Skip to content

Contexto

Ciencia de Datos

Ciencia de Datos es el estudio de extraer valor de los datos. Valor que puede ser en forma de insights (nuevas perspectivas) o conclusiones.

Data Science in Context: Foundations, Challenges, Opportunities.

piramide

The AI Hierarchy of Needs (Mónica Rogati, Hackernoon)​

La triste realidad es que la mayoría de los proyectos de IA fracasan. Según una investigación de Gartner, solo el 15% de las soluciones de IA implementadas para 2022 serán exitosas, y serán muchas menos las que crearán un valor positivo en términos de ROI.

Why most AI implementations fail, and what enterprises can do to beat the odds​.

mlops

MLOps: Why you Might Want to use Machine Learning

Principios

Es deseable tener una buena estrategia para desarrollar experimentos computacionales.1

  • El principio rector fundamental es simple: Alguien que no esté familiarizado con tu proyecto debería poder mirar los archivos de tu computadora y entender en detalle lo que hiciste y por qué. Este "alguien" podría ser cualquiera de una variedad de personas: alguien que leyó tu artículo publicado y quiere intentar reproducir tu trabajo, un colaborador que quiere entender los detalles de tus experimentos, un futuro estudiante que trabaje en tu laboratorio y quiera ampliar tu trabajo después de que te hayas trasladado a un nuevo empleo, tu asesor de investigación, que podría estar interesado en entender tu trabajo o que podría estar evaluando tus habilidades de investigación. Sin embargo, lo más común es que ese "alguien" seas tú. Dentro de unos meses, puede que no recuerdes en qué estabas trabajando cuando creaste un conjunto particular de archivos, o puede que no recuerdes las conclusiones que sacaste. Tendrás que pasar tiempo reconstruyendo tus experimentos anteriores o perder las ideas que obtuviste de esos experimentos.

  • Esto nos lleva al segundo principio, que en realidad es más como una versión de la Ley de Murphy: Todo lo que hagas, probablemente tendrás que hacerlo de nuevo. Inevitablemente, descubrirás algún defecto en tu preparación inicial de los datos que se están analizando, obtendrás acceso a nuevos datos o decidirás que la parametrización de un modelo particular no era lo suficientemente amplia. Esto significa que el experimento que hiciste la semana pasada, o incluso el conjunto de experimentos en los que has estado trabajando durante el último mes, probablemente necesitarán ser repetidos. Si has organizado y documentado tu trabajo claramente, repetir el experimento con los nuevos datos o la nueva parametrización será mucho, mucho más fácil.

  1. Noble WS (2009) A Quick Guide to Organizing Computational Biology Projects. PLOS Computational Biology 5(7): e1000424. https://doi.org/10.1371/journal.pcbi.1000424 ↩