El doctor Eric Siegel es un consultor líder y exprofesor de la Universidad de Columbia y UVA Darden. Es el fundador de la longeva serie de conferencias Machine Learning Week, primer orador habitual y autor del libro superventas 'Analítica predictiva. Predecir el futuro utilizando Big Data'.
Recibe novedades de Eric Siegel directamente en tu email
La mejor herramienta es la más difícil de utilizar. El machine learning es la tecnología de uso general más importante del mundo, pero es muy complicada de lanzar. Fuera de los gigantes tecnológicos y algunas otras empresas lideres, las iniciativas de machine learning suelen fallar a la hora de implementarse y nunca llegan a aportar valor. Que falta? Una practica empresarial especializada apta para una adopcion amplia.En la Guia practica de la IA, el autor superventas Eric Siegel presenta el estandar de referencia, un modelo practico en seis pasos para llevar los proyectos de machine learning desde su concepcion hasta su implementacion. Ilustra la practica con historias de exito y fracaso, incluyendo casos practicos reveladores de UPS, FICO y empresas puntocom destacadas. Este enfoque disciplinado sirve para ambas partes: da poder a los profesionales empresariales y establece un marco de trabajo estrategico muy necesario para los profesionales de los datos.Ademas de detallar la practica, este libro tambien mejora las cualificaciones de los profesionales empresariales de forma indolora. Ofrece una dosis vital pero amable de conocimiento contextual semitecnico que todas las partes interesadas necesitan para dirigir o participar en proyectos de machine learning de principio a fin. Esto pone a los profesionales empresariales y los de datos en igualdad de condiciones para que puedan colaborar de manera conjunta y profunda para establecer con precision lo que debe predecir el machine learning, como de bien predice y como se actuara en funcion de sus predicciones para mejorar las operaciones. Estas cuestiones esenciales determinan el exito o el fracaso de cada iniciativa si se hacen bien, allanan el camino para la implementacion dirigida al valor del machine learning.