Succeeding with AI

Manual de gestión técnica y estrategia empresarial publicado por Manning en 2020, concebido para asegurar que las inversiones corporativas en inteligencia artificial y ciencia de datos se traduzcan en resultados comerciales medibles. Su autor, Veljko Krunic (doctor en ciencias de la computación, consultor de ciencia de datos y Master Black Belt en Six Sigma), sitúa el contenido en la era de implementación de los pipelines de machine learning industriales. La obra está dirigida a gestores de proyectos, directores de ingeniería, arquitectos de software y científicos de datos orientados a negocio con nivel intermedio que necesitan liderar iniciativas analíticas; no exige saber programar algoritmos ni formación avanzada en matemáticas, pero sí familiaridad con la toma de decisiones empresariales y los ciclos de vida de desarrollo de software.

Krunic introduce su metodología propia denominada CLUE (Consider, Link, Understand, Economize), un marco sistemático para determinar qué problemas de negocio ameritan una solución con IA antes de malgastar recursos. Enseña a analizar con detalle cada eslabón de un pipeline de machine learning (desde la captura, limpieza y etiquetado de datos hasta el entrenamiento y monitoreo del modelo), poniendo especial énfasis en diferenciar con precisión la correlación estadística de la causalidad de negocio. Explica cómo reemplazar las métricas teóricas de precisión o AUC por indicadores financieros de impacto, cómo identificar señales tempranas de fracaso para cancelar proyectos inviables a tiempo y cómo alinear las expectativas de los directivos con las capacidades reales de los equipos técnicos.

El libro combina explicaciones conceptuales con ejercicios formativos al final de los capítulos —incluyendo preguntas de verdadero/falso y análisis de dilemas corporativos basados en casos reales de startups y compañías Fortune 500— para ejercitar el diagnóstico y la priorización de proyectos. Su aporte fundamental radica en su enfoque sobrio y disciplinado contra la costumbre de buscar patrones a ciegas en bases de datos con la esperanza de encontrar valor por casualidad. Como contrapartida, no contiene código en Python ni guías de librerías como scikit-learn o TensorFlow, por lo que debe entenderse como un texto de gobernanza, estrategia y evaluación técnica. Es una lectura esencial para evitar que los proyectos de datos acaben convertidos en experimentos costosos e intrascendentes.