Kaggle convirtió los problemas de aprendizaje automático en competiciones públicas

Las empresas acumulan datos que quieren convertir en valor, pero los científicos de datos son escasos y a las organizaciones les cuesta adquirir talento. Kaggle.com ofrece una alternativa: las empresas organizan competiciones de aprendizaje automático y los participantes construyen modelos de predicción a cambio de premios.

Un estudio de HICSS de 2020 utilizó diez entrevistas con expertos además de datos extraídos de Kaggle para entender cómo las organizaciones usan las competiciones. Encontró beneficios reales —dialogar con los participantes y aprender enfoques de vanguardia—, pero señaló que las competiciones solo pueden cubrir una fracción de las tareas de un proyecto típico de ciencia de datos.

El estudio identificó 12 factores dentro de tres categorías que influyen en el éxito percibido por una organización al organizar una competición de ciencia de datos, y ofrece un marco para determinar cuándo el crowdsourcing supera a la contratación.

Externalizar el modelo mediante una competición

La multitud es mucho más grande y diversa que cualquier equipo interno.

Una métrica de evaluación clara permite a las organizaciones comparar modelos de forma objetiva.

Las competiciones exponen a los equipos internos a enfoques de vanguardia.

Organizar una competición cuesta un premio, no salarios ni plantilla.

Si la experiencia es escasa y costosa, conviene comprar soluciones en lugar de plantilla: una competición bien delimitada con una métrica clara permite que la multitud haga el trabajo y, de paso, enseña a tu equipo.

Kaggle se convirtió en el mercado de referencia para las competiciones de ciencia de datos, utilizado por empresas e investigadores de todo el mundo para obtener modelos, comparar enfoques y reclutar talento, antes de ser adquirido por Google en 2017.