación: Los perfiles técnicos y de negocio tienen que estar perfectamente alineados para garantizar que los modelos sean útiles y viables. Esto es fundamental para poder traducir los requisitos empresariales en objetivos técnicos alcanzables.
• Promover una cultura de experimentación: La incertidumbre es inherente a la IA. Fallar rápido y aprender es esencial para la evolución del producto. Incentivar la curiosidad y la innovación dentro del equipo puede marcar la diferencia entre un modelo mediocre y uno disruptivo. Además se debe tener en cuenta que hay una gran dependencia de los datos. Por tanto, debe reconocerse la posibilidad de que el dato no permita cumplir el objetivo de negocio (ya sea por que no es suficiente, o porque el patrón no está alineado totalmente con el objetivo), por lo que se debe estar abierto a pivotar y aprovechar conclusiones obtenidas, para proponer casos alternativos o cambios en el scope.

Desafíos comunes y estrategias para superarlos

• Dependencia de los datos: La calidad y disponibilidad de datos puede ser un cuello de botella. Es crucial definir estrategias de gestión de datos desde el inicio, incluyendo almacenamiento adecuado, anotación de calidad y actualización continua de los datasets.
• Desalineación con el negocio: Para evitar expectativas poco realistas, los Product Managers deben traducir necesidades empresariales en soluciones viables. Una estrategia efectiva es involucrar stakeholders clave en todas las fases del desarrollo.
• Escalabilidad de los modelos: Pasar del prototipo a producción requiere infraestructura adecuada y procesos robustos de MLOps. Herramientas como Kubernetes y TensorFlow Serving pueden facilitar esta transición.
• Ética y sesgo algorítmico: Incorporar revisiones de equidad y transparencia para evitar sesgos en los modelos de IA. Implementar auditorías regulares y marcos de evaluación ética es una práctica recomendada.

Métricas y éxito del equipo

En Keepler no sólo medimos el éxito de un equipo de IA por la precisión del modelo, sino también por su impacto en el negocio. Algunas métricas clave incluyen:

• Índice de satisfacción del usuario: Mide la aceptación por parte de los usuarios. Al igual que con cualquier otro producto de software, una alta satisfacción del usuario es sinónimo de que el producto entregado cumple con las necesidades reales que el usuario buscaba cubrir.
• Tiempo de entrenamiento e inferencia: Cuanto más optimicemos la eficiencia de los modelos, mejor experiencia tendrá el usuario, y menores costes computacionales se generarán.
• Impacto en el negocio: También conocido como ROI (Retorno de Inversión). Reducción de costos, mejora en la toma de decisiones, optimización de procesos, aumento de ingresos, son algunos de los parámetros que mediremos para asegurar que el impacto en el negocio ha sido positivo.
• Calidad del modelo: Para Keepler es una de las métricas nucleares. Hay que prestar especial atención a la posible degradación del modelo a lo largo del tiempo, por eso es conveniente implementar procesos de retraining periódico que ayuden a mantener la precisión del modelo en entornos cambiantes.

Conclusión

Gestionar equipos que trabajan en el desarrollo de productos de IA requiere prestar especial atención a la sincronización y entendimiento entre la parte técnica y la parte estratégica. Para ello, es recomendable apoyarse en la implementación de metodologías ágiles que generen un ambiente de creatividad y aprendizaje contínuo.

Para ello, debemos mantener motivado al equipo, haciéndolo protagonista de sus logros y dándole las herramientas necesarias para poder tener un fuerte conocimiento de las necesidades del usuario.

El uso de la inteligencia artificial (IA), está demostrando que las organizaciones pueden obtener una ventaja competitiva ya que se está logrando mejorar la innovación y aumentar la eficiencia en diferentes áreas de negocio.

Imagen | Pexels | Thirdman