Aprendizaje automático para PM: un curso intensivo esencial
La inteligencia artificial es probablemente el tema más candente en el mundo de la tecnología en este momento.
Existen productos impulsados por IA que se están convirtiendo en unicornios o consiguiendo cientos de millones en financiación de capital de riesgo. También hay líderes de producto reconocidos que dirigen estos productos basados en IA y de quienes aprendemos y seguimos sus trayectorias.
Muchos gestores de producto quieren beneficiarse de esta increíble tecnología ya sea liderando un producto con IA o añadiendo capacidades de IA a sus productos existentes. Si eres uno de ellos, este artículo es para ti.
Want more from The CPO Club?
Sign up for a free membership to complete reading this article:
Have an account? Log In
He construido varios productos de IA, y estoy aquí para ayudarte a entender esta tecnología y a sacar el máximo provecho de ella.
¿Qué es el aprendizaje automático?
El aprendizaje automático es una disciplina que se enfoca en crear algoritmos y software capaces de “aprender” a partir de la información que les proporcionamos y, como resultado de este entrenamiento, realizar eficazmente ciertos tipos de tareas.
El término y el campo en sí son sorprendentemente antiguos—se remontan a 1959, cuando Arthur Samuel de IBM (uno de los científicos informáticos más destacados de la época) lo acuñó en su trabajo "Algunos estudios de aprendizaje automático usando el juego de las damas."
Sin embargo, a pesar de sus 60 años de historia, el aprendizaje automático se ha popularizado apenas en la última década, gracias al enorme aumento en la potencia de cómputo, especialmente en las GPU.
Pero ¿qué tiene que ver el aprendizaje automático con la inteligencia artificial? Sigamos adelante y aclaremos este punto.
Aprendizaje automático (ML) vs Inteligencia artificial (AI)
Todo el mundo utiliza los términos “aprendizaje automático” e “inteligencia artificial” de forma intercambiable para referirse a softwares inteligentes que pueden reconocer objetos en imágenes, escribir poemas y generar respuestas impresionantes a indicaciones detalladas.
Sin embargo, la inteligencia artificial es el concepto más amplio de máquinas con capacidades de percepción y razonamiento, mientras que el aprendizaje automático es un subconjunto de la IA que se centra en el software que puede aprender.
Ahora que hemos aclarado las definiciones, pasemos a entender cómo aprenden estas máquinas y los aspectos esenciales de su funcionamiento.
Cómo funciona el aprendizaje automático
Para comprender el aprendizaje automático, primero debemos repasar su forma más común: las redes neuronales profundas.
Una red neuronal es una estructura escrita en código convencional que trata de replicar el funcionamiento de un cerebro biológico. Para los humanos y otros seres vivos, el cerebro es una compleja red de neuronas (células nerviosas) conectadas entre sí donde un impulso de una célula activa a otra y la información circula a lo largo de la red neuronal.
No creo ser la persona adecuada para explicar biología (pues fracasaría estrepitosamente en ello), así que me limitaré a la tecnología.
Las redes neuronales en el software se ven más o menos así:
Cada círculo aquí es una sola neurona. En el código, una neurona es simplemente una función que puede consumir cierta información, procesarla y pasar un resultado a la siguiente neurona.
Nota: esto es una simplificación respecto al proceso real. Para más detalles, puedes ver la excelente lección en vídeo sobre redes neuronales en el canal de YouTube 3blue1brown donde también explican los conceptos matemáticos detrás de esta tecnología.
Como podemos ver en la imagen anterior, nuestras neuronas están organizadas en capas. Por lo general, las redes neuronales tendrán tres tipos de capas:
- La capa de entrada, que es responsable de recibir información del mundo exterior.
- Las capas ocultas procesan esa información, cada una encargada de un solo aspecto.
- La capa de salida devolverá el resultado procesado al mundo exterior.
Ahora veamos el significado de estas capas con un ejemplo sencillo. Imagina que quieres que la red neuronal reconozca un animal en una foto. Para esto, has diseñado una red neuronal que consta de seis capas que funcionarán de la siguiente manera:
- Capa de entrada que recibirá pequeños segmentos de la foto del animal y los pasará a la primera capa oculta.
- La primera capa oculta intentará encontrar formas básicas (por ejemplo, líneas rectas) en cada segmento y pasará esa información a la segunda.
- La segunda capa combinará entonces algunas de esas líneas en formas geométricas básicas (por ejemplo, círculos, semicírculos, etc.) y las pasará a la tercera capa.
- La tercera capa creará formas más complejas a partir de estas formas geométricas.
- La cuarta capa combinará todas las formas creadas anteriormente y obtendrá un contorno del animal.
- La capa de salida, finalmente, indicará el tipo de animal que ha reconocido a partir de la forma.
Así es como se verá visualmente.
Al observar el proceso anterior, podrías preguntarte cómo los ingenieros de IA logran que estas capas reconozcan formas y adivinen el animal en la imagen, ¿cierto? Pues lo hacen "entrenando" la red neuronal para realizar su tarea.
Para entrenar la red, los ingenieros de IA le proporcionan un conjunto de entradas junto con sus salidas correctas correspondientes. En nuestro caso, serían varias imágenes de animales como entradas y esas mismas imágenes con el tipo de animal correcto como salidas.
Como tu red tiene las respuestas correctas, se ajustará continuamente a sí misma (los parámetros que cada neurona pasa a otras) hasta que sus respuestas sean muy similares a las correctas que hemos proporcionado.
En la vida real, tu red nunca será 100% precisa con sus respuestas y siempre habrá cierto grado de error que debes considerar. La buena noticia es que realmente no quieres que sean 100% correctas. Todo lo que te importa es que el modelo sea más rápido y preciso que un humano.
Ahora que ya comprendemos cómo funciona, pasemos a entender cómo puedes utilizar el aprendizaje automático en tus productos.
Aprendizaje automático: lo que puede y no puede hacer
El entusiasmo en torno a la IA es absolutamente enorme y muchos fundadores de startups o gerentes de producto sueñan con agregar IA a sus productos. Pero aquí está la gran pregunta: ¿realmente necesitas IA?
Entiendo que el término “impulsado por IA” luce bien en la presentación para inversores y en el material de marketing de cualquier producto, pero no olvides que construir un modelo de IA es caro y lleva tiempo.
Por lo tanto, si tu modelo de IA pretende resolver un problema básico que podrías haber gestionado fácilmente con código común, terminarás malgastando tus fondos solo por una palabra llamativa en tu sitio web.
Para entender si necesitas un modelo de IA, discutamos las tareas y problemas que puedes manejar con él y compáralos con aquellos que deberías resolver con programación tradicional.
Tareas comunes que los modelos de aprendizaje automático pueden manejar por ti
Los modelos de aprendizaje automático no son magia—aunque, con todas las formas en que puedes usar ChatGPT y otros nuevos grandes modelos de lenguaje, ciertamente lo parece. Aunque estamos viendo un gran auge de herramientas avanzadas de IA, muchos productos pueden beneficiarse de modelos de aprendizaje automático más sencillos.
La función que cumplen estos modelos normalmente se encuadra en una de estas cuatro categorías.
Clasificación
Como su nombre indica, estos modelos pueden reconocer la información que les proporcionas y clasificarla o asignar una etiqueta a esa información. El ejemplo que vimos antes, de reconocer animales en una imagen, es un caso típico de clasificación por IA.
El área de clasificación por IA, a su vez, se divide en cuatro tipos:
Clasificación binaria: Este modelo te dará un Sí o un No. Sus casos de uso más comunes son los detectores de correo electrónico no deseado (isSpam = true o false), diagnóstico de cáncer de mama (riesgoso o no riesgoso), etc.
Clasificación desbalanceada: Estos modelos dividen los datos en dos grupos – mayoría normal y minoría anormal. Un ejemplo de esto es la detección de fraude en declaraciones aduaneras en las fronteras estatales.
El modelo de IA examinará los documentos y asignará una bandera verde (apto para pasar), amarilla (requiere inspección de documentos) o roja (requiere inspección de mercancías) a cada declaración aduanera, dependiendo de cuán “normales” se vean los documentos en comparación con otros.
Clasificación multiclase: En este caso, el modelo seleccionará uno de los muchos valores predefinidos. Los algoritmos de reconocimiento óptico de caracteres (los que extraen texto de una imagen) pertenecen a este tipo.
Clasificación multilabel: A diferencia de la anterior, estos modelos asignan múltiples etiquetas a la misma pieza de información. Muchos algoritmos de visión por computadora entran en esta categoría porque observan la imagen o el video e identifican varios objetos en ella. Así es como se ve la clasificación multilabel para un coche autónomo.
Otras aplicaciones de esta tecnología incluyen extraer información útil de textos (por ejemplo, opiniones sobre tu marca de Tweets) o identificar los temas de discusión en un podcast.
Regresión
Esta clase de modelos de IA es capaz de hacer predicciones basadas en la información existente. Con los modelos de regresión, puedes comprender la relación entre varios factores y predecir valores futuros basándote en los pasados (también conocidos como algoritmos de pronóstico).
Algunos de los usos de los algoritmos de regresión incluyen:
- Pronóstico del precio de acciones con base en fluctuaciones pasadas.
- Predicción del precio de un coche en función del kilometraje, año de fabricación, etc.
- Sugerencia de los mejores textos publicitarios para mejorar tasas de conversión.
- Encontrar el mejor día de la semana y hora para enviar correos electrónicos y conseguir más aperturas y clics.
Algunos de los modelos más avanzados también son capaces de predecir cosas tan complejas y caóticas como el clima.
Agrupamiento (Clustering)
Este es un proceso basado en aprendizaje no supervisado donde el modelo detecta similitudes en un conjunto de elementos y los agrupa según esa semejanza. A diferencia de la clasificación, un algoritmo de agrupamiento no sabe lo que está viendo, solo sabe que estos elementos son parecidos entre sí.
Algunos de los casos de uso de los algoritmos de agrupamiento incluyen:
- Segmentar tu lista de marketing por correo electrónico en grupos que se comportan de forma similar.
- Organizar un gran conjunto de libros por temas.
- Agrupar fotos según los elementos que aparecen en ellas.
En general, si tienes un gran conjunto de elementos que quieres dividir en diferentes grupos basados en una característica específica, los algoritmos de agrupamiento son lo que necesitas.
Síntesis
Por último, tenemos los algoritmos que pueden crear contenido. Hablamos de artistas, escritores y músicos de IA.
Los casos de uso para este grupo de modelos probablemente sean infinitos—y los modelos (ahora conocidos como modelos de lenguaje grandes, o "LLMs") mejoran cada día. Aquí tienes algunos ejemplos:
- Redactores de sitios web que crean estructura y contenido optimizados para SEO.
- Eliminar la marca de agua de una imagen y dibujar la parte de la imagen que estaba bajo la marca.
- Crear nuevos frames en un videojuego en vez de dejar que la tarjeta gráfica los renderice para ahorrar recursos.
- Generar fotos para tus anuncios que sean libres de derechos de autor.
Aquí tienes un ejemplo de un poema que pedí a GPT-4 que escribiera. (Nota: Hice la misma pregunta a GPT-3 en enero y te aseguro que es mucho más talentoso ahora.)
Puedes usar lenguaje natural para formular un prompt, y el modelo entenderá y cumplirá tu petición según el conocimiento que haya reunido de internet.
En resumen, estos son los tipos de aplicaciones de modelos de IA más comunes.
Parece que hay muchas cosas que puedes hacer con IA, pero a veces es más rápido y barato abandonar la idea de construir un modelo y recurrir simplemente al desarrollo de software tradicional.
Tareas donde deberías usar programación tradicional en su lugar
No todos los problemas necesitan un modelo de IA para resolverse.
Para determinar si puedes resolver el problema sin IA, pregúntate si existe un conjunto determinista y claro de reglas o acciones que puedas realizar para solucionarlo.
- Si la respuesta es sí, entonces puedes usar código regular (al final, el código es simplemente un conjunto de reglas y comandos claros para tu computadora). Por ejemplo, no necesitas IA para determinar si el archivo que tus usuarios han subido es una hoja de cálculo de Excel, ya que los archivos XLSX tienen una estructura estricta y puedes comprobarlo fácilmente.
- Cuando no puedes definir estas reglas claras, entonces tendrás que recurrir a modelos de IA para que manejen esa tarea. El ejemplo obvio aquí es el reconocimiento de imágenes. No existe un conjunto fiable de reglas que te permita entender si lo rojo que aparece en la imagen es un coche de una marca específica.
Para reforzar aún más este concepto, echemos un vistazo a varios problemas que puedes resolver sin IA.
Encontrar la ruta más corta del punto A al punto B en un mapa. Este es un problema bien conocido en las matemáticas y existen muchos enfoques deterministas (por ejemplo, el algoritmo de Dijkstra) que pueden resolverlo con código ordinario.
Comprobar los atascos de tráfico en el mapa. Este problema tiene una solución ingeniosa. Google, por ejemplo, toma datos de ubicación GPS en tiempo real de todos los smartphones (donde se ha activado esta función) y comprueba si hay muchos teléfonos quietos en la calle. Si es así, entonces seguramente hay un atasco de tráfico allí.
Nota: Aunque puedes usar IA aquí para predecir un embotellamiento en una calle donde hay muy pocos smartphones, o donde las ubicaciones están dispersas.
Calcular menciones de marca en redes sociales. Si quieres obtener el número de menciones de tu marca en las plataformas de redes sociales, lo único que necesitas es una herramienta de scraping que lea los resultados de búsqueda y los cuente.
Nota: Un modelo de IA aquí sería útil para predecir el número de menciones basándose en analizar solo una pequeña parte de los resultados (en vez de toda la lista de resultados de búsqueda), ahorrando así poder computacional y recursos.
En resumen, los modelos de IA son bastante capaces en cuanto a las tareas que pueden realizar, pero a veces es más sencillo simplemente programar una solución.
Ahora que ya tienes una idea de cómo usar la Inteligencia Artificial en tus productos, permíteme compartir algunos consejos sobre cómo trabajar con modelos de IA.
6 Consejos Para Product Managers Que Trabajan con Aprendizaje Automático
A lo largo de mi carrera trabajando con productos de aprendizaje automático, he cometido muchos errores que han resultado en pérdida de tiempo y dinero. Para asegurarme de que tú, como product manager de ML, no repitas estos errores, aquí tienes algunos consejos útiles que debes considerar.
La Calidad de los Datos Será Determinante Para Tus Modelos
Los equipos de Ingeniería de ML y los Científicos de Datos suelen usar el término “garbage in - garbage out". Esto significa que la calidad del modelo dependerá directamente de la calidad de los conjuntos de datos utilizados para entrenarlo.
Para que entiendas a qué me refiero con datos deficientes, repasemos algunos de los aspectos que determinan su calidad:
Anotaciones incorrectas: La anotación es el proceso de etiquetar manualmente los datos nuevos para que sirvan como “resultados correctos” durante el entrenamiento del modelo. Los anotadores de un modelo que reconoce animales, por ejemplo, tendrán que destacar la criatura en la imagen y etiquetarla con su nombre. Si etiquetas elefantes como “pingüinos”, tu modelo hará lo mismo después del entrenamiento.
Falta de diversidad: Tus modelos solo funcionarán bien si los datos del mundo real se parecen a los datos con los que se entrenaron. Si tienes un sistema de detección de matrículas de coches que ha aprendido a leer únicamente matrículas estadounidenses, fallará estrepitosamente cuando vea un coche con matrícula europea.
Sesgo en los datos: ¿Has oído hablar de IA racista? Pues bien, Google se disculpó recientemente con la comunidad afroamericana porque su algoritmo de visión por computadora hizo esto:
También hay numerosos casos de modelos de IA policiales que apuntan a minorías.
La causa de esto es el sesgo en los datos. Estas IA policiales usaron la base de datos de una comisaría famosa por ser racialmente tendenciosa. Por tanto, había muchos datos de detenciones de minorías que llevaron al modelo a apuntar a esos colectivos.
Por lo tanto, asegúrate de que los datos que utilices no contengan sesgos que puedan conducir a la falta de respeto, ofensas o incluso algo peor.
Crea Funcionalidades Que Permitan Volver a Entrenar Tus Modelos
Construir los modelos es solo la mitad del trabajo: también necesitas mejorarlos constantemente añadiendo nuevas capacidades o simplemente proporcionando datos frescos para volver a entrenarlos.
Encontrar datos para el reentrenamiento que sean relevantes para tu producto de aprendizaje automático puede ser un desafío. Así que considera agregar funciones que te permitan obtener esos datos directamente del propio producto.
Aquí tienes dos enfoques de bucle de retroalimentación que he probado (y que funcionaron bien):
Pedir retroalimentación sobre los resultados de la IA: Si estás detectando spam en el correo electrónico, entonces agrega un botón de “no es spam” para que tus usuarios puedan quitar el correo de la carpeta de spam. Como resultado de esta acción, también “anotarán” ese correo como libre de spam y podrás usarlo para reentrenar tu modelo.
Nota: Sí, eso es exactamente lo que hace el botón “Informar que no es spam” en Gmail.
Ofrecer al usuario ajustar tu modelo con sus datos: Esto es una situación en la que todos ganan. Tus usuarios obtendrán un modelo con mejor rendimiento porque lo habrás reentrenado usando sus datos específicos, mientras que tú obtendrás datos adicionales para aumentar la diversidad de tu modelo.
Si puedes, usa soluciones listas en lugar de construir las tuyas
No tienes que reinventar la rueda de la IA. Hay muchos modelos listos que puedes comprar o alquilar. Esto es especialmente relevante si intentas resolver un problema que es relativamente común (por ejemplo, identificar imágenes de desnudos en tu aplicación de redes sociales).
Puedes encontrar modelos listos en plataformas como Modelplace y RapidAPI Hub.
Una simple búsqueda de un modelo de detección de logotipos nos arrojó 9 soluciones listas que podemos integrar usando API.
Usa (y contribuye a) modelos de IA de código abierto
La inteligencia artificial tiene una importante comunidad de código abierto. Puedes apoyarte en ella para encontrar modelos ya listos o herramientas útiles que te ayuden a construir tus propios modelos.
Puedes consultar esta lista en GitHub para ver algunos de los mejores proyectos e iniciativas de aprendizaje automático de código abierto que existen. Esta lista es bastante diversa e incluye:
- Modelos con diferentes niveles de explicabilidad (qué tan bien puedes explicar cómo funciona tu modelo) escritos en Python y C de gigantes como IBM y Amazon.
- Datos de entrenamiento para tus modelos.
- Herramientas para análisis de datos, seguimiento de métricas clave, detección de anomalías, y más.
Nota: Si has realizado alguna mejora a estos modelos, por favor abre un pull request y comparte tu trabajo con la comunidad de código abierto y sus interesados. El código abierto es sobre gente increíble haciendo cosas increíbles y compartiéndolas con los demás.
More Articles
- Marina Drazic de Cake.com sobre las 5 cosas que necesitas para crear una carrera exitosa como gerente de producto
- Diego Schmunis de Redesign Health: 5 cosas que necesitas para crear una carrera exitosa como gerente de producto
- Katie Kuzin de Kensho sobre las 5 cosas que necesitas para crear una carrera exitosa como gerente de producto
Los modelos de IA requieren tiempo para construirse
Las metodologías Agile y MVP no siempre funcionan con sistemas de aprendizaje automático. No siempre puedes construir un modelo pequeño y luego agregar nuevas funciones encima con múltiples iteraciones. A veces, cambiar un modelo ligeramente significará reentrenarlo desde cero.
Incluso podrías enfrentarte a un caso en el que optimizar tu modelo en un 10% signifique descartar el anterior y crear un nuevo algoritmo de aprendizaje automático.
Otra cosa a considerar es la especificidad del trabajo de los profesionales de ciencia de datos o los equipos multifuncionales que los tienen en plantilla.
A veces no podrán darte estimaciones de cuándo completarán su trabajo, ya que pasan la mayor parte de su tiempo inventando algo completamente nuevo y no tienen idea de cuánto tiempo les tomará el proceso de desarrollo. (Un gran ejemplo de esto es el cambiante cronograma de la lanzamiento de Gemini de Google.)
Evita cambios drásticos en la estructura de tu base de datos
Esta es una realidad dolorosa que he enfrentado un par de veces.
Si utilizas tus propios datos para reentrenar tus modelos, por favor evita cambiar la estructura de tu base de datos.
Tus modelos estarán diseñados para consumir datos de una estructura y naturaleza específica y, si tu equipo de ingeniería de datos cambia tus bases de datos, tu equipo de aprendizaje automático tendrá que modificar los modelos e incluso reentrenarlos desde cero.
El aprendizaje es un proceso continuo.
La inteligencia artificial ha hecho del mundo un lugar mejor para todos nosotros, ya que ha permitido a muchos fundadores visionarios y PMs de aprendizaje automático resolver problemas que parecían imposibles en el pasado.
Espero que esta guía te haya ayudado a comprender el concepto de IA en la gestión de productos, el rol del product manager en este proceso, así como las formas en que las empresas pueden utilizar la IA en el mundo real.
Pero crear grandes productos nuevos no depende solo del uso adecuado de la IA. Existen muchos otros aspectos importantes del producto que también deberías dominar, incluyendo:
- El arte de construir Productos Mínimos Viables.
- Planificar adecuadamente el trabajo de tu equipo con hojas de ruta de producto.
- Encontrar tu ajuste producto-mercado (PMF) de forma rentable, etc.
Por último, como sugiere el poema en la demostración de GPT-3, puedes suscribirte a nuestra newsletter para recibir lo mejor de la gestión de productos y mantenerte a la vanguardia.
