[14/01/2019] El entusiasmo empresarial por la inteligencia artificial (IA) sigue sin disminuir. Las últimas predicciones de IDC dicen que el gasto empresarial mundial en sistemas cognitivos y de inteligencia artificial -desde los chatbots hasta el aprendizaje profundo, más la infraestructura para potenciarlos- se triplicará con creces, de los 24 mil millones de dólares previstos para el año pasado a 77,6 mil millones de dólares en el 2022.
De manera más demostrable, la IA ha pasado de adoptadores tempranos a casos de uso comercial general, con una amplia gama de organizaciones en casi todas las industrias explorando proyectos piloto y poniendo a la IA en funcionamiento. Pero eso no significa que sea infalible al momento de ser implementada. Si no quiere gastar el dinero que va a invertir en IA, aquí hay algunos errores comunes que debe evitar.
Morder más de lo que puede masticar
"No intente hervir el océano el primer día", señala Lance Olsen, director del equipo Cloud AI de Microsoft. Es imposible transformar todo su proceso de toma de decisiones de negocios con la IA de un día a otro, por lo que es mejor comenzar poco a poco, y dar pasos evolutivos a medida que adquiera experiencia.
Vaya por lo más simple primero. Debe desarrollar un proceso para experimentar y validar los resultados de los experimentos antes de abordar los sistemas más importantes. "No necesariamente es bueno hacer la mayor inversión desde el principio”, advierte.
Construir sistemas aislados de prueba de concepto
Crear un sistema de inteligencia artificial aislado que no lo ayude a crear un proceso general para hacer IA, y que no sea parte de su flujo existente de datos, no lo hará avanzar mucho. Es necesario crear un activo de IA sostenible con cada proyecto individual. Aquí, por sostenible nos referimos a un sistema que genera el suficiente retorno de inversión como para que siga invirtiendo en él para desarrollarlo y ampliarlo. Cada vez que hace eso, ayuda a crear capacidad de IA para toda la empresa, en lugar de solo una nueva herramienta para un equipo específico.
Aproveche los análisis de negocios que ya realiza y convierta esos sistemas históricos en predicciones. "Comience haciendo inversiones en optimizaciones que usan su canal existente y construya sobre las cosas que ya está haciendo", indica Olsen. Luego puede pasar a proyectos más revolucionarios que hagan cambios más grandes en la forma en que funcionan sus procesos.
Comenzar sin la infraestructura tecnológica adecuada
según un informe reciente de McKinsey, debe invertir tanto en tecnologías básicas como en tecnologías digitales más avanzadas antes de comenzar con la inteligencia artificial. Las empresas que ya tienen experiencia en computación en la nube, desarrollo móvil y web, Big Data y análisis, son tres veces más propensas a adoptar herramientas de IA. Tres cuartas partes de las organizaciones que adoptaron IA dijeron que dependían de lo que aprendieron de la creación de capacidades digitales existentes, o para decirlo de otra manera: si su empresa no está preparada para aprovechar el análisis de datos y la nube, tampoco está preparada para la inteligencia artificial.
Empezar sin datos
La gran mayoría de los sistemas de inteligencia artificial -sin duda los que las empresas pueden construir por sí mismos- son sistemas de aprendizaje automático y este necesita datos. Como dijo la vicepresidenta corporativa de Microsoft, Julia White, en el reciente evento AI in Business de la empresa, "¿Dónde está mi nuevo bot? Bueno, ¿de qué va a aprender su robot? "De hecho, sin buenos datos, la IA le hará daño en lugar de ayudarlo, porque tendrá más confianza en algo para lo que no hay evidencia real.
Además, si solo tiene los mismos datos públicos que sus competidores, solamente obtendrá los mismos conocimientos que ellos, razón por la cual necesita trabajar con los datos únicos de su organización. Para esto, esos datos necesitarán ser limpiados, normalizados y preparados, asumiendo que ya está recopilando los datos correctos.
No subestime la inversión requerida. La recopilación y limpieza de datos generalmente representa alrededor del 80% del trabajo de un científico de datos. Comenzar con los datos que ya usa para inteligencia empresarial y analítica, hará será más fácil asegurarse de que su sistema de IA respalde los procesos comerciales clave, haciendo que sea mucho más probable que sea útil. Eso también debería ayudarlo a definir las herramientas y el proceso para la preparación de datos que puede usar con los que aún no está utilizando.
No especificar cómo evaluar y medir el éxito
La ciencia de datos es ciencia. Debe tener una hipótesis de lo que mejorará las decisiones de negocios, ventas, atención al cliente o cualquier otra cosa que desee hacer con IA, debe probar eso en acción y evaluar los resultados.
Eso significa planificar cómo medir el éxito de un proyecto -tanto en términos de adopción como de resultados. Esto puede traducirse en alinear los proyectos con los plazos de los empleados, como la perspectiva de 90 días para los equipos de ventas y marketing, o las cuotas por hora en un centro de contacto. También significa tener un grupo de control que no esté utilizando el nuevo sistema, lo que puede parecer contraintuitivo si está invirtiendo mucho dinero en su desarrollo. Asimismo, debe asegurarse de que las personas estén tomando decisiones basadas en datos en lugar de confiar en la intuición, porque si los ignoran de manera rutinaria, el tener herramientas de IA no va a ayudar. Finalmente, debe decidir por adelantado cómo se verá el éxito, porque esa es la hipótesis que estás probando. ¿Quiere más pedidos de clientes o pedidos más grandes? ¿Desea menos llamadas de soporte al cliente o un tiempo de resolución más rápido para los clientes que sí llaman?
Comenzar sin saber con qué problemas la inteligencia artificial puede ayudarlo
El problema con el término 'inteligencia artificial' es que puede hacer que parezca que todo es posible. La industria ha hecho avances significativos en los últimos años, pero aun así es necesario que sepa lo que IA realmente puede brindarle y la manera en la que se integrará en sus sistemas y procesos de negocio existentes. Para eso necesita saber qué problemas tiene su organización con los que la IA podría ayudarlo. No puede simplemente adoptarla porque ha leído que todas las demás compañías lo están haciendo.
"Los ejecutivos deben considerar dos cosas antes de recurrir a la inteligencia artificial", explica Jacob Davis, director senior de servicios analíticos de Cheetah Digital, a CIO.com. "Primero, ¿qué estamos tratando de resolver? ¿Cómo podríamos resolver este problema en este momento y con los datos disponibles? Si no propone algo, incluso si es teórico, dentro del ámbito de posibilidades que su estado actual le permite, la IA no lo ayudará; y segundo: ¿Estoy considerando la IA debido a todas las exageraciones que escucho al respecto? Debe evaluar realmente su deseo por este tipo de soluciones porque, de lo contrario, podría invertir mucho dinero en algo que no agregue valor real".
Comenzar sin las personas adecuadas en el lugar correcto
Necesitará experiencia en ciencia de la información y si no tiene un equipo dedicado, esa experiencia a menudo se desarrollará en el equipo de TI. Donde sea que esté, es importante no mantenerlo aislado en un solo centro de excelencia. Un estudio reciente de Ovum de las organizaciones de Global 2000 con proyectos de IA en producción para el proveedor de software de ciencia de datos Dataiku, muestra que para que los proyectos tengan éxito, esos expertos deben involucrarse con el equipo de negocios cuyo problema están resolviendo, así como con el equipo de administración y desarrollo que entrega el proyecto. También hay matices culturales en las unidades de negocios locales que en un equipo central pueden perderse.
"Una y otra vez vemos equipos en empresas de todo el mundo y en industrias que no pueden llevar a cabo sus esfuerzos de datos porque no tienen forma de hacer que estas personas en diferentes geografías y con diferentes habilidades trabajen juntos", anota el CEO de Dataiku, Florian Douetteau. Si no puede conseguir expertos en ciencia de la información basados de manera permanente en ubicaciones clave, utilice la colaboración y la transferencia de conocimientos de expertos centrales para desarrollar las habilidades locales de la ciencia de la información.
Tratar de construir su propia capacidad de IA para todo
Si bien los problemas tan publicitados con IBM Watson subrayan que incluso los servicios de IA precompilados requieren tiempo y experiencia para integrarse con sus propios sistemas y procesos, y deben evaluarse con cuidado, pocas empresas tendrán la experiencia para construir todo desde cero.
Las herramientas de IA están cada vez más integradas en las ofertas de SaaS, como Salesforce, Dynamics y Adobe Marketing Cloud, aunque es posible que sean complementos por los que deba pagar extra. Hay servicios de aprendizaje automático en la nube de Azure, AWS y Google que ofrecen "servicios cognitivos" específicos, como la visión artificial y el reconocimiento de voz, que usted puede personalizar e integrar en sus propias herramientas y servicios, o galerías de soluciones comunes que puede adaptar a sus propias necesidades.
Aprovéchelos para comenzar rápidamente y luego considere qué otros modelos y herramientas necesita construir desde cero a medida que los trabajadores se sientan más cómodos con las ventajas de productividad que la inteligencia artificial puede ofrecer.
Esperar que la inteligencia artificial acabe con la gente
Al igual que la automatización, la inteligencia artificial le proporcionará las mejores mejoras de rendimiento y productividad cuando los seres humanos y los sistemas de IA trabajen en colaboración. Un estudio reciente en Harvard Business Review mostró mejoras de rendimiento de cuatro a siete veces a medida que las organizaciones adoptaron más y más colaboración entre humanos y máquinas. Para obtenerla, los equipos de negocio deben participar en la evaluación de lo que los sistemas de inteligencia artificial realmente harán por ellos. Las herramientas de IA que brindan recomendaciones, opciones múltiples, soporte de decisiones y escalación a expertos para casos difíciles son más útiles que aquellas que dan respuestas simples de sí/no sin la participación de ningún ser humano.
Mary Branscombe, CIO (EE.UU.)
Puede ver también: