Machine Learning Para Arquitectos de Soluciones

En este post quiero comentar acerca de los conocimientos que necesitan los arquitectos de soluciones para iniciarse en el camino del machine learning o aprendizaje automatico.

• Entender la inteligencia artificial y el aprendizaje automático (aka machine learning)
• Machine Learning y su relación con el desarrollo de software
• Ciclo de Vida del Machine Learning (aka una referencia https://consultorjava.com/blog/ciclo-de-vida-del-machine-learning/ – https://iluminatic.info/web/flujo-de-trabajo-machine-learning/)
• Identificar una arquitectura de referencia (aka una https://opendatahub.io/docs/architecture/)

Si agrupamos todo lo anterior bajo arquitectura de soluciones de aprendizaje automático:

• Entendimiento del problema a resolver y del negocio.
• Identificación y verificación de la técnica de aprendizaje automático (supervisado, no supervisado, clasificación, clustering, regresión, etc).
• Arquitectura de sistemas de la plataforma de aprendizaje automático.
• automatización de la plataforma de aprendizaje automático.
• Seguridad y cumplimiento.

También se vuelve necesario identificar casos de uso en diversas industrias:

• Industria de Servicios Financieros (FSI)
• Multimedia y Entretenimiento
• Salud
• Fabricación
• Retail – Ecommerce
• Automotriz

La industria de servicios financieros (FSI) siempre ha estado a la vanguardia de la innovación tecnológica y la adopción del Machine Learning no es una excepción.

En los últimos años, hemos visto la implementación de una variedad de soluciones de aprendizaje automático en diferentes funciones comerciales dentro de los servicios financieros. Por ejemplo, en los mercados de capitales, el aprendizaje automático se utiliza en el front, middle y back office para ayudar en las decisiones de inversión, la optimización del comercio, la gestión de riesgos y el procesamiento de liquidación de transacciones.

En el sector de seguros, las empresas están utilizando el aprendizaje automático para agilizar la suscripción, prevenir el fraude y automatizar la gestión de reclamos.

En el sector bancario, los bancos lo utilizan para mejorar la experiencia del cliente, combatir el fraude y facilitar las decisiones de aprobación de préstamos.

Seguir conociendo, aprendiendo, experimentando sobre Aprendizaje Supervisado, No supervisado, Clasificación, Regresión, Clustering y los diversos algoritmos que existen como por ejemplo Random forest, Regresión Logística, Naive Bayes, Asociación de Reglas, Vecinos mas cercanos y otros.

Otros conceptos necesarios son los que tienen que ver con la gestión de datos, como por ejemplo ingesta, tipos de formatos, extracción, transformación, carga, limpieza de datos, data pipelines y otros mas.

Conocer e identificar los frameworks y lenguajes de programación basados en open source que te ayudan a realizar la implementacion como python, scikit learn, pytorch, tensorflow, apache spark y otros.

Esto no acaba aquí… continuara….