Guía práctica de la IA

Índice

Agradecimientos
Sobre el autor
Prólogo de la serie
Prólogo

Prefacio: Breve historia de por qué los proyectos de 'machine learning' se estancan
Fallo en el lanzamiento
Abrirse camino entre el caos del ML

Preguntas frecuentes: De qué trata este libro y para quién es

Introducción
Cuidado, pioneros: Causad disrupción por vuestra cuenta y riesgo
Cuando la grandeza es demasiado grande para verla de cerca
Sexy pero vaga: inteligencia artificial
La logística está recuperando lo sexy
Planificar para mañana con información completa
Predecir las entregas de mañana
Las predicciones dirigen el mundo
Ir con todo
Demuestra, no cuentes
Ponte en marcha, Jack
ML bien hecho y mal hecho
Historia de dos tecnologías
¿Cómo hacerlo bien?

Capítulo 0. BizML: Seis pasos para la implementación del 'machine learning'
El potencial de la predicción
Los dos pasos técnicos principales del 'machine learning'
El fracaso del 'machine learning' suele ser un fracaso humano
Muchos modelos nunca se implementan: un problema generalizado de la industria
¿No pueden implementar... o simplemente no lo van a hacer?
La solución: BizML
Los seis pasos de bizML
Por qué la industria converge en estos seis pasos
BizML: un requisito fundamental que no tenía nombre
El origen y el coste del bombo publicitario
Replantear el ML
Los vendedores de ML ayudan, pero las empresas lideran la industria
El conocimiento contextual semitécnico que necesitas
¿Quién está al mando?
Aprender por las malas
Aprender por las buenas

Capítulo 1. Valor: Establecer el objetivo de la implementación
La práctica bizML
La proposición de valor: definirá una aplicación de ML
Planificación hacia atrás: crear un camino a la implementación del ML
Por qué la implementación requiere un salto mental
Decisiones, decisiones: elegir tu primer proyecto de ML
La elección depende, en parte, del sector
Detectar una situación en vez de predecir un resultado
Obtener la aprobación
Siguientes pasos

Capítulo 2. Objetivo: Establecer el objetivo de la predicción
La práctica bizML
El plan de implementación conforma el objetivo de la predicción
La diferencia entre el éxito y el fracaso del ML
Prevenir malos resultados de manera proactiva
Predecir demasiado tarde
Predecir los pasos intermedios
Decidir 'cuál' en vez de 'si'
Colaborar en el objetivo de la predicción
Detección frente a predicción: unas veces es más fácil y otras es más difícil
Rendimiento del modelo: ¿cómo de bien podemos lograr el objetivo de predicción?

Capítulo 3. Rendimiento: Establecer las métricas de evaluación
La práctica bizML
El 'gaydar' de Stanford no funciona por la cara
Exactitud: una palabra que a menudo se usa de forma inexacta
La cháchara sobre predicciones imperfectas
Obligarse a actuar
El valor de la predicción imperfecta
'Lift': una medida significativa del rendimiento
Incluso un 'lift' pequeño ayuda mucho
Un ejemplo ilustrativo: ¿cómo de grande es tu televisión?
Implementar ML es triar y priorizar
Trazar la curva de beneficios
Implementar de forma agresiva o defensiva: tu límite marca la diferencia
Métricas empresariales frente a métricas del modelo
Métricas empresariales: indicadores clave del rendimiento
Distinguir falsos positivos de falsos negativos
Calcular el ahorro basado en los costes de clasificación errónea
Costes subjetivos: diagnóstico erróneo frente a diagnóstico no realizado
Los retos de traducir las métricas de rendimiento predictivo a KPIs
Lanzar es dar el salto

Capítulo 4. Combustible: Preparar los datos
La práctica bizML
La savia de la optimización
Qué aspecto tienen los datos de entrenamiento: filas y columnas
Los datos dictan lo que hace el modelo
Grandes datos de entrenamiento para anuncios dirigidos
¿Cómo de grande es lo bastante grande?
¿Están infrarrepresentados los casos positivos?
Es cuestión de tiempo: las variables de entrada
La mayoría de la gente no está preparada para la preparación de datos
Hay ruido que mata el ML, pero hay otro que es excelente
FICO cultiva datos sin fronteras
Diseñar entradas mejores para Falcon
Todavía no hemos terminado: etiquetar los datos
El Falcon de FICO es un luchador fantástico contra el fraude

Capítulo 5. Algoritmo: Entrenar el modelo
La práctica bizML
Curiosear un modelo
¿Tiene sentido el modelo?
Inspeccionar modelos para buscar fallos
Aprender de los datos: el reto tecnológico definitivo
Árboles de decisión: modelos hechos de reglas
Más métodos de modelado; regresión lineal y logística
Todo lo que necesitas saber sobre los métodos de modelado
Por qué hay métodos de modelado que compiten
Un resumen de los métodos de modelado
Elegir un método de modelado
¡Son los datos, estúpido!
¿Cómo de profundo es tu aprendizaje?
Para muchos problemas empresariales, el 'deep learning' es excesivo
Generar numerosos modelos para los anuncios dirigidos

Capítulo 6. Lanzamiento: Implementar el modelo
La práctica bizML
Se produce el cambio: cuando un proceso heredado se digitaliza
Para gestionar el cambio, cambia la gestión
La importancia de la formación
Cuando no necesitamos humanos en el proceso
Traducir predicciones en acciones
Cómo exportar un modelo
La desconexión de los datos: llevar las entradas a un modelo implementado
El firme enfoque de una firma respecto a la desconexión de datos
La necesidad de la velocidad: guiar decisiones en tiempo real
Entrega veloz: los modelos trabajan rápido
Las mejores oportunidades son las más difíciles de aprovechar
Mitigar los riesgos de la implementación con un grupo de control
Atribuir el mérito a quien lo merece: un grupo de control en UPS
El final es un nuevo principio

Chuleta de BizML: El manual de estrategia para la implementación del 'machine learning'

Conclusión: Discurso del ascensor del 'machine learning', personal, plazos, mantenimiento y ética
El discurso del ascensor
Ejercita la paciencia y solicita opiniones
Reúne a tu equipo: asignar personal al proyecto de ML
Conseguir el equipo del proyecto de ML
Proyectar el proyecto: cuánto tiempo llevará
Retroceder: pasar en bucle por los pasos repetidamente
La vida después del lanzamiento: mantener el modelo
La moral importa

Índice alfabético