El recorrido por el

machine learning
El camino le permitirá aprovechar todo
el potencial de las tecnologías del
machine learning.
INTRODUCCIÓN

Avanzar con determinación

Al hacer uso de las estrategias adecuadas, el machine learning (ML) puede
aumentar la agilidad, optimizar los procesos e incrementar los ingresos gracias
a la creación de nuevos productos y la mejora de los existentes, además de
posibilitar una mejor toma de decisiones con mayor rapidez.

No cabe duda de que el machine learning y la inteligencia artificial (IA) pueden

ayudar a las empresas a alcanzar mayores logros: en una encuesta reciente de
McKinsey, el 63 % de los encuestados informó aumentos en los ingresos gracias a
la adopción de la IA en las unidades de negocio donde sus empresas utilizan la IA.¹
También está claro que los que adoptan esta tecnología continúan depositando su
confianza en la capacidad de las tecnologías de inteligencia artificial para impulsar
el valor y las ventajas. Según Gartner, el 75 % de las empresas pasarán de poner a
prueba la IA a ponerla en funcionamiento a finales de 2024² y, según Deloitte, el
57 % opina que la IA transformará su organización en los próximos tres años.³

Si bien el machine learning existe desde hace décadas, su accesibilidad como

herramienta para transformar las empresas es relativamente nueva. Además, la falta
de una vía singular y comprobada para alcanzar el éxito con el machine learning
hace que algunas empresas se mantengan al margen, ya que no se sienten seguras
acerca de cómo dar el siguiente paso (o siquiera el primero) en este recorrido. Este
libro electrónico ha sido diseñado para ayudar a los negocios a progresar, ya que
ofrece una ruta comprobada, desde los primeros pasos a seguir hasta la medición
de los resultados, además de compartir los conocimientos adquiridos por Amazon
acerca del machine learning y su experiencia que ha ayudado a miles de clientes a
llevar a cabo sus propias iniciativas.

Es hora de que las organizaciones superen los retos relacionados con el machine
learning para que puedan progresar con confianza. Sin importar dónde se encuentren
las organizaciones en su recorrido por el machine learning, encontrarán la orientación
necesaria para dar el siguiente paso hacia el éxito con el machine learning.

1
https://www.mckinsey.com/featured-insights/artificial-intelligence/global-ai-survey-ai-proves-its-worth-but-few-scale-impact
2
https://www.gartner.com/en/newsroom/press-releases/2020-06-22-gartner-identifies-top-10-data-and-analytics-technolo
3
https://www2.deloitte.com/us/en/insights/focus/cognitive-technologies/state-of-ai-and-intelligent-automation-in-business-
survey.html

2
¿POR QUÉ MACHINE LEARNING?

¿Qué son la inteligencia artificial

y el machine learning?
Probablemente haya escuchado una serie de descripciones sobre la
inteligencia artificial (IA) y el machine learning, así es que retrocedamos un
poco y repasemos sus definiciones exactas:

La inteligencia artificial (IA) es una forma de describir cualquier sistema

que pueda replicar tareas que antes requerían inteligencia humana.

Casi siempre, esto está relacionado con algún tipo de tarea compleja de
toma de decisiones en la que normalmente se requeriría el juicio humano.
La mayoría de los casos de uso de la IA buscan un resultado probabilístico:
hacer predicciones, clasificaciones o tomar decisiones con un alto grado de
certeza y de manera similar al juicio humano.

La gran mayoría de los sistemas de IA de hoy se crean mediante el

machine learning. El machine learning utiliza grandes cantidades de
datos para crear y validar la lógica de decisión. Esto se conoce como
modelo. El sistema de IA suministra datos de entrada a ese modelo,
y luego el modelo elabora predicciones o clasificaciones similares a
las humanas. Esencialmente, el machine learning es la tecnología
subyacente que impulsa los sistemas inteligentes.

La IA se puede crear sin el machine learning, pero ahora mismo este es el

método principal para crear sistemas de IA. Del mismo modo, el machine
learning puede utilizarse para algo más que la IA, pero en la actualidad la
mayor parte del machine learning está relacionado con la IA.

3
¿POR QUÉ MACHINE LEARNING?

¿Por qué machine learning?

Antes de profundizar en los pasos necesarios para utilizar el machine learning, exploremos por qué las empresas
deben emprender este recorrido en primer lugar. Al fin y al cabo, incluso con la guía de este libro electrónico,
completar los pasos que se describen aquí requerirá inversiones continuas y una dedicación inquebrantable. Los
negocios tendrán que constantemente tener en cuenta qué es lo que buscan, concentrándose en los beneficios
del negocio precisos que pueden obtenerse si se aprovecha al máximo la tecnología del machine learning.

Los negocios ya conocen el impacto de:

La optimización del negocio con nuevas eficiencias

1 El machine learning se puede utilizar para crear una mayor eficiencia gracias a sofisticados modelos de
planificación y predicción de la demanda. Si bien esto se da en casi todos los sectores, los minoristas
aportan algunas pruebas específicas. La predicción basada en la IA reduce las pérdidas de ventas
por falta de disponibilidad de productos hasta en un 65 % y da como resultado 2 millones menos
de devoluciones de productos al año.⁴ Gracias a una solución predictiva de pedidos basada en AWS,
Domino’s Pizza Enterprises Limited implementa una iniciativa que tiene como objetivo tener una
pizza lista para recoger en 3 minutos luego del pedido o entregarla sin problemas en 10 minutos.

Decisiones más inteligentes y rápidas

2 Con base en información proveniente de fuentes de datos y análisis con un crecimiento más
inteligente a través del machine learning, los negocios y su personal pueden tomar decisiones
más rápidas y bien fundadas que les permiten actuar sobre las oportunidades lo antes posible
y obtener mejores resultados. Los agentes de servicio al cliente de T-Mobile utilizan la IA para
acceder rápidamente a la información más relevante en cuanto a las necesidades de los clientes.
Gracias al acceso de los agentes a información contextual en tiempo real, T-Mobile ayuda a
garantizar que los problemas de cada cliente se resuelvan rápido y con precisión.

4
https://www.mckinsey.com/~/media/mckinsey/industries/advanced%20electronics/our%20insights/how%20artificial%20intelligence%20
can%20deliver%20real%20value%20to%20companies/mgi-artificial-intelligence-discussion-paper.ashx

4
¿POR QUÉ MACHINE LEARNING?

3 Incorporación de nuevas capacidades a los productos

existentes 4 Invención de nuevos productos netos
Con el machine learning, las empresas pueden aprovechar los datos
El machine learning puede enriquecer los productos existentes, mejorando para desarrollar ideas revolucionarias y lanzar nuevos productos
el compromiso de los clientes y atrayendo a nuevos usuarios a través de (e incluso nuevas categorías) al mercado. Convoy revolucionó la
experiencias más profundas. Por ejemplo, Livongo es una plataforma industria del transporte mediante la introducción de un modelo basado
y una aplicación móvil que funciona con dispositivos inteligentes, como en el machine learning para automatizar la logística. La solución de
un glucómetro conectado para ayudar a las personas a controlar los Convoy proporciona una mejor adaptación para los cargadores y
problemas médicos. Utiliza el machine learning para traducir los datos camioneros, lo que les permite mover el cargamento de manera más
de las lecturas de la glucosa en la sangre, la actividad física y los registros eficiente y reducir los costos para ambas partes.
de las comidas, además de los datos de los teléfonos inteligentes y otros
datos importantes, en “indicadores de salud” oportunos y prácticos. Estos
mensajes personalizados sobre la dieta, el ejercicio, los medicamentos,
Ahora que hemos explicado el “por qué” del machine learning,
entre otros (entregados en tiempo real a los miembros en sus dispositivos
es el momento de profundizar en el “cómo”. En las siguientes
conectados), los ayudan a evitar complicaciones que podrían causar
secciones, se mostrarán los pasos a seguir en el recorrido del
una hospitalización, y permite que tanto el sistema como ellos mismos
machine learning, gracias a la propia experiencia de Amazon y la
ahorren dinero.
de los clientes de AWS que ejemplifica los cambios necesarios para
implementar, utilizar y escalar correctamente el machine learning.

5
EL RECORRIDO POR EL MACHINE LEARNING

El recorrido por el machine learning

El recorrido por el machine learning no siempre es sencillo. Para alcanzar el éxito con el machine learning,
no solo se necesita una gran tecnología, sino también asegurarse de que la organización está alineada con
los objetivos correctos. La identificación y el logro de esos objetivos requerirán grandes cambios en los
procesos, la administración y la cultura de la empresa. En las siguientes secciones, se explorará la forma en
que las organizaciones pueden superar los desafíos comunes que suelen impedir el progreso, y se tomarán
las medidas adecuadas para implementar el machine learning de manera eficiente y sostenible.

1 Defensa de una cultura de machine learning

Según Gartner, se proyecta que el valor empresarial Es importante que la administración adopte una
global derivado de la inteligencia artificial (IA) visión a gran escala y fomente las iniciativas de
alcanzará los 3,9 billones de dólares en 20225. machine learning. Los ejecutivos deben mantener
la firmeza en sus objetivos, pero deben ser flexibles
“(El machine learning) potenciará y mejorará cada
en la forma en que la organización los alcanza.
empresa, cada organización gubernamental, cada
Seguro que se cometerán errores. Sin embargo,
filantropía, básicamente no hay institución en el
si se mantienen enfocadas en la perspectiva
mundo que no pueda mejorar con el machine
a largo plazo y no permiten el desánimo, las
learning”, afirma Jeff Bezos, fundador y director
organizaciones pueden sacar provecho de cada
ejecutivo de Amazon.
error y aplicar esos aprendizajes para defender una
Para liberar todo el potencial empresarial cultura de machine learning en todo el negocio.
del machine learning se necesitarán cambios
Quizá el mayor cambio cultural que deben
culturales en la organización, los objetivos y la
experimentar las organizaciones es convertirse
perspectiva del equipo.
en tolerantes a los errores. El machine learning es
Si se desea que el machine learning se propague un proceso iterativo, que solo puede tener éxito a
por toda la organización, tanto los equipos de través de la experimentación constante. La mayoría
negocios como los técnicos deben trabajar juntos de las veces, estos experimentos resultarán en
y compartir las mismas prioridades. Para lograr fracasos. Solo si se toleran estos fracasos, y si se
esto, el esfuerzo del machine learning debe contar rehúsan a detener el progreso para determinar
desde el principio con el apoyo de los niveles más “qué fue lo que salió mal”, las organizaciones
altos, con objetivos establecidos por los líderes pueden alcanzar de forma consistente el éxito que
ejecutivos y una inversión en la tecnología y en los las espera al otro lado.
procesos que permitan alcanzar el éxito.
5
https://www.gartner.com/en/newsroom/press-releases/2018-04-25-gartner-says-global-artificial-intelligence-business-value-to-reach-1-point-2-trillion-in-2018
6
EL
ENFOQUE
RECORRIDO
EN POR
EL CLIENTE
EL MACHINE LEARNING

Cómo lo logró Amazon

A mazon ha utilizado el machine learning en el negocio durante más

de 20 años. Pero hace más de 10 años, para una mayor adopción del
machine learning en toda la compañía, el equipo de liderazgo de Amazon
La compañía utiliza el machine learning a lo largo de su proceso de
distribución y aprovecha un sistema de predicción que puede predecir la
demanda de casi todos los productos de su enorme inventario. Con estos
pidió a todos los líderes de negocios de la organización, independientemente modelos de predicción, Amazon puede cumplir mejor con las expectativas
de si dirigían un equipo de investigación, un centro de distribución o un de los clientes en cuanto a comodidad, costos y velocidad de entrega.
departamento de recursos humanos, que respondieran a la pregunta sobre
cómo planeaban aprovechar el machine learning en su ámbito de trabajo. “Prevemos millones de productos cada día en todos nuestros sitios de
Amazon a nivel mundial”, dice Jenny Freshwater, directora de predicciones de
En la mayoría de los casos, la respuesta “no tenemos pensado hacer esto” Amazon. “Sin el machine learning, no podríamos elaborar esas predicciones”.
no era aceptable. Esto obligó a los líderes, a los expertos en la materia y a
los expertos técnicos a colaborar en iniciativas de machine learning y a no Amazon también desarrolló tecnología para ofrecer a los consumidores una
permitir que nada detuviera su progreso, incluso en los casos en que los forma totalmente nueva de interactuar con la tecnología a través de Alexa.
beneficios tangibles aún estaban a años de distancia. La empresa desarrolló una tecnología innovadora con un sistema de vuelo
autónomo a través de drones de Amazon Prime Air y utiliza la robótica en sus
Además de contratar a científicos de datos externos, Amazon también creó la centros de distribución para llevar los paquetes a los consumidores con mayor
Universidad de machine learning, que capacitó a muchos de sus desarrolladores rapidez. Además, Amazon utiliza el machine learning para minimizar la cantidad
para que utilizaran el machine learning de manera más efectiva. La compañía de embalaje que los clientes tienen para desechar, lo que reduce el peso del
creó herramientas como Amazon SageMaker, que simplifica el proceso de embalaje de salida en un 33 % y elimina 915 000 toneladas de material de
creación de modelos y reduce la barrera de entrada, de modo que el machine embalaje en todo el mundo.
learning puede escalar con mayor eficacia.
Para alcanzar estos logros, fue necesario realizar grandes inversiones
Hoy, más de 10 años después, no hay un solo departamento en Amazon en tecnología, investigación y aptitudes. Sin embargo, esas inversiones
que no haya sido influenciado por el machine learning. La tecnología de se habrían desperdiciado sin el cambio cultural que los ayudó a superar
personalización de Amazon que proporciona recomendaciones a los clientes muchos fracasos y desafíos inesperados. Cada organización debe fomentar
ha mejorado significativamente desde su primer modelo hace 20 años y se ha esta misma cultura de experimentación e innovación tolerante a errores
implementado en otras áreas del negocio. antes de que comience el verdadero recorrido por el machine learning.

7
EL RECORRIDO POR EL MACHINE LEARNING

2 Reflexión sobre la estrategia de datos

El éxito del machine learning depende en gran Si bien las estrategias de datos modernas adoptan
medida de la calidad de los datos. Sin una muchas formas, los lagos de datos se están
estrategia de datos adecuada, el progreso será convirtiendo en un componente central cada vez
más lento y obstaculizará la eficacia del modelo más popular de los modelos más eficientes. Los
final. Peor aún, si el modelo recibe información de lagos de datos ofrecen más agilidad y flexibilidad
datos erróneos, los resultados que genera pueden que los sistemas tradicionales de administración de
ser engañosos, o incluso totalmente incorrectos. datos, lo que permite a las empresas administrar
múltiples tipos de datos de una amplia variedad de
“(Los modelos de machine learning) son muy fuentes y almacenar los datos, ya sean estructurados
sensibles a la calidad de los datos”, explica o no estructurados, en un repositorio centralizado.
Freshwater. “Así que aprendimos, en muchos casos
por las malas, que el tiempo invertido en obtener Una vez almacenados, los datos se pueden analizar
datos de alta calidad en el comienzo producía mediante muchos tipos de servicios de análisis y
dividendos en nuestros modelos al finalizar”. machine learning, de forma más rápida y eficiente en
comparación con los enfoques tradicionales en silos.
La estrategia de datos adecuada para el machine Las arquitecturas de lagos de datos también permiten
learning debe tener como objetivo desglosar los que múltiples grupos dentro de la organización
silos, para que los equipos de TI puedan acceder a los se beneficien del análisis de un conjunto de datos
datos y recopilarlos de forma fácil, rápida y segura. coherente que abarca toda la empresa.

Para obtener ayuda en el desarrollo de una

estrategia de datos más holística que incluya
lagos de datos, interactúe con
Volante de inercia de datos de AWS.

8
ENFOQUE
ENFOQUEEN
ENEL
ELCLIENTE
CLIENTE

Cómo lo logró Georgia-Pacific

“Utilizamos las tecnologías de análisis de datos de AWS

para predecir [...] con precisión qué tan rápido deben T odos los días, se producen cientos de rollos matrices de papel y tisú en las
instalaciones de fabricación de Georgia-Pacific en América del Norte.
Si hay grietas o roturas frecuentes, se generan tiempos de inactividad de la
funcionar las líneas de conversión para evitar roturas.
máquina de papel y de la línea de conversión, lo que puede costar a Georgia-
Gracias a la reducción de las roturas de papel, hemos
Pacific millones de dólares al año por línea.
aumentado las ganancias en millones de dólares para

G
una línea de producción”. eorgia-Pacific comenzó con una migración de 50 TB de datos de
producción estructurados y no estructurados desde una infraestructura
Steve Bakalar, vicepresidente de TI y transformación digital, Georgia-Pacific
de base de datos heredada hacia un lago de datos basado en la nube. La
combinación entre las bases de datos de AWS y las herramientas analíticas
para todos esos datos permitió a Georgia-Pacific optimizar los procesos de
fabricación clave para predecir fallas en los equipos con una anticipación
de 60 a 90 días. Con la reducción tanto en las roturas de papel como en los
tiempos de inactividad imprevistos, la empresa pudo aumentar las ganancias
en millones de dólares para una línea de producción.

Lea la historia completa »

9
EL RECORRIDO POR EL MACHINE LEARNING

3 Localización del problema

empresarial adecuado a tratar

Un error que suelen cometer las organizaciones en su recorrido por el machine

learning es emplear a científicos de datos independientes que trabajan en silos para
crear modelos de machine learning como prueba de conceptos, en lugar de resolver
problemas empresariales reales. Como no tienen que resolver ningún problema
empresarial específico, a los ejecutivos de TI les resultará cada vez más difícil demostrar
el valor de los proyectos de machine learning a sus homólogos ejecutivos. Esto puede
retrasar o incluso detener el progreso de las iniciativas de machine learning.

A continuación, se presentan algunas preguntas importantes que

las organizaciones deben hacer antes de comenzar a utilizar el
machine learning:

1 ¿El proyecto es lo suficientemente importante como para llamar

la atención y lograr la adopción?

2 ¿Soluciona un problema empresarial real?

3 ¿Existen lugares en los que la organización ya tiene muchos datos

sin utilizar?

4 ¿El proyecto necesita el machine learning?

5 ¿Puede hacerlo una sola empresa?

6 ¿Se puede poner en marcha en algún momento?

10
EL RECORRIDO POR EL MACHINE LEARNING

“Un primer paso es identificar un problema que contenga muchos datos, Juntos, estos equipos también deben trabajar en la manera de medir el
pero que no se haya podido resolver con los métodos tradicionales”, éxito. “Asegúrese de tener medidas muy precisas y claras a medida que se
explica Freshwater. adentra en el machine learning”, dice Freshwater. “Muchas veces, los modelos
toman el control de algo que ya existe y uno quiere asegurarse de que son
Para lograr que el machine learning sea un éxito, las organizaciones crean equipos realmente mejores y de que eso se puede medir”.
de machine learning destinados a abordar problemas empresariales específicos.
Para ello, es necesario incluir en estos equipos tanto a expertos técnicos como a Para obtener más información acerca de cómo medir el éxito de las iniciativas
expertos en la materia. Si bien los expertos técnicos serán los más afectados por la de machine learning, consulte el Paso 6 en este libro electrónico.
creación de modelos, necesitan los conocimientos de campo de los expertos en la
materia para definir con precisión los desafíos empresariales e identificar los datos Algunas organizaciones cuentan internamente con las aptitudes necesarias para
más importantes para encontrar una solución. identificar los problemas que el machine learning podría tratar óptimamente
y para implementar los programas piloto apropiados. Las organizaciones que
Este enfoque también es fundamental para la administración del cambio: necesitan ayuda en esta área deben contactar a expertos y colaborar con ellos
cuando los expertos técnicos y los expertos en la materia colaboran en la para “trabajar en retrospectiva” a partir de los desafíos del negocio. Luego, deben
creación de modelos de machine learning, los empleados se sienten más avanzar gradualmente en el proceso de creación de proyectos de machine
seguros a la hora de tomar decisiones basadas en la lógica del algoritmo. learning para resolver esos desafíos.

11
ENFOQUE EN EL CLIENTE

Cómo lo logró la NFL

D urante décadas, la NFL ha trabajado para proporcionar información

profunda acerca de sus jugadores y equipos a fin de satisfacer tanto la
necesidad de mejorar la seguridad de los jugadores como la sed insaciable de
Esta asociación también ayuda a lograr la aceptación de NGS, ya que es más
probable que los comentaristas mencionen estadísticas avanzadas que los
expertos en fútbol (y, en algunos casos, las mismas emisoras) crearon.
los fanáticos por los datos y las estadísticas.
Lea la historia completa »
Para abordar esta necesidad, la NFL ha trabajado junto con AWS para darle
vida a la herramienta NFL Next Gen Stats (NGS) basada en el machine learning.
Como la ciencia y el fútbol son disciplinas completamente diferentes, la NFL
convocó, acertadamente, a los expertos técnicos y a los expertos en el área
para la creación de NGS y se aseguró de que ambos grupos pudieran trabajar
en conjunto para identificar los datos correctos y desarrollar las estadísticas6.

Con la ayuda de las etiquetas de identificación de radiofrecuencia para realizar un

seguimiento de los movimientos de los jugadores, NGS proporciona en tiempo
real los datos sobre la ubicación, la velocidad y la aceleración de cada uno de los
jugadores en cada jugada y en todo el campo de juego. Gracias a la simulación de
diferentes situaciones dentro de un entorno de juego, la NFL tiene como objetivo
fomentar una mejor comprensión de cómo se tratan y rehabilitan las lesiones a corto
plazo y, finalmente, predecir e intervenir para prevenir las lesiones en el futuro.

Además, NGS utiliza modelos de machine learning para calcular más de

20 estadísticas avanzadas que sean interesantes para los fanáticos. Un ejemplo
es la estadística de yardas esperadas por tierra, que está diseñada para mostrar
cuántas yardas por tierra se espera que consiga un portador del balón en una
corrida determinada en función de la ubicación, la velocidad y la dirección
relativas de los bloqueadores y defensores.

Observaciones como la probabilidad de pase completo no existirían si no fuese

por la asociación entre expertos técnicos, quienes pueden construir y entrenar
los modelos que analizan los datos necesarios, y expertos en el área, que saben
qué datos deben medir para crear las estadísticas más interesantes.

6
https://aws.amazon.com/nfl

12
EL RECORRIDO POR EL MACHINE LEARNING

4 Mejora de las habilidades profesionales

de sus equipos
Mientras se crea una estrategia de datos, las organizaciones deben enfocarse
en armar a sus equipos de ingenieros con las habilidades adecuadas.

Las organizaciones son cada vez más conscientes de la falta de habilidades

en la tecnología de la información, la creciente brecha entre las tecnologías
y la habilidad de los especialistas para aprovecharlas. Eliminar esta falta de
habilidad en el machine learning implicará la combinación de formación
técnica y contrataciones. La realidad es que actualmente no hay suficientes
científicos de datos para conducir la transformación del machine learning
que se aproxima. Esto implica que las organizaciones que quieran aprovechar
el machine learning primero deben invertir en el desarrollo de sus aptitudes.

Aunque no se ha encontrado una solución universal para la falta de

habilidad en el machine learning, existen métodos probados que pueden
maximizar las habilidades del personal existente y, de este modo, reducir
la necesidad de realizar grandes inversiones en la compra o en el préstamo
de talentos expertos ya capacitados. Estos métodos incluyen lo siguiente:

Definir la falta de habilidades: antes de eliminar la falta de habilidades, una

organización debe identificar las diferencias precisas entre lo que necesita o
desea que hagan sus empleados y las habilidades que tienen actualmente.

Entender cómo se identifican las habilidades: como las iniciativas de machine

learning representan esfuerzos interdisciplinarios, una organización debe
identificar las habilidades que necesitan los científicos de datos, los especialistas
de machine learning, los desarrolladores de aplicaciones, los estadistas y los
expertos en otras áreas del negocio.

Personalizar la formación técnica de acuerdo a las necesidades específicas:

si una organización ya cuenta con programas de capacitación que pueden ser
útiles, debería adaptar ese material de acuerdo a las necesidades específicas
del machine learning del negocio. Los líderes también deben investigar los
servicios de inteligencia artificial ya entrenados que proporcionan inteligencia
preparada para las aplicaciones de negocios y los flujos de trabajo.

13
EL RECORRIDO POR EL MACHINE LEARNING

Además de la formación técnica, deberá alinear los equipos para abordar

correctamente los problemas relacionados con el machine learning.
Esto incluye lo siguiente:

Fomentar una cultura de equipos empoderados: los equipos de

proyecto de machine learning deben ser multifuncionales a fin de tener la
autoridad necesaria para cumplir objetivos individuales, además de tener
la libertad para intercambiar conocimientos con otros equipos de acuerdo
a las demandas y a las oportunidades que se presenten. Para que este
tipo de trabajo en equipo sea posible, la administración debe fomentar
nuevas estructuras y dejar de lado aquellos modelos organizacionales
estrictamente jerárquicos y departamentales del pasado.

Comenzar con un equipo piloto: establezca un equipo piloto de

ingenieros y asígnele un proyecto de machine learning. “Recomendaría que
dos personas muy inteligentes se encarguen de descubrir qué métricas
desea optimizar o predecir… solo empiece de a poco”, expresa Freshwater.

Permitir la transformación orgánica: cuando el proyecto piloto esté completo,

el negocio podrá dividir el equipo e incorporar nuevos ingenieros para crear
equipos nuevos y, a su vez, asignarles nuevos proyectos. Este proceso continúa,
lo que permite que el conocimiento se difunda orgánicamente desde los
miembros más antiguos del equipo hasta los que han sido incorporados
recientemente y puedan intercambiar conocimientos entre ellos.

Gracias a esta guía, muchas organizaciones han descubierto que las personas
que componen sus equipos en realidad son las personas que necesitan para
eliminar la falta de habilidades en el machine learning. Aunque es posible
que todavía se necesite otro reclutamiento, los cambios en relación con la
administración, los procesos y la organización hacen gran parte del trabajo
de mejorar las habilidades para lograr tener éxito con el machine learning.

14
ENFOQUE EN EL CLIENTE

Cómo Morningstar lo logró

M orningstar, la compañía de investigación en materia de inversiones,

utiliza el machine learning para automatizar los procesos de recopilación
de datos y aumentar la cantidad de fondos que cubre. La empresa logra esto
“Nuestro desafío de DeepRacer aprovecha el entusiasmo de
nuestros empleados por el machine learning y la inteligencia
artificial. Proporciona formación práctica en la empresa y acelera
a través de las predicciones del modelo de machine learning entrenado para
la aplicación práctica de Morningstar del machine learning en
imitar el proceso de evaluación de fondos de los analistas.
nuestros productos, servicios y procesos de inversión. La respuesta
A fin de capacitar a sus empleados y acelerar la aplicación del machine por parte de nuestros equipos superó mis expectativas y considero
learning, Morningstar utiliza AWS DeepRacer, una herramienta que facilita que fue una manera entretenida de unir nuestros equipos, tanto
la formación práctica en machine learning a través de un coche de carreras en la tecnología como en otras funciones".
autónomo a escala 1/18 basado en el aprendizaje de refuerzo, un simulador
de automovilismo 3D y una liga de automovilismo a nivel mundial. Más de James Rhodes, director de tecnología de Morningstar

445 empleados de Morningstar que se encargan de distintas funciones y

provienen de ocho países, incluido el 35 % del personal que se dedica a la
tecnología, han participado en la DeepRacer League7.

Morningstar tiene en mente varios proyectos de machine learning para el

2021. Algunos de ellos incluyen implementar un programa de aprendizaje de
refuerzo que se encargue de buscar patrones en documentos regulatorios y
un algoritmo que identifique y repare los enlaces dañados a los sitios web de
instituciones financieras.

7
https://newsroom.morningstar.com/newsroom/news-archive/press-release-details/2019/Morningstar-Launches-Global-
AWS-DeepRacer-Corporate-Competition-to-Accelerate-Application-of-Machine-Learning/default.aspx

15
EL RECORRIDO POR EL MACHINE LEARNING

5 El escalado más allá de los proyectos pilotos

Luego de los primeros proyectos piloto exitosos, costo. De esta forma, se permite la expansión
las organizaciones deben avanzar al siguiente sostenible de las iniciativas de machine learning
paso de este recorrido: el escalado del machine más allá de los proyectos piloto.
learning en la empresa de manera sostenible.
Este es un desafío tanto técnico como cultural. Existen muchas formas en que las empresas
abordan el cambio cultural necesario para escalar
Para lograr el escalado, las organizaciones el machine learning. Es posible que algunas
deben facilitar el uso del machine learning a los tengan éxito al crear un centro de excelencia que
desarrolladores. La creación de modelos de machine consolide a la comunidad y continúe la búsqueda
learning a escala puede ser una tarea intensa y de nuevas iniciativas. También, como es el caso
compleja, lo cual puede ralentizar la innovación. de Amazon, las organizaciones pueden hacer
que el machine learning sea una parte integral
Muchas organizaciones abordan los retos que de los procesos de planificación anual, reuniendo
implica el escalado mediante Amazon SageMaker, continuamente a los expertos técnicos y los
una solución integral que cubre la totalidad del expertos en la materia para intercambiar ideas y
flujo de trabajo de machine learning para crear, determinar los próximos pasos de la compañía.
entrenar e implementar los modelos de machine
learning. Gracias a Amazon SageMaker, las
organizaciones pueden llevar sus modelos a la
fase de producción con mayor rapidez y menor

16
ENFOQUE EN EL CLIENTE

Cómo lo logró Intuit

G racias a Amazon SageMaker, Intuit logró reducir el tiempo de implementación

del machine learning en un 90 por ciento : de seis meses a una semana.
Mediante la centralización de las iniciativas de machine learning por parte de Intuit,
se fomenta la innovación y se implementan técnicas de inteligencia artificial y de
machine learning a gran velocidad y escala, por lo que adquiere valor empresarial
más allá de sus productos y servicios.
“AWS brinda a las personas que trabajan
“AWS le brinda a las personas que trabajan en Intuit una plataforma común
en Intuit una plataforma común para
para compartir información y colaborar en un entorno seguro”, afirma Ashok
Srivastava, vicepresidente sénior y director de datos de Intuit. “Por ejemplo,
compartir información y colaborar en un
Amazon SageMaker nos brinda la plataforma y la infraestructura necesarias entorno seguro”.
para aplicar nuestras tecnologías sofisticadas de inteligencia artificial y de
Ashok Srivastava, vicepresidente sénior y director de tecnología de Intuit
machine learning”.

Mire el video »

17
EL RECORRIDO POR EL MACHINE LEARNING

6 Evaluación de los resultados

Cuando se busca evaluar los resultados del trabajo en esto ahora, nos atrasaremos frente a
con machine learning, el enfoque tradicional de nuestros competidores en X años cuando
“rentabilidad del proyecto” (en el que un proyecto avance la tecnología?”.
debe tener un comienzo y un final definidos,
un presupuesto y un retorno económico) es Si bien las métricas tradicionales de ROI pueden
reduccionista y puede ser perjudicial para el éxito no ser el mejor enfoque para medir el impacto
de las iniciativas del negocio. Si el proyecto no que tienen las iniciativas de machine learning
genera un rendimiento positivo en el tiempo sobre las empresas, sí es posible medirlo.
determinado, el negocio puede perder interés en él Solo se trata de cambiar de enfoque.
y perderse oportunidades cruciales más adelante.
Para medir los resultados del machine learning,
Para que esto no suceda, los ejecutivos y el personal podemos usar algo similar a un “árbol de
de tecnología de la información deben medir los valores”, en el que el tronco principal represente
resultados del trabajo con machine learning en el “rendimiento de los ingresos” tradicional y las
función de lo que significa el éxito para su negocio, ramas que se desprenden de él representen el
en relación con la optimización de los procesos. valor de otros resultados del negocio.
Además, deben entender los esfuerzos que se
dedican al machine learning como inversiones a Las ramas específicas de este árbol de valores
largo plazo, teniendo en mente que pueden pasar dependerán de la organización, la industria y la
muchos años y llevarse a cabo infinitas iteraciones iniciativa, pero podrían ser cosas como “el ahorro
antes de obtener un verdadero “rendimiento”. de tiempo mediante procesos automatizados”,
“nuevos mercados, datos útiles y oportunidades
Cuando se planifican iniciativas de machine identificadas”, “mejoras en el servicio al cliente”
learning, es mejor hacerlo desde un enfoque e “incremento en ventas a mayor precio”.
que priorice la agilidad, la ventaja competitiva y
la tolerancia a riesgos, antes que el rendimiento Medir el éxito del machine learning a través de
esperado. Las organizaciones tendrán mucho un modelo más holístico y a largo plazo permitirá
más éxito si dejan de lado preguntas como: “¿qué a sus equipos de trabajo concentrarse en los
ganancia obtendré en X meses?” y empiezan a mejores resultados para el futuro de la compañía.
hacerse preguntas del tipo de: “¿si no invertimos
18
DAR EL PRÓXIMO PASO

Dé el próximo paso con AWS

Sin importar en qué etapa del recorrido por el machine learning esté una
organización, AWS puede proveerle productos, soluciones y servicios que lo ayuden
a dar el próximo paso. AWS cuenta con la más amplia variedad de servicios de
inteligencia artificial y machine learning en el mundo y ha ayudado a más de
diez mil clientes a implementar el machine learning con éxito en sus empresas.

AWS dedica todos sus esfuerzos a poner el machine learning al alcance de cualquier
desarrollador y trabaja sin descanso para superar los desafíos más arduos que se
interponen en su camino hacia esa meta. Las capacidades de AWS se desarrollan
en la plataforma en la nube más completa, están optimizadas para trabajar con
machine learning con informática de alto rendimiento y no ahorran esfuerzos en
características de seguridad y análisis.

Exploremos las opciones de machine learning que ofrece AWS en la actualidad

y veamos cómo pueden ayudar a las organizaciones a avanzar en su recorrido.

Amazon SageMaker: Amazon SageMaker permite a los desarrolladores

y científicos de datos crear, entrenar e implementar modelos de machine
learning de forma rápida y sencilla, lo que hace más fácil la escalabilidad en
todo el negocio. Amazon SageMaker elimina la complejidad que obstaculiza
la implementación exitosa del machine learning en distintos casos de uso e
industrias, desde la ejecución de modelos para la detección de fraude en tiempo
real, hasta el análisis virtual del impacto biológico de potenciales medicamentos
o la identificación del mejor piloto de F1.

19
DAR EL PRÓXIMO PASO

El machine learning con AWS en cifras AWS AI Services: no necesita contar con experiencia previa en machine learning para
aprovechar los beneficios de estos servicios de AWS basados en inteligencia artificial:
Soluciones de machine learning de AWS:
Personalización Análisis avanzado de texto Voz
Reducen el tiempo de entrenamiento en un 50 %⁸ Predicción Agentes de conversación Transcripción
Proporcionan un 90 % de eficiencia en el escalado⁹ Análisis de imagen y video Traducción Análisis de documentos
Entregan 3 veces más de velocidad en rendimiento de red 10

Mejoran el precio y el rendimiento en un 25 % 11 Marcos de machine learning: los clientes de AWS pueden elegir entre
TensorFlow, PyTorch, Apache MXNet y otros marcos populares para personalizar
El 91 % de PyTorch en la nube se ejecuta en AWS los algoritmos de machine learning y llevar a cabo experimentos con ellos. Pueden
utilizar el marco de su elección como una experiencia administrada en Amazon
El 92 % de TensorFlow en la nube se ejecuta en AWS SageMaker o utilizar las AMI de AWS Deep Learning (Imágenes de Amazon
Machine), que están totalmente configuradas con las últimas versiones de los
marcos y herramientas de aprendizaje profundo más populares.

Infraestructura: los clientes de AWS se benefician de un amplio rango de opciones

informáticas potentes, desde las GPU para el aprendizaje profundo con uso intensivo
de recursos informáticos hasta las FPGA para la aceleración especializada de
hardware y las instancias con gran capacidad de memoria para ejecutar inferencias.
Amazon EC2 proporciona una gran selección de tipos de instancia optimizados
para trabajar con casos de uso de machine learning, sin importar si el cliente está
entrenando un modelo o ejecutando inferencias en modelos entrenados.

Herramientas de aprendizaje: AWS también ofrece una serie de

8 
Según mediciones obtenidas en la prueba de punto de referencia de ResNet-50, TensorFlow optimizado herramientas y servicios de aprendizaje para ayudar a las organizaciones a
para AWS registró el tiempo de entrenamiento más rápido, superando al resto en más de un 50 %.
mejorar sus capacidades de machine learning, como las siguientes:
9 
El uso de TensorFlow optimizado para AWS permite una eficiencia de escalado casi lineal de hasta
un 90 % en comparación con el 65 % que se obtiene utilizando TensorFlow común.
10 
En comparación con otros proveedores que utilizan instancias P3dn. AWS DeepRacer Formación técnica y certificaciones de machine learning
11 
Utilizando instancias C5 con un procesador Intel Xeon de 3.0 GHz, en comparación con instancias
de generaciones anteriores.
AWS DeepLens Laboratorio de soluciones de Amazon Machine Learning

20
CONCLUSIÓN

Solución a los desafíos Reto Solución

más grandes del
machine learning Desaliento a causa de errores Desarrollar una cultura de tolerancia a errores

La mayoría de las organizaciones han hecho Datos en silos, sin procesar Crear una estrategia moderna de datos que
inversiones en machine learning y se encuentran incluya lagos de datos
en alguna etapa del recorrido. Pero muchas se
encuentran con obstáculos en su camino y se Localización de los problemas Formar equipos de trabajo mixtos que
vuelcan a soluciones provisorias, preocupadas empresariales adecuados incluyan tanto a expertos técnicos como a
por que los costos y el nivel de complejidad sean expertos en la materia.
demasiado altos en el futuro.

La falta de habilidades en machine learning Adoptar nuevos modelos de organización,

En este libro electrónico, hemos hecho un recorrido
procesos y filosofías de gestión de equipos
por los pasos necesarios para avanzar y descubrir
todo el potencial del machine learning. A modo
de conclusión, echemos un vistazo a los desafíos Escalado sostenible más allá de los Aprovechar herramientas integrales, como
más grandes que identificamos en el camino, junto proyectos piloto Amazon SageMaker, para simplificar el
con una breve descripción de la manera en que las desarrollo del machine learning
organizaciones pueden superarlos.
Evaluación de los resultados Renunciar a las métricas tradicionales de ROI
para conseguir agilidad, ventaja competitiva y
tolerancia a riesgos; utilizar el modelo de árbol
de valores

Para obtener más información acerca de la manera en que las organizaciones

pueden superar obstáculos y acelerar su recorrido por el machine learning,
visite el centro de recursos de machine learning de AWS.
Comience »

21