Con este post concluye la serie de artículos sobre “Cómo implantar tecnología Machine Learning”, en los que hemos analizado los pasos previos que una organización debe dar antes de acometer la adopción de este tipo de soluciones y cuáles son las limitaciones que se puede encontrar en ese proceso. Esta última entrega define los perfiles profesionales más adecuados para garantizar una correcta puesta en marcha de modelos Machine Learning (ML), así como el retorno en la inversión realizada.

Partimos del perfil más habitual y conocido hoy en día, el científico/a de datos. Este profesional sobresale por ser el actor principal en las tareas de aplicación y uso de las técnicas de ML. Requiere unos conocimientos avanzados en matemáticas aplicadas, lenguajes de programación y gestión de bases de datos. Además, entre sus aptitudes deben destacar la creatividad para determinar los datos de entrenamiento y formular el algoritmo y una clara orientación a resultados prácticos.

No obstante, dado su carácter determinante en todo el proceso, conviene tener en cuenta que también se enfrenta a una serie de dificultades asociadas a su desempeño. Una de las más frecuentes es la falta de conocimiento de la compañía, del modelo de negocio y de las posibilidades de mejora de cada área. En el caso de grandes compañías, se puede tardar años en descubrir las particularidades de la organización y, a partir de ellas, identificar las oportunidades que puede aportar la Inteligencia Artificial a través del ML.

También es común que surjan dificultades en la comunicación con otros profesionales. Es necesario expresar con un lenguaje sencillo tanto los avances como las barreras del ML, así como saber traducir las demandas de la empresa para encaminar adecuadamente los esfuerzos. Y, junto a ello, debe favorecer la accesibilidad a la información generada, con el fin de extraer los datos de entrenamiento. Este proceso, en la mayoría de las ocasiones, requiere una formación técnica detallada de cómo y dónde conseguirlos.

En coordinación con este profesional, es recomendable contar con la colaboración de otros tres perfiles, todos ellos complementarios entre sí, para favorecer la correcta implantación del ML.

El traductor/a de negocio es el interlocutor entre los responsables de la compañía y el científico de datos. Esta figura ha de ser capaz de encontrar las áreas de mejora del modelo de negocio y transformarlas en propuestas que se puedan llevar a cabo con procesos de aprendizaje automático. A su vez deberá presentar de manera periódica los resultados a los responsables de cada área.

El buscador/a de datos facilita el trabajo al científico de datos que, a través de él, puede acceder de forma ágil a los datos de entrenamiento necesarios. En algunas organizaciones esta labor se simplifica porque disponen de un data lake o repositorios de almacenamiento, aunque este especialista es muy útil en la búsqueda y canalización de la información.

El integrador/a de modelos es el último eslabón de la cadena de profesionales clave para la correcta incorporación de ML en la organización. Este perfil se encarga de aplicar de manera satisfactoria los modelos predictivos a los procesos de la empresa, así como automatizar el cambio de ese modelo cuando el proceso continuo de aprendizaje lo mejore e identificar cuándo es necesaria su sustitución.