Cómo mejorar la eficiencia operativa con un ingeniero de datos

Para mejorar la eficiencia operativa de los hospitales con los ingenieros de datos hay dos pasos:

Necesidades del cliente: Primero, analizamos las necesidades del cliente que pueden resolverse mediante el aprendizaje automático y trabajar al revés.

Identificar patrones: luego miran los datos, identifican patrones y encuentran formas de mejorar nuestros productos.

Los ingenieros de aprendizaje automático dedican su tiempo a hacer varias cosas para lograr todos estos objetivos:

Exploración de datos: organización, limpieza y análisis de datos y búsqueda de patrones y atributos que podrían usarse para construir modelos de aprendizaje automático.

Exploración de ideas: Lluvia de ideas con los gerentes de producto sobre las necesidades del cliente y los puntos débiles que pueden abordarse con el aprendizaje automático, luego proponer ideas y explorarlas.

Mejora de las tuberías y lagos de datos: garantizar que los datos sean limpios, precisos y optimizados para los modelos de aprendizaje automático en cualquier momento dado.

Ajuste de modelos de producción: Monitoreo y ajuste de los modelos de aprendizaje automático que tenemos en producción diariamente o semanalmente.

Mejora de la productividad del equipo: creación y mejora de marcos y bibliotecas que pueden mejorar nuestra productividad general y ayudarnos a ejecutar nuestros experimentos más rápido y construir mejores modelos.

Los ingenieros de aprendizaje automático tienen muchos sabores, pero fundamentalmente, el aprendizaje automático es un campo en el que cualquier ingeniero de software puede adquirir experiencia. Los ingenieros de software tienen la base analítica y matemática para ello y pueden explorar una amplia variedad de modelos de ML para resolver problemas específicos y ganar experiencia en el tiempo.

Sin embargo, lo más importante es que los ingenieros de ML deben implementar y llevar a cabo más transformaciones específicas de ML, como reducción de dimensionalidad, detección de valores atípicos, ingeniería de características, imputación de valores perdidos, normalización si es necesario y probablemente otras operaciones similares. Una vez que los datos están listos para alimentar el algoritmo de ML, la responsabilidad del ingeniero de ML es establecer el algoritmo de entrenamiento adecuadamente y ejecutarlo en un tiempo razonable para producir un rendimiento satisfactorio. La optimización de hiperparámetros y la evaluación del rendimiento, por supuesto, también pertenecen al conjunto de responsabilidades del ingeniero de ML.

Descubre la innovación

Para asegurar el éxito empresarial, ahora y a futuro, es imprescindible maximizar el retorno de la inversión existente en software, a la vez que innovar y adoptar nuevas tecnologías. Los retos que hay abordar para competir en un mundo de TI Híbrida incluyen DevOps, Seguridad, Gestión de riesgos y Análisis predictivo. Puedes obtener más información sobre cómo abordar estos retos e innovar en este enlace.