IA

Última actualización: (junio, 2022).

La IA para poner en marcha en 2022

Es un momento increíble para ser ingeniero de aprendizaje automático o científico de datos. Muchos recursos avanzados están a unos pocos clics de su teclado. Los potentes modelos de aprendizaje automático preformados, desde la traducción hasta el reconocimiento de imágenes, están disponibles públicamente y son accesibles a gran escala. Un neófito entusiasta del aprendizaje automático, tras adquirir algunas habilidades básicas de codificación el primer día, puede utilizar modelos con miles de millones de parámetros en la frontera de la investigación de la IA como smodin.me español.

Sin embargo, a pesar de la abundancia de herramientas, lanzar un proyecto de IA con éxito no es fácil. Hay que tomar muchas decisiones. Modelos, algoritmos, bibliotecas, señales, plataformas… la lista continúa. Pero aunque la IA sea ahora omnipresente, no siempre está claro cómo diseñar y completar de forma óptima un proyecto de IA.

Imaginemos el siguiente escenario: usted dirige el equipo de éxito de clientes de su organización. Cada día llegan cientos de tickets de atención al cliente, lo que desborda la limitada capacidad de su equipo. Le gustaría añadir una capa de IA al flujo de trabajo de los tickets de soporte para priorizar los que son urgentes e importantes, y automatizar las respuestas cuando sea apropiado.

¿Cómo se pone en marcha un proyecto como éste?

3 principios rectores para poner en marcha su iniciativa de IA
Está bien ser limitado.
Planifique sus errores de IA.
Construir la confianza en la IA.
Está bien ser estrecho

La primera regla es empezar por lo pequeño y estrecho. Uno de los principales objetivos de la IA es la inteligencia general, un algoritmo que pueda realizar muchas tareas diferentes, como un humano. Una versión más reducida es la IA estrecha o débil, que se entrena específicamente para realizar una determinada tarea, como jugar al ajedrez o detectar fraudes con tarjetas de crédito.

Aunque la IA estrecha parece menos atractiva, en la práctica puede ser la estrategia adecuada. Volvamos al escenario de nuestro ticket de soporte. Cada ticket de soporte contiene un texto que describe el problema que tiene el cliente, por lo que necesitamos un algoritmo que entienda el texto.

Pero cuando se trata de nuestra tarea específica de optimizar el flujo de trabajo de asistencia, puede que no sea óptimo empezar con un gran modelo generalista. La pregunta es cómo la atención al cliente con IA transformará las industrias en 2022?

IA

Para ilustrar el motivo, visualicemos cómo un modelo lingüístico “piensa” en las palabras.

Podemos pedir al modelo que juegue a la asociación de palabras. Ge palabras como “factura” y “congelar”, ¿cuáles son las más afines?

Para un modelo amplio, una palabra como “proyecto de ley” hace surgir conceptos relacionados con la legislación (como “reforma”, “enmienda” o “bipartito”). Y “congelación” se asocia generalmente a las bajas temperaturas (piense en “frío”, “escarcha” o “deshielo”).

Aunque estas asociaciones de palabras son esencialmente correctas, no son relevantes para nuestras necesidades.

En el contexto del servicio al cliente, “factura” y “congelación” tienen un significado especial. Los clientes suelen preguntar por la facturación, y uno de los principales problemas para los usuarios es la falta de respuesta de la interfaz. Incluso con un pequeño conjunto de datos de menos de 100.000, podemos entrenar un modelo altamente especializado que “piensa” más en el contexto de apoyo.

Para este modelo especializado, “facturar” se asocia a la facturación (como “factura” o “recibo”), y “congelar” se relaciona conceptualmente con una experiencia de usuario defectuosa (“cerrar”, “colapsar”, “salir”).

Así, una IA para tickets de soporte puede tener un ciclo de desarrollo más rápido cuando el modelo de lenguaje es específicamente consciente del caso de uso de soporte.

Planifique sus errores de IA

Ningún algoritmo es perfecto. Incluso el uso de la inteligencia artificial más avanzada cometerá errores, por lo que la planificación de su implementación de la IA también debe incluir cómo cometer errores.

Sigamos con el ejemplo del ticket de soporte. En este diseño, proponemos tener un modelo de aprendizaje automático que clasifique cada ticket como urgente o no urgente. En esta tarea de clasificación, el modelo puede acertar de dos maneras: decir que un ticket es urgente cuando es realmente urgente, y decir que un ticket no es urgente cuando no lo es. Y el modelo también puede ser erróneo en dos modis: decir que un billete es urgente cuando no lo es, y decir que un billete no es urgente cuando lo es. Puede que le resulte familiar esta imagen: estos cuatro resultados son las cuatro cuadrículas de una matriz de confusión.

Los científicos de datos dedican mucho tiempo a mejorar las métricas de rendimiento de los modelos. Pero la forma más relevante de evaluar un modelo debería ser el impacto empresarial. Y cuando se trata de la repercusión empresarial, el equilibrio entre la precisión y la re

Slot Online
Slot Online
Slot Online
Slot Online
Slot Online
Slot Online
Slot Online
Slot Online
Slot online
https://desabukittinggi.id/
https://cerdasfinansial.id/
https://talentindonesia.id/
Slot Online
Slot Online
Slot Online
Slot Online
Slot Online
Slot Online

Por Juan Carlos

Desarrollador informático autónomo y redactor web de SEO, Juan Carlos produce regularmente contenidos para el blog y el foro www.scottishconstitution.com. La calidad de su trabajo y la singularidad de su trayectoria nos han llevado a querer presentárselo.