Desde el primer curso de aprendizaje automático que impartí en Stanford en 2017, muchas personas me han pedido consejo sobre cómo implementar modelos de AA (de su sigla en inglés Machine Learning) en sus organizaciones. Estas preguntas pueden ser genéricas, como «¿Qué modelo debo utilizar?», «¿Con qué frecuencia debo reformar mi modelo?», «¿Cómo puedo detectar cambios en la distribución de los datos?» o «¿Cómo me aseguro de que los atributos utilizados durante la formación sean coherentes con los utilizados durante la inferencia?».

Estas preguntas también pueden ser específicas, como «Estoy convencida de que pasar de la predicción por lotes a la predicción en línea dará a nuestro modelo un aumento de rendimiento, pero ¿cómo convenzo a mi jefe para que me deje hacerlo?» o «Soy la científica de datos más veterana de mi empresa y recientemente me han encargado la creación de nuestra primera plataforma de aprendizaje automático; ¿por dónde empiezo?».

Mi respuesta corta a todas estas preguntas siempre es: «Depende». Mis respuestas largas a menudo implican horas de discusión para entender en qué situación se encuentra la persona que hace la pregunta, lo que realmente está tratando de lograr y los pros y contras de los diferentes enfoques para su caso de uso específico.