Dicen que la Inteligencia Artificial es el futuro. Yo prefiero decir, pensando el dato, la Inteligencia Artificial es el resultado.
Y todo resultado, antes de ser plato, ha sido cocinado. Muchas veces escuchamos con intensidad la misma pregunta: “¿Cuándo lanzamos el piloto?”. Y yo, que ya he visto esta película varias veces, pienso siempre lo mismo: antes de lanzar nada, enséñame el dato. Porque ahí, en esa pregunta incómoda, se decide casi todo lo que viene después.
Un proyecto de Data Driven AI no nace en el algoritmo. Nace en la despensa.
Sin buena materia prima no hay buen plato
Puedes tener al mejor cocinero del mercado, el modelo más caro, la arquitectura más sofisticada, que si la materia prima está podrida, el plato sale podrido. No hay salsa que lo disimule. Y en el dato pasa exactamente igual: si el dato no funciona, no funciona nada. Ni el modelo, ni el piloto, ni la presentación bonita que le vas a hacer al comité de dirección. Preparar el dato no es una tarea menor que se delega al becario de turno mientras los señores serios discuten estrategia.
Preparar el dato es la estrategia. Y se prepara en tres frentes, como quien monta una cocina antes del servicio.
Volumetría. Hay que tener cantidad suficiente. No vale con tres fotos de la nevera y la promesa de que ya iremos comprando sobre la marcha. Si no hay volumen, no hay aprendizaje, y si no hay aprendizaje, lo que tienes no es Inteligencia Artificial, es una calculadora cara con muy buena interfaz.
Estructura. El dato tiene que estar ordenado, etiquetado, con sentido. Un almacén sin estanterías no es un almacén, es un trastero. Y a nadie se le ocurre cocinar dentro de un trastero.
Calidad y depuración. Aquí es donde la gente se cansa antes de empezar, porque depurar es aburrido, no sale en ninguna foto de LinkedIn y nadie te aplaude por ello. Pero es el paso que separa un proyecto serio de un experimento de feria. Hay que quitar duplicados, corregir errores, eliminar el ruido. Limpiar, limpiar y limpiar.
Tres frentes. Ninguno opcional.
El ochenta y el veinte: la receta que hay que seguir y que no se sigue
Aquí viene la parte que casi todo el mundo se salta, porque tiene prisa, porque el comité quiere ver el piloto el viernes, porque ya lo ajustaremos después. Y es precisamente la parte que más tarde te explota en la cara.
De toda la batería de datos que tengas disponible para un proyecto, la norma es sencilla: el ochenta por ciento se aplica al proyecto, se entrena con él, se construye con él.
El veinte por ciento restante no se toca. Ni se mira, ni se usa, ni se cuela un poquito para ganar tiempo. Ese veinte por ciento se guarda aparte, como dato histórico, intacto, para un único propósito: el testing.
Y aquí va la frase que me gustaría tatuar en la pared de cada sala de proyectos: el testing no es el final, es la obligación del piloto.
Porque un piloto que no se testea con dato que nunca ha visto antes no demuestra nada. Te puede dar resultados maravillosos, gráficas preciosas, números que enamoran al comité. Y aun así, estar alucinando. Inventándose respuestas con la misma seguridad con la que un mal estudiante recita una lección que no se ha aprendido, pero suena convincente.
El veinte por ciento es el examen sorpresa. Es la pregunta que el modelo no ha visto en los apuntes. Si la responde bien, hay confianza. Si no, mejor saberlo ahora, en la cocina, y no en la mesa del cliente.
La conclusión, breve, como manda la casa
No hay atajo. El dato se prepara, se cuida y se reserva una parte para desconfiar de uno mismo.
Quien se salta esa parte no está haciendo Inteligencia Artificial. Está improvisando con un delantal puesto.