Introducción a la gestión de productos de IA parte 2: ¿por dónde empezar?

1. Introducción a la lección 2: Hola, gracias por dar click en este curso de gestión de productos A0. Mi nombre es Kristin. Llevo trabajando en TI casi diez años y en ciencia de datos y visión por computador, casi cinco. Hola, soy Lizzie y bienvenido al curso. También he incluido en desarrollo de productos de IA en los últimos tres años, estado trabajando en la automatización del proceso de verificación con machine learning y específicamente con visión por computador. En este curso, vamos a profundizar más en el desarrollo de productos de IA. Discutiremos las diferencias entre una mentalidad de desarrollo de software y una mentalidad de desarrollo de productos de IA. Además, veremos por qué los productos de IA tardan tanto tiempo mantenimiento y por qué se degradan con el tiempo. Lo último para este curso, iremos y analizaremos los tres pasos que necesitas para asegurarte y empezar a pensar a la hora de crear tu primer proyecto de Ai. Gracias. 2. Cambio de mentalidad en el desarrollo de IA: En la lección anterior, platicamos sobre el hecho de que existe la capacidad de una computadora para realizar tareas que suelen ser realizadas por personas. La mayoría de las aplicaciones de IA funcionan con tareas realmente específicas. desarrollo de ai y desarrollo de software procesos dedesarrollo de ai y desarrollo de software son muy diferentes. Estaremos discutiendo eso más a fondo esta lección también. Hablamos sobre los requisitos de los productos de IA y de lo que dependen. Y hablamos sobre los productos de IA y qué tipo de IA actualmente incluye realmente. El tema de hoy es en qué tipo de trabajo vivir realmente. En cuanto a datos. A veces es son buenos si vivimos en un mundo donde todo está destinado a estar, o en un mundo donde creamos su propio futuro con nuestras propias decisiones. Entendemos que hay tareas que conducen a un resultado específico y hay decisiones que conducen a una sorpresa o un desenlace inesperado. Este mundo puede describirse como un mundo determinista y probabilístico. El término mundo determinista significa que sabemos lo que va a pasar si haces una cosa, otra cosa definitivamente sucederá. problemas clásicos de ingeniería de software Losproblemas clásicos de ingeniería de softwareson así. Determinístico. Si haces clic en un botón, hace algo que está programado para hacer. Quiero decir, claro a menos que haya un bicho. Pero cuando hablamos productos de IA o funcionalidad NEA, nos estamos inclinando más hacia lo no determinista, también llamado mundo probabilístico. Esto significa que no podemos estar seguros de lo que hará el modelo. Esto es específicamente importante para entender cuando las madres son puestas en una situación desconocida. Por ejemplo, cuando los datos de entrada son ligeramente diferentes de la norma regular. En la visión por computador, esto significaría que la imagen incluye objetos o entornos los que el modelo no está acostumbrado. Entonces expliquemos esto con más detalle. Si ocurre alguna actividad, por ejemplo, pulsar un botón o introducir una consulta o recibir datos en un formulario. Siempre hay algún tipo de funciones concretas relacionadas con eso. Se hace clic en un botón, se abre la página siguiente, o se ingresa la consulta, y luego se busca el resultado y la base de datos. O tercer ejemplo, se reciben datos y se guardan automáticamente en la base de datos. Aunque las cosas son deterministas. Pero luego pasó el clic. Click es igual a true y luego se hace algo predefinido. Pero ¿qué pasa con el mundo probabilístico? Hay un balance de estadísticas y conjeturas. Entonces no sabemos exactamente certeza que algo va a pasar, pero podemos predecirlo con base en patrones anteriores. Por ejemplo, si ves a un jugador de perros ladrando sonido, o en detección de fraude, si parece, o campos que el usuario X extrañamente luego envió, los envió para una mayor inspección. La principal diferencia con mundo determinista es que estamos un poco seguros al 100% de que algo pasó o va a pasar. No es como puede haber, qué es un clic de un botón, vamos a enviar los datos de todos modos. Pero nuestros algoritmos de IA, deterministas o probabilísticos, podemos decir que son, es determinista en el sentido de que sí sigue el algoritmo o el modelo, pero probabilístico en el sentido de crear ese algoritmo. Entonces, cuando estamos entrenando un modelo, utiliza estadísticas para predecir el resultado, es decir, es probabilístico. Pero cuando este modelo de tren se pone entonces en uso en un producto, predice exactamente por las reglas o el, o el algoritmo está entrenado para hacer. También podemos echar un vistazo rápido a los datos deterministas y probabilísticos. Los datos probabilísticos son datos que se basan en eventos de comportamiento como páginas vistas, el tiempo dedicado a la página son clics. Este tipo de datos se pueden utilizar para modelos de predicción. Por ejemplo, se puede utilizar para clustering. Los usuarios están sugiriendo artículos a su cliente. Los datos deterministas están vinculados a algo que identifica al usuario, como una dirección de correo electrónico o un id de idea de cookie y lo más probable es que sea 100% cierto. Esto puede considerarse un hecho o una característica de un usuario. Por ejemplo, si un usuario se registra alguna plataforma y da su edad actual, lo es, es un hecho que al año siguiente el cliente será un año mayor. Pero el, pero si el mismo usuario usa la plataforma diez veces menos desgarro, no podemos estar seguros si usará la misma plataforma el próximo año, 1110 o nueve veces. Si bien podemos hacer es agrupar y analizar a muchos usuarios con un comportamiento similar el año pasado y hacer una suposición o predicción de cómo él o ella podría baraja el próximo año. Pero no lo sabemos con certeza. Entonces, cuando hablamos de mentalidad, al crear nuestros productos, tenemos que entender que el mundo real no es determinista. El mundo real no es blanco y negro. Es, podemos decir, Cincuenta sombras de Grey. Entonces nos vamos en un mundo probabilístico y tenemos que hacer todas esas predicciones en base a eso, IA está resolviendo retos probabilísticos. Cuando un gran día o productos, necesitamos darle sentido al mundo probabilístico y estructurarlo en datos que describan el mundo que nos rodea de una manera que tenga sentido para la IA. En la última lección, discutimos la diferencia de procesos entre la ingeniería de software y el desarrollo de productos. Pero, ¿cómo influye este mundo probabilístico en el desarrollo con más detalle? Entonces, para los productos de ingeniería de software, existe una alta probabilidad de conocer el resultado. El tiempo de desarrollo se puede estimar bastante bien. La gente usa procesos Scrum y otras cosas para estimar más mejor. El objetivo puede ser descrito por maquetas, análisis de especificaciones. Existen las mejores prácticas establecidas el proceso de ingeniería. Y los problemas del producto en realidad no cambian tan a menudo. Y cuando la función está lista, es mayormente, lo más probable es que se quede así por mucho tiempo. Pero cuando hablamos de productos de IA, no podemos estar seguros de nada realmente. Había una esperanza de un resultado. Quieres que el modelo haga algo, pero no puedes estar seguro de si realmente lo hará. Realmente no se puede estimar, pero se pueden realizar tareas de caja de tiempo. Por lo que es más o menos desconocido cuánto tiempo tardará en reinventar la bicicleta. Entonces hay muchas conjeturas sucediendo. El objetivo del modelo se describe a través de ejemplos de datos y métricas. Aún no se han establecido las mejores prácticas sobre la gestión del proceso de desarrollo de IA diurna. Entonces podemos decir que es un poco desordenado. Y el entorno en el que los datos, los modelos o las funciones de IA utilizan el cambio muy a menudo. El modelo es impresionante. Cuesta actualizaciones constantes. Tendríamos que seguir manteniéndolos por mucho tiempo. 3. Mantenimiento consistente: ¿por qué? (nuevo): Y el mantenimiento de sistemas y por qué es realmente necesario para los productos de IA depende realmente de dónde se aplique el producto. Cuáles son los entornos a los que se aplica. Porque si aplicas el modelo a un lugar diferente para el que no fue entrenado, hay un cambio ambiental y necesitas hacer actualizaciones para ello. Además, cuando el entorno que nos rodea cambia, entonces también cambian los datos y los patrones. Si la vida cambia, entonces básicamente necesitamos cambiar el modelo, el producto con él. Tomemos un ejemplo de corona. Cuando empezó Corona, la gente empezó a usar máscaras faciales. Si tuvieras un modelo de detección de rostros que intentara detectar rostros. Ahora el ambiente cambia, cambiado. Si antes tenías mucha gente con mascarillas faciales, tendrás a cualquiera básicamente con mascarillas faciales. Nuevos clientes. Si estás en un lugar donde aplicas tu modelo a diferentes clientes, diferentes entornos. Por ejemplo, primero tienes un cliente en nosotros, luego tienes cliente en Europa. Que hay diferentes patrones de comportamiento humano en el medio ambiente y cómo funciona todo parece. Entonces hay un cambio de datos a través de eso. Además, estamos haciendo un mantenimiento constante porque aprendizaje automático se mueve muy rápido. Está creciendo año tras año. Y algunas otras cosas que quizás no seas así que no se pudieron vender el año pasado. Puedes resolver este año y por lo tanto, solo necesitas volver a aplicar nuevos métodos. Cuando construyes un producto de software, el entorno en el que resuelves el problema suele ser mucho más estable que para los productos de IA. Al menos no aparece tan fácilmente cuando creas un sitio web, lo general, por ejemplo, tienes entendido quiénes son los principales clientes? ¿ Es para personas mayores, es para niños? Probablemente hará algunos cambios dependiendo de a quién esté destinado este producto para engañar a los desarrollos de productos de IA. Sí, también estás pensando con esto aplica, pero hay muchos más factores diferentes que juegan en el rendimiento de estos modelos. Los desarrollos de Ar están optimizando específicamente solo un conjunto de problemas realmente pequeños si los problemas y los cambios en el rendimiento también cambian. Tomemos un ejemplo. Entonces Algoritmo de detección de animales forestales, el objetivo del mismo es que detectemos animales y clasifiquemos qué animal es. Entonces aquí puedes ver el ejemplo. Hay rápido. Decimos que es conejo. Si tiene que ver con la escalera y decir lo que es. Ahora, estamos en el norte de Europa. Aquí es donde estamos construyendo nuestros animales, pero aquí hay 20 animales en total. Entonces, en lo que primero nos vamos a centrar al tratar construir un buen modelo de aprendizaje automático es tomar el grupo más grande que podamos hacer. El grupo más grande hoy en día es que son tan gruesos que son correctamente. Podemos detectar siete animales después de las 20. Nace el siguiente después de eso. Entonces tenemos cuatro tablas y si las detectamos correctamente, ya podemos adictos por más animales. Después de eso, hay zorros. Para que podamos atrapar a tres personas es increíble. Entonces esta es un poco la distribución del medio ambiente. Con este ambiente y con este modelo, capturamos 70% de los animales. Entonces con la detección de carne de venado, las casillas de tictac , con el dictum por ahora, tenemos un cambio de que alguien ha decidido que debemos poner el mismo modelo y usarlo en bosque tropical. Entonces lo que vamos a hacer es que haya un nuevo entorno. Tenemos exactamente el mismo modelo. Entonces todo es igual. Pero para lo que lo optimizamos es diferente. Entonces primero vamos a mirar querida, oh, ahí sólo hay uno. Así que lo atrapamos solo un animal. ¿ Qué otra cosa que aprendimos a la baraja? Entonces ellos eran la junta, entonces tenemos tres tablas. Toman la dosis también que son poros. A continuación detectamos zorros, al menos eso es lo que aprendí el modelo. No hay cajas detectadas. Entonces perdimos esa clase por completo. Entonces aquí se puede ver el cambio de ambiente. Muy claro. Cambiamos donde estamos usando la Urgencias y la Urgencias no la entiende. Entonces, en bosque tropical, el algoritmo captura 20% de los animales en general. Entonces no podemos afirmar que el algoritmo es malo. Es más que donde lo estamos aplicando y lo que estaba destinado a ser. Este es un cambio realmente drástico en la vida real. Muchas veces no tenemos cambios tan drásticos. Pero hay cambios de hasta el 10% e incluso cambios menores, pero traen a colación el problema de la equidad y el sesgo. Así que todos estamos a favor del aprendizaje automático. 4. Desarrollo de productos de IA: Entraremos en la parte de desarrollo de productos. Entonces primero están los tres pilares a pensar antes de empezar a trabajar en nuestras predicciones. Entonces realmente hay que pensar en esos porque de lo contrario no se puede tener éxito resolviendo el problema o, o creando el producto. Entonces primero, ¿qué problema estás tratando de resolver? ¿ Cuáles son las cosas que intentas resolver? ¿ Cuáles son las cosas que estamos arreglando aquí están mejorando? Segundo, ¿qué métricas te importan? En serio, ¿cuáles son las cosas que te importan? Y entraremos en más detalles. Verás los ejemplos. Y en tercer lugar, ¿de dónde sacas los datos? En el curso anterior, miramos a los animales. Vías que los datos son realmente importantes y hay que tener en cuenta de dónde sacamos los datos? Porque los datos que obtienen realmente determinan qué tan bien te desempeñas en las métricas que te importan. Hay dos tipos de problemas o sobreimpulso. Básicamente, es todo con el aprendizaje automático. Uno es automatizar el proceso, otro es estimar un resultado. Al automatizar el proceso, nos referimos básicamente a automatizar el trabajo humano, el trabajo de fábrica, los clientes reportan el trabajo. Realmente hoy, una obra que es realmente repetitiva. Somos buenos en IA estrecha hoy en el mundo, no con el ARE general. Para que podamos automatizar tareas pequeñas. Estimar un resultado también es algo que se hace. Es por ejemplo, cuando quieres estimar lo que le gusta a la gente, como el marketing. O quieres estimar cuánto tiempo lleva llegar de un lugar a otro y mañana, porque mañana es lunes. Entonces algo así. Estimación y automatización, el objetivo de ellos es diferente, pero los métodos detrás es nuestro mismo. Automatización. Laautomatización es, como dije, ejemplo, es un trabajo de fábrica que guía tareas repetitivas. Cómo entender qué tarea trabajo cumplir. También podría haber tareas realmente duras que se realizan en factores o en el derivado. Algunos de ellos podrían ser un, enseñar a un niño a leer. Se trata de tareas repetitivas. Los maestros lo están haciendo todo el tiempo, pero son tareas difíciles. Pero lo que puede hacer el aprendizaje automático en la sala de emergencia es tareas más pequeñas, tareas de 1 segundo. Así que empieza a pensar en tu problema como tareas de 1 segundo. ¿ Cuáles son las cosas que puedes hacer en 1 segundo? Y esta es una tarea. Este es un problema que hay que solucionar. Si tienes un problema mayor, puedes dividirlo en diferentes tareas de 1 segundo. Por ejemplo, si quieres, um, a un robot que encuentra basura y la tira, entonces primero es mirar a tu alrededor. Segundo, detectar basura. Tercero, acércate a la basura. Cuatro. Llévala, sigue y sigue y luego tírala. Para que veas que son una tarea muy pequeña. No se puede tener una tarea de limpiar la habitación. Pero más fácil de tarea, más probable es que se haga. Entonces todos entendemos eso. Y también los que controlan un poco de guía para entender ¿cuáles son las cosas que se pueden hacer o cómo deben dividirse? Si la tarea es básicamente una muy pequeña, si es una tarea realmente fácil, es muy fácil resolverla si hay muchos detalles de tarea también muchas cosas a tener en cuenta para hacer roles. Hay manera más difícil. Entonces cosas realmente, muy simples que podemos hacer en estos días para hacer. Y tu objetivo como gerente de producto debe ser pensar una tarea para que no sean atlas T2. Esto significa que es más fácil para ti resolverlo. Estimaciones, tarea de estimación es cómo son las personas, quisiera estimar eso, um, y esto es básicamente que hoy en día se usa principalmente con fines de marketing. Y a básicamente en el lado consumidor, consumidor. En segundo lugar, ¿qué tipo de métricas te importan? Lo grande, grande aquí es olvidar ser siempre un 100% correcto. Nunca se puede estar 100% correcto. La gente nunca puede ser 100% correcta. Tampoco la IA. Hoy es, como dije, una vez, para resolver tareas realmente pequeñas cosas. Entonces, la pregunta más grande a responder es, ¿qué errores estás dispuesto a hacer agua y hacer cosas que están bien para confundir? Veamos algunos ejemplos. Por ejemplo, condición rara en una tienda. Entonces estamos en un espectáculo. Básicamente es la estimación que intentaste entender. A la gente le gusta esa. O lo que puedes hacer es mostrar las longitudes de los clientes de resplandores. Eso es muy bueno. Nomuestres brillo. El cliente no miente. Es decir, no muestras cosas que no les gustan. Son cosas realmente buenas para hacer. Una de las cosas que podrías hacer, tu espectáculo brilla que a los clientes no les gusta. Entonces esto significa que le muestras a los clientes cosas que para ellos es basura. Ellos, ven algo que no les importa. O también lo que puedes hacer como error es no mostrar ropa que le guste al cliente. Eso quiere decir que no se muestran las cosas que realmente les gustan. Y tú, como comercializador vas a tener ingresos perdedores porque no vendes aprieta que el cliente compraría. Además, otro ejemplo es bueno. Así que las buenas tarifas, ya sabes, es una recomendación para los libros. Entonces aquí hay recomendaciones hechas y algunas de las cosas tal vez, tal vez como cosas de Salton. No. En cuarto lugar se recomienda que una persona libro no miente y con fuerza no recomienda a una persona libro le gusta. Entonces estos son los dos errores que puedes cometer hoy. Entonces, ya sea que no muestres libros, a la gente le guste, o básicamente les muestres cosas que no frenan. Mirando este sistema hoy en día. Probablemente si obtuvieras montón de libros que te son recomendados, pero no te gustan, entonces ya no vas a usar ese servicio porque ves que la recomendación no tiene sentido. Adicional, bueno. ¿Qué es más bien? No es recomendar una explosión en los libros. A la gente le gusta recomendar la mayoría de ellos. Entonces aquí puedes ver por qué el primero no está bien. Pero el segundo es porque cuando lo primero pasaba todo el tiempo, entonces el cliente no usaría el servicio. Pero si ocurre el segundo, entonces Pip probablemente la gente seguirá haciendo cola al servicio. Simplemente no lo hacen. Conseguiremostodos los libros que serían recomendables o buenos para ellos. Otro ejemplo en los aviones. Los aviones tienen mucho mantenimiento. Necesitan muchas reparaciones que les hagan y necesitan seguir muchos requisitos para volar. También, terroristas, básicamente cálculos similares detrás de él. Declarar falsamente que una pieza del avión no está bien. O declarar falsamente que la pieza está bien. Entonces si somos los primeros y decimos falsamente que una pieza del equipo no está bien. Solo usamos más tiempo para reparar el avión. Usamos más dinero para reparar el avión. Pero no pasa nada malo. Si un cuatroquintas partes declara que una pieza está bien. Esto quiere decir que falsamente declaramos que esa pieza es tu k y dejamos volar el avión, obtendremos un avión defectuoso. Entonces hoy, en este caso, esto no es algo bueno. Algo malo podría pasar con un avión cuando lo dejamos volar. Por lo que se podía ver antes que todas esas cosas están dependiendo caso de uso. Pasemos a qué tipo de datos tienes. Se trata de datos de renovación restaurados duro. Primero, siempre hay que tener algunas cosas, pero esto es algo claro. Es muy, muy, muy difícil empezar de un tema completo. Pero también se cuestiona qué tipo de datos necesitas. Y eso ahora depende del problema que hayas anotado. Necesitas datos lo más cercanos posible a los datos que tienes en la vida real. Lo mejor sería que tengas datos de realmente, realmente el vivo, donde los usarías. Volviendo al ejemplo de bosque con animales, si vas a usar el detector de animales en bosque tropical, lo mejor es tener la sala de datos bosque tropical, no de algún otro tipo de bosque. Así que realmente datos de exactamente donde va a utilizar y el producto. Tomemos un ejemplo de un detector de autos. Quieres que la IA sepa qué es un auto y qué no. Entonces la pregunta que aprendemos es, ¿qué es, es un auto? Entonces el lado izquierdo, es el lado derecho. No lo es, es una ronda de Googler. En busca de autos, verás toneladas de autos diferentes alrededor. Lo que puedes ver aquí es primero color diferente. Algunos son de fondo blanco, algunos están conduciendo, algunos están en fondo grisáceo Lakish. Esto es completamente de lado. Esto es más en la parte superior y no completamente en la parte superior. Esto es desde el frente. Entonces, si haces un detector de autos, ¿de qué lado quieres ver el auto? ¿ Y está sobre el fondo blanco o negro o los elementos? ¿ O es en la vida real, cerca de la playa o en la calle? ¿ Necesitas detectar autos aquí, estas fotos son realmente diferentes, las que acabamos de tener en la diapositiva anterior? ¿ O quieres ver y detectar autos desde arriba? No teníamos las fotos de ningún costo desde arriba y la imagen de arriba es completamente diferente. Entonces realmente necesitas pensar desde qué ángulo también quieres detectarlos. Porque si entrenas a un modelo para detectar los autos de lado, pero en realidad la cámara de donde en un futuro con autos detectores estás mirando desde arriba, el modelo no realizará AN fallará aquí. Por lo que los datos tienen que ser tan similares al caso de uso que se tiene en la vida real desde la perspectiva del rayo geográfico. Entonces nos sentamos en una habitación oscura, habitación luminosa, en el tiempo. Tengo autos de 50 años. Autos ahora mismo, calles hace 50 años o hoy. Tal vez. Las cosas no cambian tanto últimamente y no tienes tantas fotos de los cincuenta. Pero básicamente, hay de vez cuando hay cosas nuevas sucediendo. Así que el tiempo es realmente importante para obtener los últimos datos y puntos de vista y ángulos. Así que asegurándose de que estás viendo objetos de manera tan similar a como tú en el futuro. Uno para tener el caso de uso para. 5. Conclusión: Para mí, es como se indicó anteriormente, el rendimiento del producto de IA depende enormemente de los datos disponibles en los que tenga. Porque los datos que entran son básicamente el rendimiento que sale. Entonces lo que estás recopilando que estás obteniendo también de los datos del cliente o tu real, donde estás usando los datos. Esto básicamente se determina el apagado hacia desempeño de este modelo porque esto depende de dónde se aplique. Entonces, ¿dónde está el caso de uso real? Y es muy importante que los datos que tienes en el uso disminuyan los datos y los datos disponibles que tengas al entrenar o lo más similares posible. En conclusión, para el curso de este día, verbos de desarrollo junto con el desarrollo de software, no hay nada que separe a esos 28 desarrollo es más riesgoso, conocido, desconocido, mucho desconocido que así para el desarrollo porque es investigación y desarrollo. Y además hay muchas dependencias de manera que vas a usar ese modelo. El desarrollo es dependiente. Datos de niños. Podrían decirlo o doloridos, listos. Los datos, lo que estás usando para entrenar, cómo tiene que ser realmente similar a dónde lo vas a usar en el futuro. Al igual que los datos determinan también cómo se desempeñará. Ei prefiero formas es un eslabón de paso enormemente en el medio ambiente. Así que los datos y el medio ambiente. Se ganaron Kiki, gracias. Gracias por escuchar el día de hoy. Nos vemos la próxima vez.