Crowdsourcing y su implementación en empresas para entrenar modelos de machine learning y algoritmos de inteligencia artificial

Abstract

[ES] Objetivos: 1. Identificar funciones, beneficios y desventajas de las plataformas de crowdsourcing Amazon Mechanical Turk, Crowdflower y Clickworker. 2. Investigar casos empresariales donde las plataformas de crowdsourcing beneficiaron la calidad de los datos para entrenar modelos de ML y algoritmos de IA. Metodología: Investigación cualitativa, centrada en recopilar la información detallada sobre funciones y beneficios de las plataformas de crowdsourcing, y documentar casos de éxito empresariales que resalten los beneficios obtenidos al emplear dichas plataformas. Resultados esperados: Identificar las plataformas óptimas de crowdsourcing para entrenar modelos de ML y algoritmos de IA, sintetizar lecciones aprendidas para las empresas que elijan esta estrategia. Desarrollar un marco teórico que respalde el uso de las mismas plataformas y su implementación en IA, evidenciando la importancia de respaldarse en ellas por diferentes motivos, como la diversidad de datos para crear un modelo más robusto, la corrección de sesgos, alta adaptabilidad. Justificación: La investigación se justifica en virtud de la creciente competencia, derivada de la implementación de la inteligencia artificial en diversos sectores. En este contexto, las empresas requieren optimizar sus procesos y desarrollar algoritmos capaces de sobresalir y superar a sus competidores. El empleo del crowdsourcing emerge como una estrategia innovadora, al posibilitar a las empresas adquirir conocimientos y recursos externos de manera más eficiente, en términos de costes, que las fuentes primarias tradicionales.

[EN] Objectives: 1. identify features, benefits, and drawbacks of crowdsourcing platforms Amazon Mechanical Turk, Crowdflower, and Clickworker. 2. Investigate business cases where crowdsourcing platforms benefited data quality to train ML models and AI algorithms. Methodology: Qualitative research focused on gathering detailed information on the functions and benefits of crowdsourcing platforms and documenting business success stories highlighting the benefits of employing such platforms. Expected results: Identify optimal crowdsourcing platforms for training ML models and AI algorithms, synthesize lessons learned for companies choosing this strategy. Develop a theoretical framework that supports using the same platforms and their implementation in AI, evidencing the importance of relying on them for different reasons, such as data diversity to create a more robust model, bias correction, and high adaptability. Justification: The increasing competition derived from implementing artificial intelligence in various sectors justifies the research. In this context, companies need to optimize their processes and develop algorithms capable of outperforming and outperforming their competitors. The use of crowdsourcing emerges as an innovative strategy, enabling companies to acquire external knowledge and resources more cost-efficiently than traditional primary sources.