[vc_row][vc_column][vc_column_text]Hay razones para desconfiar de introducir Machine Learning en las búsquedas que realiza. Tenga en cuenta estas consideraciones al momento de evaluar la implementación de Machine Learning como solución.
Es entendible que se sienta frustado con las búsquedas. Probablemente haya escuchado sobre las mejores prácticas de relevancia, taxonomías, métricas, mediciones y más. Probablemente has pensado, «Es mucho trabajo por realizar», y en efecto lo és.
Otra pregunta que luego se podría realizar es, «¿Machine Learning podría resolver todos estos problemas pronto?».
Si bien hay muchas ventajas en aplicar técnicas de Inteligencia Artificial y Machine Learning en la búsqueda, debe saber ¡Hay razones para desconfiar de introducir Machine Learning en sus actividades de búsquedas. Considere lo siguiente antes de lanzarse en esta aventura con Machine Learning.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]
¿Estas listo para el costro extra y la complejidad?
Tenga cuidado de cambiar a una solución de Machine Learning porque «hace las cosas más fáciles/cuesta menos». Realmente, lo contrario es casi siempre cierto. Espere que sea más díficil, más complejo y más costoso (pero la mayoría de veces con una mayor recompensa). El consultor de búsquedas Daniel Tunkenlang, lista muchas de estas complejidades. Algunas de las preocupaciones son:
- Interpretabilidad: a menudo es difícil saber por qué un modelo o solución está haciendo lo que esta haciendo.
- Mantenimiento: a menudo hay muchas más piezas móviles en las soluciones de Machine Learning.
- Entrada basura, salida basura: recopilación, limpieza de datos de entrenamiento, esto consume mucho tiempo, al igual que la validación de que el modelo esta haciendo lo que usted espera que este haciendo.
- Experiencia: La experiencia requerida para hacer Machine Learning es díficil de encontrar y costosa.
La razón para adoptar un enfoque de Machine Learning es que el resultado potencial vale la inversión más alta. Luego de la implementación, se puede contar con grandes resultados, pero si no lo necesitas, no inviertas en él. También hay ventajas en evitar la implementación del Aprendizaje Automático.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]
¿Cómo sabrá si su inversión en Machine Learning es exitosa?
Otra característica de los grandes equipos de búsqueda: están obsesionados con la medición y retro alimentación. Lo hacen porque la búsqueda es esencial para su valor, y deben medir absolutamente cómo cualquier cambio afecta este valor.
Al considerar las mediciones tenemos:
- KPI e instrumentación: ¿Puede vincular el mejorar la búsqueda a una métrica empresarial? Esto es a menudo más fácil decirlo que hacerlo. ¿No sería fantástico si pudiera saber el retorno de su inversión al mejorar la búsqueda con Machine Learning?.
- Juicios de relevancia: un «juicio» codifica que tan «bueno» es el resultado de una búsqueda para una consulta. Hay muchas maneras de llegar a los juicios. Con una lista de buen juicio, puede calcular si tiene impacto positivo o negativo en la búsqueda antes de lanzarlo a producción.
Como indica Liz Haubert, en su charla de Haystack, la clave de todo esto es tener muchas fuentes de medición independientes, no solo una. Y definitivamente no solo uno atado a su vendedor. Cuando se trate de datos, siempre verifica.
Por ejemplo, las dos charlas de Learning to Rank de Haystack Europa pasaron casi la mitad del tiempo centradas en la medición, a menudo sin respuestas obvias acerca de cuál fue el resultado de búsqueda relevante para la búsqueda de un usuario.
Siempre verifica.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]
¿Que problema exactamente estas resolviendo? ¿Cuál es la hipotesis?
Si te interesa la búsqueda, parece bueno que quieras avanzar más y más alto en los niveles de madurez. O de acuerdo a Eric Pugh, tener una jerarquía de necesidades de la búsqueda.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]
I am text block. Click edit button to change this text. Lorem ipsum dolor sit amet, consectetur adipiscing elit. Ut elit tellus, luctus nec ullamcorper mattis, pulvinar dapibus leo.
[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_single_image image=»2025″ img_size=»full» alignment=»center»][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]Subiendo en la pirámide, encontrará soluciones de complejidad creciente. Afortunadamente muchoas estan trabajando en «generalmente relevante». Después de un ajuste moderado, hay una mejora modesta en la solución. En otras palabras, el uso básico de las funciones del motor de búsqueda mejora la calidad suficiente.
Son los dos niveles superiores en los cuales casi todas las organizaciones se detienen. A menudo por una buena razón: el último 10% en «contextual» y «predictivo» puede tomar años. ¿Vale la pena?.
La idea es, utilizando los datos de diagnóstico y medición, encontrar aquellas áreas donde una solución técnica de vanguardia tiene sentido para su dominio. De manera crucial: es importante darse cuenta de que solo porque una solución funcione en un problema es muy probable que NO aplique exactamente 1-1 al trabajo que esta haciendo.
El truco es que no se puede abarcar todo desde el principio. Se debe de subir en la pirámide estratégicamente. Utilice información sobre cómo se comportan sus usuarios para encontrar aquellas áreas que valen la pena para la inversión.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]
¿Cual es el nivel de su organización en temas de Inteligencia Artificial?
En conclusión, es fácil asombrarse con los resultados de una demostración de Machine Learning, esto es claro, pero detrás de estos resultados se puede decir que: es solo matemáticas. No son los robots que vienen a apoderarse del mundo. Aún mejor, a menudo las matemáticas son sorprendentemente simples y no un modelo oscuro de Deep Learning.
Una buena noticia es que una vez que aprendas esto, hay mucho espacio para la innovación. Aprender como funcionan las matemáticas quita gran parte de la intimidación de Machine Learning. Solo vea la gama de charlas de Haystack donde se usa algún tipo de «Machine Learning» pero el término en sí apenas se menciona.
El trabajo arduo que se oculta en estas preguntas es la disciplina organizativa sobre la medición, la retroalimentación, las pruebas y la experimentación. Ese es el trabajo que lleva años, trasciende la tecnología.
Este artículo se encuentra basado en Think AI Will SOlve Your Search Problems? Ask These Question First.[/vc_column_text][/vc_column][/vc_row]
