Llegamos a ustedes gracias a:



Reportajes y análisis

8 secretos de proyectos exitosos en inteligencia artificial

[03/12/2018] Los líderes empresariales de todos los niveles ven el valor de usar inteligencia artificial, pero el uso de la IA es el verdadero valor.

Aquí, las lecciones de vanguardia pueden ser una guía. De acuerdo con una encuesta reciente de Deloitte, el 82% de los primeros usuarios de IA están viendo resultados financieros positivos sobre su inversión en tecnologías cognitivas, con un rendimiento medio de la inversión del 17%.

¿Cuál es la mayor diferencia entre un proyecto de IA exitoso y uno que no tiene éxito? Si es impulsado por la tecnología o por la necesidad comercial, señala Nitin Mittal, director de la oferta analítica y cognitiva en Deloitte Consulting.

Las organizaciones que buscan aprovechar al máximo la inteligencia artificial: "Concéntrense en casos de uso específicos que podrían prestarse a la inteligencia artificial. Céntrense en los objetivos comerciales que deben alcanzarse, demuestre su valor y amplíe la escala. Ahí es donde vemos mucho éxito", añade Mittal.

Aquí hay ocho consejos para transformar los proyectos de inteligencia artificial en valor comercial, según lo informado por aquellos que obtienen beneficios reales de la inteligencia artificial.

Enfóquese en problemas concretos

En General Electric, el valor comercial está en el corazón de cada proyecto de IA, señala Colin Parris, vicepresidente de investigación de software de la compañía.

"Comenzamos con muchos productos viables mínimos", anota. "¿Esto realmente puede predecir algo? Y si podemos hacerlo, ¿es más barato, más rápido o puede generar más ingresos? Entonces, ¿cómo podemos escalarlo?, ¿cómo lo implementamos para obtener el valor comercial?".

Ese seguimiento es crítico, indica.

Por ejemplo, si el sistema de IA está produciendo predicciones sobre equipos que necesitan mantenimiento, esas predicciones deben integrarse en el flujo de trabajo. Eso podría significar enviar al ingeniero de campo correcto para hacer el mantenimiento correcto en el momento adecuado.

También puede requerir una integración en el sistema de inventario.

O podría requerir integración con la maquinaria real. "Si mi IA me da la capacidad de entender realmente cuándo necesito aumentar la temperatura o la presión, tengo que integrarme en los sistemas de control", señala.

Conozca los límites de la IA

Cuando los seres humanos intentan hacer predicciones, a veces son víctimas de una trampa psicológica conocida como el efecto Dunning-Kruger. Ahí es cuando una persona no se da cuenta de lo poco que sabe sobre un tema y se considera erróneamente un experto. Los resultados pueden ser tanto humorísticos como trágicos.

Los sistemas de inteligencia artificial pueden caer en la misma trampa. Por ejemplo, una IA entrenada en un conjunto particular de datos y a la que se le pide realizar predicciones basadas en un conjunto de datos totalmente diferentes, puede dar una respuesta totalmente errónea, pero puede ser convincente para un usuario que aprendió a confiar en las predicciones de la IA.

La realidad es que un científico experto en datos puede tardar en comprender cuándo un modelo de análisis es adecuado para un conjunto de datos en particular. "Tengo que entender las suposiciones basadas en los datos", señala Parris de GE. "¿Cómo enfatizo el modelo? Puede que tenga que generar otros tipos de datos, o simular los datos, para saber si son fructíferos. Luego tengo que revisar los datos mientras se están ejecutando para asegurarme de que estas suposiciones sean válidas. Esto es algo que hace como experto en inteligencia artificial después de años de entrenamiento", anota.

Los nuevos empleados, o los científicos que no son de datos, pueden no tener esta capacitación, lo que deja a una organización susceptible de llegar a conclusiones engañosas.

Para abordar este problema, General Electric comenzó a trabajar en lo que llama "inteligencia artificial humilde", un sistema de inteligencia artificial que sabe en qué situaciones se adaptan sus algoritmos, y solo utilizará sus modelos de aprendizaje automático en esas situaciones.

"Si estoy fuera del rango, no uso este modelo. Quiero volver atrás y usar el modelo físico que hemos usado en los últimos 20 años", indica Parris. "La IA sabe lo que ésta no sabe".

La "IA humilde" se está probando ahora, añade. "Con las máquinas multimillonarias, no querrá hacer nada que dañe la vida o el rendimiento. Retroceda y vuelva a las rutinas normales".

Escuche a las partes interesadas -y clientes

Para algunas empresas, garantizar que los sistemas de inteligencia artificial produzcan resultados útiles requiere ayuda externa.

"Lo ideal es que inicie un proyecto con una reunión de pizarra donde todas las partes interesadas clave pasen la tarde analizando los detalles y documentando los requisitos de la consulta", señala Jim Metcalf, científico jefe de datos en Healthy Nevada Project.

Por ejemplo, el equipo de Healthy Nevada estaba trabajando en un protocolo para tratar con pacientes cardíacos. Esto requirió la recopilación de información sobre los medicamentos que se recetaron a los pacientes cuando salieron del hospital. Pero algunos medicamentos, como las estatinas, generalmente se recetan cuando el paciente ingresa por primera vez, y se continúan cuando el paciente se retira. El sistema asumió que estos medicamentos eran los que ya estaban tomando los pacientes, no medicamentos nuevos relacionados con sus ataques cardíacos, un problema que se descubrió sólo 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", anota Metcalf. "Nuestro equipo de ciencia de datos ha aprendido a no asumir nada. Revisamos a fondo, discutimos y documentamos los requisitos de consulta mucho antes de que alguien toque el teclado".

Para el proveedor de la plataforma de gestión de gastos empresariales Coupa, un consejo del cliente 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", comenta Donna Wilczek, vicepresidenta de estrategia e innovación de productos de la compañía. "Por ejemplo hay muchas aplicaciones, que analizan el fraude de informes de gastos, que analizan el fraude en la compra".

Pero resulta que es más probable que un empleado que hace trampas en un área, también lo haga en otras áreas, añade. Tomó conversaciones con expertos en adquisiciones y auditores financieros para descubrir que el secreto de la detección del fraude es mirar a las personas que se encuentran en el centro del fraude.

"Aquí es donde la IA tiene una aplicación muy hermosa y pragmática", agrega. "Esto es demasiado para un auditor humano, demasiados datos para que un humano identifique los patrones".

La IA también puede acelerar el proceso de detección de fraude, lo que permite a las empresas detectar el fraude antes de que los pagos salgan por la puerta. "Normalmente, los clientes no pueden hacerlo en el curso del gasto porque ralentizaría demasiado el negocio", indica.

Coupa ahora recopila ejemplos de comportamiento fraudulento que reportan las empresas, luego agrega esos ejemplos de la vida real al sistema de inteligencia artificial.

Abrazar la experiencia de dominio

Cada vez más compañías comienzan a darse cuenta de que la IA, por sí misma, no es una bala mágica.

"Muchas veces, las empresas dicen, tengo esta gran cantidad de datos, este enorme lago de datos, simplemente conecte su IA y dígame algo interesante", señala JJ López Murphy, director de tecnología de datos e inteligencia artificial de Globant, una empresa global de TI consultoría. "Sí, la IA te ayudará a descubrir patrones ocultos, pero no te dará una respuesta si no tienes las preguntas adecuadas. Simplemente no sucederá".

Según Halim Abbas, director de inteligencia de Cognoa, quien confía en la IA para el diagnóstico de la conducta, ayuda a identificar a los niños con autismo y otros problemas de salud conductual.

En el mundo real, puede haber interdependencias en los datos, o algunos datos pueden no ser relevantes, y se necesita un experto en la materia para conocer la diferencia. 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 en busca de patrones podría deducir que la pintura de las paredes tiene importancia clínica.

"A medida que el tamaño del conjunto de datos crezca, obviamente evitará conclusiones tan tontas", señala. "Pero todavía puede haber algunas".

Según él, estos son problemas que un experto en inteligencia artificial sin experiencia en el dominio no conocería. Esto es especialmente crítico cuando los conjuntos de datos son pequeños, como en condiciones raras o demografías pequeñas.

Por supuesto, los expertos en dominios pueden tener sus propios sesgos, anota Abbas. "Podrían aferrarse a creencias erróneas acerca de las conexiones entre ciertas variables y ciertas condiciones. Una buena manera de estar completamente seguro es tomar los comentarios de los expertos en dominios y hacer lo mismo en el lado de la IA, y solo trabajar con lo que sea doblemente validado, en ambos lados de la ecuación".

La experiencia clínica interna también ayuda a Cognoa a determinar si los modelos funcionan o no, y a mejorarlos.

"Cada vez que valida un algoritmo de IA en un ensayo bien construido en el mundo real, encontrará que la realidad no coincide con las simulaciones", señala. "De ese análisis surge una perspectiva para optimizar y refinar aún más su producto".

La combinación de la experiencia en el dominio con la inteligencia artificial también puede ser esencial en la curación de datos, como ha comprobado CAS, una compañía con 111 años de antigüedad 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", señala el director de Tecnología, Venki Rao. "Tenemos más de 350 doctorados en nuestras instalaciones, curando datos".

Recientemente, la compañía comenzó a utilizar la inteligencia artificial para ayudar a clasificar y curar los datos, liberando algunos de estos doctorados para trabajos más complejos. Pero se necesita experiencia en el dominio incluso para construir un sistema simple de reconocimiento óptico de caracteres. Por ejemplo, "nm" es la abreviatura de nanomolar y "mm" es milimolar, una diferencia de seis órdenes de magnitud. Si el sistema lo convierte incorrectamente, podría significar la diferencia entre una reacción química segura y una peligrosa.

"Si es un tecnólogo puro, no puede ser productivo para nosotros", indica. "Si usa la fuerza bruta con la tecnología, sin entender la química, nunca será óptima".

Esto hace que el reclutamiento sea más desafiante, señala Rao, y hace que la subcontratación a veces sea imposible. "Pero se ha demostrado que la inversión proporciona un retorno en la calidad de la solución".

Dese cuenta del valor de las pruebas del 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 AI está condenado antes de que comience.

Jennifer Hewit, jefa de servicios cognitivos y digitales de Credit Suisse Group AG, enfrentó este desafío de frente.

Cuando la compañía decidió lanzar su nuevo chatbot de soporte al cliente, Amelia, Hewit sabía que el chatbot a menudo se rendía y enviaba clientes a agentes humanos, en lugar de poder responder todas las consultas o la mayoría de ellas por su cuenta.

"Tomé la decisión temprano para que empiece a funcionar", indica, y señaló que la capacidad del chatbot para comprender la intención era solo del 23% cuando se lanzó por primera vez.

Pero al estar en situaciones reales, el chatbot pudo observar conversaciones multiculturales, multilingües y multigeneracionales, y aprender de ellas.

"La puesta en marcha rápida y la exposición de la capacidad a la organización significaron que pudimos aumentar su capacidad para comprender la intención del 23% al 86% en cinco meses".

Cuidado con el 'problema de la caja negra' de la IA

La confianza es otro problema que enfrenta la IA cuando llega al mundo real, ya que los sistemas de IA proporcionan poca visibilidad de cómo obtienen sus conocimientos, un problema conocido como el "problema de la caja negra".

"He estado en experiencias en las que nunca pudimos superar eso", señala Christina Mainelli, vicepresidenta ejecutiva y directora de crecimiento de Beacon Health Options, con sede en Boston, que brinda tratamiento de salud conductual a más de 40 millones de personas en todo Estados Unidos.

La compañía decidió construir un sistema impulsado por IA para detección temprana en pacientes, antes de que sus condiciones aumentaran hasta el punto en que necesitaban hospitalización. Para asegurarse de que realmente se usara el sistema, Beacon Health reunió a quienes estarían usando el sistema y los capacitó no solo en los flujos de trabajo, sino también en cómo funciona el algoritmo.

Entonces, incluso antes de que el sistema se pusiera en marcha, hubo una prueba seca de datos antiguos de pacientes existentes.

"Las personas que se esperaba que corrieran un alto riesgo, en realidad tenían un alto riesgo, porque fueron ingresadas en el hospital", señala la ejecutiva. "Nuestros clínicos pudieron ver cómo funcionaba, y eso nos ayudó a reducir el problema de la caja negra".

Luego, cuando se utilizó el sistema de inteligencia artificial en pacientes actuales, durante las primeras doce semanas del programa, fue capaz de identificar a casi 300 personas en riesgo, el 57% de las cuales no fueron recogidas por el enfoque tradicional anterior.

"Eso es bastante convincente. No sabíamos que existían altos riesgos antes de esto", anota Mainelli. "Y ahora el equipo está trabajando para impactarlos".

Eso incluye hablar con ellos por teléfono, comunicarse con un proveedor y asegurarse de que estén recibiendo los medicamentos que necesitan.

En uno o dos meses, Beacon Health verá los resultados de estas intervenciones, ya que hay un período de retraso antes de que pasen las reclamaciones, lo que será otra prueba importante en el mundo real.

"Necesitaremos ver los datos de los resultados para saberlo realmente", indica Mainelli.

Establezca métricas claras

Tener métricas claras de negocio para medir los resultados de un proyecto de IA es importante para demostrar que está funcionando y debe recibir apoyo continuo.

Muchas empresas no prestan suficiente atención a este aspecto de sus proyectos de inteligencia artificial. Según Deloitte, menos del 50% de las empresas encuestadas miden los indicadores clave de rendimiento necesarios para medir con precisión los rendimientos financieros, indicadores tales como ahorro de costos, ingresos y retención de clientes.

Ese es un problema con tecnologías emergentes como la IA, señala el autor del informe, Jeff Loucks, director ejecutivo del Centro de Tecnología, Medios y Telecomunicaciones de Deloitte.

"A menudo no se administran con el mismo rigor que usan las empresas con tecnologías más maduras", escribe.

El resultado son los proyectos de inteligencia artificial que son "puentes a ninguna parte", indica, pilotos que no escalan o proyectos sin beneficios comerciales.

Entrene desde dentro

¿Dónde encuentra a las personas que pueden entender tanto la tecnología de IA como los requisitos del negocio? No es una tarea fácil. Hay una escasez global de talento de IA como tal, y reducirlo aún más al requerir experiencia en la materia significa que el grupo de posibles candidatos es aún más pequeño.

De acuerdo con la encuesta de adopción de IA llevada a cabo por Deloitte, el 69% de las compañías dice que enfrenta brechas de habilidades moderadas, importantes o extremas en su fuerza laboral.

En General Electric, la compañía se esfuerza por encontrar personas con las habilidades de programación y análisis requeridas por el lado de inteligencia artificial, y los conocimientos de física e ingeniería necesarios en el área de negocios.

"Tenemos inversiones en las universidades, nos fijamos en LinkedIn, nos fijamos en los artículos de los medios de comunicación, nos reunimos con personas en las conferencias", indica Parris de GE.

Pero la compañía también busca internamente personas con experiencia en ciencias de los materiales que están tomando cursos en IA, por ejemplo, o desarrolladores de AI que están tomando cursos en sistemas de control y ciencia de los materiales.

Encontrar a personas con una combinación de experiencia en el dominio y habilidades de inteligencia artificial es solo el comienzo del viaje, señala Parris. GE necesita personas que puedan tomar este conocimiento y convertirlo en aplicaciones prácticas, añade. "¿Cómo veo un problema de negocios y lo disecciono en un problema de datos?".

Para llegar allí, GE proporciona capacitación multifuncional, una combinación de inteligencia artificial e ingeniería. Hasta ahora, entre 10 y 15 científicos e ingenieros han pasado por eso, aproximadamente un tercio de todos los científicos e ingenieros de la compañía.

"Puede que haya más que hayan pasado por algunas capacitaciones", agrega Parris. Y es solo el comienzo del proceso de cambiar la cultura corporativa, el sistema organizativo, las métricas, e incluso los incentivos.

"Para una empresa como GE, esta es una tarea gigantesca, y ahora estamos al principio", anota. "Pero si lo hacemos bien, el futuro cambiará para todos nosotros".