De la comprensión del dato a la eficiencia los procesos de negocio
La Inteligencia Artificial (IA) y el Machine Learning (ML) se han hecho imprescindibles en todas las industrias, que han adoptado las ventajas que ofrecen en cuanto a mejora de los procesos, incremento de la productividad y, por tanto, aumento de la competitividad. La automatización del ciclo de vida de Machine Learning permite ganar tiempo, aliviar la carga de trabajo de los ingenieros de datos, otorgar más independencia a los data scientist a la hora de empujar modelos a producción desde notebooks y garantizar la calidad la escalabilidad de los modelos en producción.
Este conjunto de prácticas se conoce como ML Ops, que combina Machine Learning, DevOps e Ingeniería de datos, y cuyo objetivo es implementar y mantener sistemas ML en producción de manera confiable y eficiente.
A través de estas conversaciones con expertos, y con el apoyo de Google Cloud España, haremos un viaje para descubrir los desafíos de lo que hemos llamado Data Automation o automatización del ciclo de vida de modelos de Machine Learning, como:
- Agilidad e industrialización de la puesta en producción.
- Retorno garantizado de la inversión.
- Evaluación más técnica del desempeño del modelo de ML.
- Exactitud, precisión, velocidad y deriva del modelo de ML.
