Los líderes empresariales de todos los niveles ven el valor de utilizar la Inteligencia Artificial. Sin embargo, utilizar bien la IA es donde reside el verdadero valor.
Y hay mucho en juego. Según una encuesta de Deloitte publicada el verano pasado, el 61% de las empresas esperan que la IA transforme su industria en los próximos tres años. Las empresas con líderes efectivos, un alto nivel de compromiso con los proyectos de IA y una clara visión y estrategia de IA están posicionadas para beneficiarse al máximo de este cambio, según una encuesta de McKinsey publicada en noviembre pasado.
¿Cuál es el diferenciador clave? Ser capaz de implementar IA a escala. En lugar de pruebas de concepto, o proyectos de IA únicos, las empresas que saldrán victoriosas son las capaces de implementar múltiples aplicaciones de IA en varios equipos. Hasta ahora, sólo el 13% de las organizaciones han podido hacer esto, según el informe sobre el estado de la IA de 2020 de Capgemini.
Aquí hay ocho consejos para transformar proyectos de inteligencia artificial en valor comercial, contados por aquellos que ya están obteniendo beneficios reales de la Inteligencia Artificial.
Centrarse en la transformación empresarial
Hace tres años, cuando General Electric se encontraba en las primeras etapas de su viaje de IA, los proyectos de IA requerían un gran enfoque en los beneficios comerciales específicos, comenzando con proyectos viables mínimos. Hoy, la historia trata más sobre el uso de IA como parte de una transformación del negocio en sí.
“Usted puede ir a ver un pequeño silo, optimizar la cantidad de inventarios y ahorrar 2 o 3 millones, pero esto no se traduce en la creación de valor en toda la empresa”, señala Colin Parris, vicepresidente senior de director de tecnología de GE, poniendo un ejemplo de cómo GE descubrió la manera de administrar los inventarios de piezas en forma más eficiente con IA. El siguiente paso consistió en aprovechar lo aprendido y ofrecer el mismo servicio a sus clientes.
“Puedo hacer la predicción, o darle el software para que usted pueda usarlo y sepa qué partes comprar”, agrega. “Es así como pasé de la eficiencia a la generación de ingresos en mi industria. Y luego puedo abrir mi mercado y las mismas técnicas se pueden aplicar a otras industrias”.
Pero el salto de usar IA para reducir costos a usar IA para aumentar el negocio requiere un cambio fundamental en la estrategia para enfocarse en la transformación empresarial. En GE, eso ha significado aprovechar los principios de fabricación ajustada, impulsados ??por IA. Una ventaja de emplear la IA es que reduce la resistencia interna al cambio. “Llevamos años haciendo esto en (el proceso de) fabricación”, dice Parris. “La gente sabe que su trabajo no va a desaparecer”.
Conoce los límites de la IA
A medida que los proyectos de IA se amplían y se convierten en operaciones centrales de la empresa, los riesgos asociados también aumentan. Si un sistema de Inteligencia Artificial entrenado en un problema específico se aplica a un problema ligeramente diferente, los resultados pueden ser subóptimos o incluso peligrosos.
“Tenemos esta cosa llamada ‘IA ??humilde’”, explica Parris. “Lo cual significa que, si las cosas cambian, no uso el modelo de IA: vuelvo al modelo que tenía antes”.
Otro aspecto del enfoque de “IA humilde” de GE consiste en asegurarse que la IA explique su razonamiento. Por ejemplo, cuando los técnicos obtienen datos de turbinas eólicas, tradicionalmente buscan la velocidad del viento en comparación con la vibración de la torre en el manual, y el manual les dice qué hacer. Sin embargo, un sistema de Inteligencia Artificial puede obtener los datos, trazar las curvas e informar al técnico que la turbina está experimentando un problema de cojinete de inclinación. La IA explicable también mostraría esas curvas al técnico y abriría la página del manual que tiene la información relevante.
“La IA ahora se está explicando a sí misma, de modo que el técnico podría mirarla y decir: ‘Mmm… esto se ve un poco diferente. O podría decir: “Eso es correcto. Vamos a hacer tal cosa’”. De acuerdo con Parris, la IA ayuda al equipo técnico a llegar a la solución más rápido y a creer que realmente funciona.
“Se trata de inteligencia aumentada, inteligencia asistida”, dice Parris. “No te está reemplazando; te está ayudando”. Eso está contribuyendo a la adopción de IA a gran escala, asevera.
Escuche a las partes interesadas y a los clientes
Para algunas empresas, garantizar que los sistemas de IA produzcan resultados útiles requiere ayuda más allá del equipo central de IA. Como cualquier proyecto, esto comienza con la recopilación de requisitos en torno a datos, resultados y modelos.
“Lo ideal es que inicie un proyecto con una reunión de pizarra en la que todas las partes interesadas clave pasen la tarde analizando los detalles y documentando los requisitos de la consulta”, refiere Jim Metcalf, científico de datos del Healthy Nevada Project, cuyo equipo aprendió esta lección trabajando en un protocolo para el tratamiento de pacientes cardíacos.
El proyecto requería recopilar información sobre los medicamentos que se recetaban a los pacientes cuando eran dados de alta del hospital. Pero algunos medicamentos, como las estatinas, se recetan cuando los pacientes ingresan por primera vez y se continúan cuando el paciente se va. El sistema asumió que estos medicamentos eran recetas en curso que los pacientes ya estaban tomando, no nuevos medicamentos relacionados con sus hospitalizaciones por ataque cardíaco, un problema que se puso al descubierto cuando el recuento de medicamentos terminó siendo más bajo de lo esperado.
“El equipo podría haber resuelto esto mucho antes si hubiéramos tenido discusiones más detalladas con todas las partes interesadas desde el principio”, recuerda Metcalf. “Nuestro equipo de Ciencia de Datos ha aprendido a no asumir nada. Examinamos, discutimos y documentamos minuciosamente los requisitos de consulta mucho antes de que alguien ponga los dedos en el teclado”.
Para el proveedor de la plataforma de gestión de gastos empresariales, Coupa, el consejo de los clientes les señaló el camino hacia una nueva forma de detectar el fraude. “En nuestra industria, el enfoque ha sido analizar el fraude de gastos en silos”, refiere Donna Wilczek, vicepresidenta de Estrategia e Innovación de Productos de la compañía.
Pero resulta que un empleado que hace trampa en un área tiene más probabilidades de hacerlo también en otras áreas. Según Wilczek, fue necesario tener conversaciones con expertos en adquisiciones y auditores financieros para descubrir que el secreto de la detección del fraude es observar a las personas individuales en el centro del fraude.
Coupa ahora recopila ejemplos de comportamiento fraudulento que informan las empresas y luego agrega esos ejemplos de la vida real al sistema de Inteligencia Artificial.
No más pruebas de concepto
Cuando la tecnología era nueva, las pruebas de concepto (POC) tenían sentido. Hoy, sin embargo, hay menos necesidad de comenzar su viaje de IA con experimentos, afirma JJ López Murphy, director de Tecnología de Datos e Inteligecia Artificial de Globant.
“Cada uno de estos experimentos es muy caro, en términos de dinero, tiempo e influencia política”, señala. “Cuando se han hecho cuatro POC que no llevan a ninguna parte, la gente deja de creer en la IA”.
En cambio, las empresas deberían trabajar en proyectos que vayan a alguna parte, dice. “Si no está en producción, si no se usa, a veces es peor que inútil”.
Whit Andrews, analista de Gartner, está de acuerdo con Murphy y recomienda que las empresas creen productos mínimos viables. “El riesgo es un poco mayor, pero el beneficio es que puedes empezar ‘a rodar’. Después sólo se necesitará seguir agregando capacidad y funcionalidad”.
Según una encuesta de 2020 de Gartner, las empresas que tienen éxito con la IA realizan un promedio de 4.1 proyectos piloto. Las empresas que no tienen éxito realizan 5.2 POC. “Hemos pasado el punto de ‘tíralo a la pared y veamos qué se pega’”, dice Andrews.
Equipos mixtos
Otro informe realizado por Gartner señala que las organizaciones que obtuvieron un “valor significativo” de sus proyectos de Inteligencia Artificial también tenían un 14% más de roles en sus equipos de IA, incluidos gerentes de proyectos, estrategas y personas con diferentes antecedentes y perspectivas.
“El hábito número uno de las empresas exitosas es utilizar equipos bien mezclados”, asevera Andrews.
Este fue el caso de un proyecto de Inteligencia Artificial, en el cual trabajó Tech Data, que implicaba contar aves llamadas “frailecillos”, y requería traer expertos en hardware.
“Si alguna vez ha visto especiales de National Geographic, los frailecillos anidan muy juntos, miles de ellos”, explica Clay Davis, vicepresidente para Datos Globales y Soluciones de IoT en Tech Data. “De modo que se nos encomendó aprovechar la Inteligencia Artificial para contar frailecillos”.
Antes de que se llamara a Tech Data para colaborar en el proyecto, había un equipo de científicos de datos que trabajaban para obtener los mejores modelos posibles para contar frailecillos, y un equipo separado de profesionales de hardware que elegían las cámaras y el equipo informático.
“Cuando tienes hardware físico como una cámara que captura imágenes en áreas remotas, a menudo es más efectivo hacer el cálculo en el sitio y, a veces, no”, dice. “Y si realizas cálculos en el sitio, debes asegurarte que el hardware que estás aprovechando sea suficiente para manejar los modelos que has creado con los científicos de datos”.
Tres meses después, resultó que el hardware elegido no podía ejecutar los modelos que estaban creando los científicos de datos. “Ahora tienes que reiniciar, comprar hardware nuevo o pedir a los científicos de datos que construyan un modelo más eficiente. Era necesario tener a ambas personas en el proyecto desde el primer día”, confiesa Davis.
En el caso de los frailecillos no contados, los científicos de datos pudieron cambiar a un modelo de mapeo de tendencias, para poder seguir con el hardware existente.
Adopte la experiencia en el dominio
Depender únicamente de los científicos de datos para obtener información a partir de los datos es un gran error, dice Halim Abbas, director de Inteligencia Artificial en Cognoa, quien está aplicando la IA para diagnosticar el comportamiento, lo cual ayuda a identificar a los niños con autismo y otros problemas de comportamiento.
Determinar las interdependencias y la relevancia de los datos a menudo requiere un experto en la materia. Por ejemplo, si un conjunto de pacientes diagnosticados en una habitación con paredes azules y otro en una habitación con paredes blancas produjeron resultados diferentes, un modelo analítico que busque patrones podría deducir que la pintura de la pared tiene importancia clínica.
“A medida que aumenta el tamaño del conjunto de datos, obviamente evitará conclusiones tan banales”, afirma Abbas. “Aunque puede haber algunos detalles sutiles”.
Estos son problemas que un experto en Inteligencia Artificial sin experiencia no conocería, agrega. Y es especialmente crítico cuando los conjuntos de datos son pequeños, como los condicionamientos raros o los datos demográficos pequeños.
Incluso los expertos en dominios pueden tener sus propios sesgos, según Abbas. “Una buena alternativa para estar doblemente seguro es tomar la información de los expertos en el dominio y hacer lo mismo en el lado de la IA, y sólo trabajar con lo que está doblemente validado, en ambos lados de la ecuación”.
Combinar la experiencia del dominio con la Inteligencia Artificial puede ser esencial en la curación de datos, como ha descubierto CAS, una empresa de 111 años que recopila y publica datos de investigación química.
“Cosas como espacios, subíndices, guiones o el cambio de una sola letra en una estructura química pueden marcar la diferencia entre una reacción segura y explosiva”, asevera el CTO de esta compañía, Venki Rao. “Tenemos más de 350 doctores en nuestras instalaciones, curando datos”.
Recientemente, CAS ha comenzado a usar IA para ayudar a categorizar y curar los datos, liberando algunos de estos doctores para trabajos más complejos. No obstante, se necesita experiencia en el dominio para construir un sistema de reconocimiento óptico de caracteres simple.
Descubra el valor de las pruebas en el mundo real
Ningún plan de batalla sobrevive al contacto con el enemigo, y ningún sistema de IA sobrevive al contacto con el mundo real. Si su empresa no está preparada para este hecho, su proyecto de IA está condenado al fracaso antes de comenzar.
Jennifer Hewit, directora de Servicios Cognitivos y Digitales de Credit Suisse Group, enfrentó este desafío. Cuando la compañía de servicios financieros lanzó su primer chatbot de soporte al cliente, con el nombre de “Amelia”, Hewit sabía que a menudo se rendiría y enviaría clientes a agentes humanos en lugar de responder la mayoría de las consultas por sí mismo.
“Tomé la decisión antes de comenzar”, dice, cuando la capacidad del chatbot para comprender la intención era solo del 23%. Pero al estar en escenarios del mundo real, el chatbot pudo observar conversaciones multiculturales, multilingües y multigeneracionales y aprender de ellas.
“Ponerse en marcha rápidamente significó que pudimos aumentar su capacidad para comprender la intención del 23% al 86% en cinco meses”, dice.
Tener un propósito superior
A medida que las empresas compiten por el escaso talento en IA, tener proyectos significativos puede marcar una gran diferencia. En Envision Virgin Racing, por ejemplo, el objetivo de usar IA no es sólo reducir unos segundos en una carrera de autos eléctricos de Fórmula E. “Estamos haciendo avanzar la industria”, afirma Sylvain Filippi, director gerente y CTO.
“Todo el software y las tecnologías fluyen casi directamente de las carreras a los autos premium de alta gama y luego a los autos de carretera”, dice. “Es mucho más motivador saber que esta tecnología realmente va a acelerar la transición a los coches eléctricos”.
La próxima generación de autos eléctricos comenzará a competir en 2023, dice, ampliando los límites en tecnología de baterías y carga rápida.
Maria Korolov, CIO.com
Fuente: cio.com.mx
