Proyectos de Inteligencia Artificial

Mucho se ha escrito en los últimos años sobre inteligencia artificial: Qué es, para qué sirve, qué beneficios puede aportar a las muy diversas industrias, cómo va a afectar a la sociedad del futuro… También es fácil encontrar abundante literatura y artículos en la web sobre las muy diversas técnicas y algoritmos de machine learning y deep learning, junto a tutoriales y código de ejemplo que ayudan a entender e incluso a implementar interesantes experimentos.


Sin embargo, muy poco se ha escrito – y mucho menos en lengua española – sobre el cómo se abordan los proyectos de inteligencia artificial: cómo son estos proyectos IA, qué metodologías deben seguirse, qué recursos materiales son necesarios y dónde pueden obtenerse, así como qué perfiles profesionales son necesarios para poder abordar con éxito este tipo de proyectos que, siendo proyectos de software, tienen aspectos muy particulares por el hecho de tener que entrenar y operacionalizar modelos. Y es que ya no se trata sólo de programar una aplicación, ahora hay que entrenar un algoritmo con un conjunto de datos que representan una realidad concreta y, casi siempre, cambiante, o bien reutilizar los cada vez más abundantes recursos listos para utilizar que nos ofrece el nuevo mercado de las plataformas de inteligencia artificial en la nube y el aún más numeroso conjunto de recursos de código abierto disponibles de forma gratuita en internet.


Este libro pretende ser una guía para aquellos profesionales que, con un conocimiento conceptual básico sobre qué es la inteligencia artificial, el machine learning o el deep learning, tienen la inquietud o la necesidad de llevar a cabo con garantías de éxito proyectos de software que hagan uso de capacidades de inteligencia artificial. El libro busca proporcionar una comprensión holística del ciclo de vida de una capacidad de inteligencia artificial, desde su definición funcional, el análisis de las distintas opciones que ofrece el mercado para su implementación y las distintas prácticas y herramientas necesarias para acompañar el entrenamiento, validación y despliegue de modelos en un entorno productivo. El texto no entra en detalles técnicos sobre algoritmos o prácticas de tratamiento de datos, pero sí que busca proporcionar una amplia guía de métodos y prácticas que, poco a poco, se van asentando como las mejores. El texto se acompaña de numerosos enlaces con información complementaria que permite al lector profundizar en aspectos relevantes que, por su extensión o especificidad quedan fuera del ámbito de esta obra.