[08/07/2020] La inteligencia artificial (IA) es algo que toda organización de TI debe tener en su lugar para alcanzar el éxito. O al menos uno pensaría eso dada la constante publicidad sobre la importancia de la tecnología.
Sí, la IA puede proporcionar valor empresarial. No, no va a resolver mágicamente todos los problemas de su organización.
Aun así, abordado de forma racional, la IA puede impulsar sus sistemas empresariales y, por lo tanto, sus operaciones comerciales. Para comprender dónde las empresas pueden aprovechar significativamente la inteligencia artificial hoy en día, CIO.com entrevistó a los analistas de IA Kjell Carlsson de Forrester Research, Charley Rich de Gartner y Mickey North Rizza de IDC.
No confunda la automatización con IA
Los proveedores a menudo afirman que sus productos tienen alguna receta secreta de IA que revolucionará su negocio si solo implementa lo que le ofrecen. No se lo crea. "Sospeche si parece algo que hubiera visto en una película”, asegura Carlsson.
Lo que la mayoría de los proveedores ofrecen son sistemas basados en reglas, indica North Rizza de IDC. Algoritmos o lógica sofisticada en su software maneja muchos casos de uso comunes, y lo hace más rápido y con mayor precisión de lo que la gente puede hacerlo típicamente. Sin embargo, esto es automatización, no AI.
La automatización es buena, pero la automatización basada en la inteligencia de máquinas es probablemente falsa o problemática. En la verdadera IA, el sistema decide por sí mismo qué hacer, y probablemente eso no es algo que quiera que suceda en la mayoría de los casos de negocios. Imagínese si sus finanzas, reclutamiento, planificación de productos, administración de redes, etc., fueran atendidos por una inteligencia independiente que usted realmente no comprende y no puede controlar.
Enfoque las implementaciones de IA en analítica aplicada y detección de anomalías
Lo que es sí es real es el uso de tecnologías de inteligencia artificial para identificar patrones anormales para la toma de decisiones humanas. Los patrones conocidos se pueden manejar a través de la automatización, pero para descubrir patrones desconocidos, el aprendizaje automático y formas como el aprendizaje profundo y la inteligencia artificial general son las tecnologías a las que se deben recurrir.
La inteligencia artificial impulsada por analítica para la detección de anomalías puede, a menudo, identificar patrones desconocidos mucho más rápido que un ser humano. Incluso puede sugerir líneas de actuación basadas en patrones similares, donde existan. Pero la decisión sobre qué medida tomar se deja para la inteligencia humana, que puede ser verificada por otras personas y puede aprovechar experiencia que va más allá de la analítica.
La automatización, o al menos el software, puede ejecutar las decisiones utilizando bases de reglas y otras lógicas codificadas. Tecnologías como la automatización robótica de procesos (RPA, por sus siglas en inglés) son buenos ejemplos de los avances en automatización disponibles en la actualidad. No son IA; no "piensan” por sí mismas, sino que manejan flujos de trabajo cada vez más sofisticados gracias a sus algoritmos cada vez más sofisticados. El software puede parecer inteligente, pero es una inteligencia que los desarrolladores humanos incorporan, no una inteligencia artificial innata al sistema.
La analítica, entonces, especialmente para la detección de anomalías, representa gran parte de la IA implementada en los sistemas empresariales de hoy. Esa integración generalmente es realizada por proveedores de software basados en casos de uso y procesos empresariales conocidos.
Para los sistemas locales, no es tan fácil llevar la inteligencia artificial a la analítica, indica Carlsson de Forrester. La ciencia de datos es el dominio para fusionar la inteligencia con la analítica, pero "la gente a menudo no se da cuenta de que los científicos de datos no están capacitados en la toma de decisiones y análisis empresarial, por lo que obtiene una gran predicción por encargo, pero no sabe qué hacer” explica.
Idealmente, "el lado de IA construye un mejor modelo predictivo para mejores entradas en el motor de optimización clásico. Son complementos el uno para el otro”, agrega Carlsson. "Pero es penoso, porque los encargados de la optimización no saben cómo hablar con los científicos de datos o viceversa. "Científico de datos es un término muy cuestionable que puede significar casi cualquier cosa, y no muchas organizaciones de TI entienden esto”.
Pero Carlsson señala que hay esperanza: los ingenieros están comenzando a acceder al aprendizaje automático a través de AutoML, frameworks que eliminan la necesidad de construir modelos de aprendizaje automático desde cero. Y las herramientas se están volviendo lo suficientemente fáciles para que los usuarios empresariales expertos en datos las puedan aprovechar, trayendo a la mesa la experiencia que los científicos de datos a menudo no pueden aportar. Los equipos de mejora de procesos interfuncionales capacitados en enfoques como Six Sigma y Lean son especialmente aptos para llevar la inteligencia artificial a la analítica. "Tienen el ADN para lidiar con los aspectos de gestión del cambio”, comenta Carlsson. "Invariablemente, obtener los datos y racionalizarlos son los desafíos”.
Estas formas más exploratorias de IA -lo que Carlsson llama "inteligencia aumentada”- tienen casos de uso legítimos y útiles en una variedad de sistemas empresariales: marketing, logística, procesamiento de documentos y sistemas de TI, así como para las interfaces de usuarios de sistemas orientados al usuario.
IA aplicada a sistemas empresariales
La analítica aplicada, un tipo de IA, es encontrada comúnmente en sistemas empresariales que se enfrentan a muchos datos, entornos cambiantes o inciertos, y a la necesidad de adaptar los procesos rápidamente.
Los casos de uso clásicos incluyen la logística, como la entrega de paquetes, el enrutamiento de vehículos y la administración de inventario "justo a tiempo”; y la estimación de la situación, como la calificación crediticia y las recomendaciones de productos. Las áreas más nuevas incluyen la gestión de reputación, puntuación de currículum y gestión de riesgos en varias áreas.
Un área desconocida para la IA es el procesamiento automatizado de documentos. "Muchos procesos dependen de ello”, señala Carlsson de Forrester. Aunque los contratos, las políticas, los informes médicos, etc. pueden parecer muy formulados y, por lo tanto, fáciles de analizar, sigue siendo difícil extraer información de estos documentos, dice. Las variaciones aparentemente menores, como los estilos de encabezado y los bordes de la tabla, pueden confundir a los extractores de documentos basados en reglas, por ejemplo.
Es más difícil extraer significados que no se definieron explícitamente en los formularios. "Por ejemplo, asesores financieros con clientes interesados en una nueva parte del mercado. Los asesores deben analizar el perfil de inversión, los recursos y los patrones de marketing”, en lugar de emplear el método clásico de proponer patrones de inversión que eligen clientes similares. Otro ejemplo: analizar los informes de patología médica para obtener información incidental, como "ver si existe un riesgo de cáncer en función de los detalles enterrados, que a menudo son incidentales a la queja original [del paciente]”, anota Carlsson, y agrega que sabe de una corporación hospitalaria que utiliza el procesamiento de documentos de IA para encontrar tales ejemplos y automatizar la entrada de datos en la base de datos nacional de cáncer de EE.UU.
IA aplicada a sistemas de TI: AIOps
El campo de AIOps (operaciones de IA) es muy prometedor para las cargas de trabajo de TI en la identificación y diagnóstico de problemas en redes, flujos de procesos de negocios, etc.; permitiendo que la automatización sugiera o incluso ejecute una remediación probable. Enfoques similares pueden ayudar a los esfuerzos de seguridad, como la detección de intrusos y el robo de datos internos.
"AIOps es mucho menos maduro que las otras áreas de IA empresarial”, señala Rich de Gartner. Generalmente implica aprendizaje automático, tanto supervisado como no supervisado, y a veces aprendizaje profundo y análisis de gráficos para "aplicar matemáticas a los problemas”. Eso significa buscar patrones y anomalías, generalmente en registros, que señalan problemas que TI debe abordar directamente o mediante automatización.
El desafío para AIOps es que "hay demasiado ruido, y esto resulta en falsas alarmas”, indica Rich. Ahora que casi todo está digitalizado, la dificultad ha aumentado. El análisis de correlación de eventos, la técnica subyacente, existe desde hace décadas. Pero "se basan en reglas y, por lo tanto, implican un trabajo muy pesado y siempre deben actualizarse”, explica Rich. "La calidad de los datos puede ser desordenada, por lo que las implementaciones suelen ser personalizadas. Pero funciona”, si es que puede pagar el costo. Al mercado le gustaría un paquete que haga este trabajo para evitar la necesidad de científicos de datos, pero eso no es posible actualmente.
Otro desafío consiste en realizar análisis de series temporales para detectar anomalías basadas en patrones en función del tiempo. "Los algoritmos han existido desde la década de 1950, pero solo recientemente hemos logrado tener la capacidad informática para hacerlos”, comenta Rich.
Otra área que hace mucho tiempo se pretende que sea abordada por la IA es el análisis de la causa raíz, que involucra cantidades masivas de correlación y análisis de series de tiempo. "Se ha prometido desde siempre, pero estamos comenzando a ver progreso con el análisis gráfico”, agrega Rich.
Aún más lejos están las nociones como los sistemas de autocuración, también conocidos como NoOps. "Es posible que lleguemos a eso algún día”, señala Rich. "Lo que se puede hacer actualmente es iniciar acciones basadas en lógica condicional para ejecutar scripts. En los últimos seis u ocho meses, los proveedores han estado enviando bases de conocimiento de problemas comunes, con un conjunto de herramientas para agregar nuevos problemas”.
Pero Rich advierte sobre esperar que AIOps algún día maneje las operaciones de TI por sí mismo. "Uno nunca capta todas las señales. Incluso si lo hiciste, ¿qué pasa si se trata de un nuevo problema que no tiene solución? Luego está el riesgo de cambio: ¿qué más se romperá? El análisis de riesgos es necesario, pero en realidad no existe”.
Mientras tanto, AIOps puede ayudar a aumentar los esfuerzos del personal de TI para identificar problemas para que puedan resolverlos o prevenirlos más rápidamente.
IA aplicada a interfaces de usuario
Durante años, hemos visto promesas en torno al procesamiento del lenguaje natural (PLN, por sus siglas en inglés) destinadas a eliminar la necesidad de personal de apoyo humano. Los chatbots son un ejemplo de la promesa y de los peligros de creerles: ¿estas interacciones "inteligentes" nunca son frustrantes y engorrosas para el cliente? Las reglas deterministas que siguen muchas veces no abordan la preocupación de un cliente, pero otras veces sí. En cualquier caso, el PLN, tanto textual como hablado, ha avanzado considerablemente respecto a su capacidad para comprender el diálogo humano, señala Carlsson.
Para el reconocimiento de voz y la comprensión de texto no estructurado, el PLN ha hecho grandes avances en los últimos 20 años, facilitando las interacciones sin la necesidad de un teclado y ayudando a reducir el significado de una consulta antes de que llegue a un sistema humano o automatizado para ser resuelto. En cierto sentido es un tipo de analítica, en torno al significado y los modos de expresión, por ejemplo, analizando el habla para su comunicación prevista.
La visión artificial también ha registrado avances significativos en las últimas décadas. Si bien los autos autónomos siguen siendo más promesa que realidad, las tecnologías de mitigación de choques muestran que la capacidad de percibir las condiciones ambientales y hacer algunos ajustes automáticos basados en reglas (¡golpear el freno!) es real. Al igual que con el PLN, la visión artificial es parte de la IA, no el ajuste o la respuesta automatizada basada en reglas.
A medida que el análisis de patrones subyacente mejora, la visión artificial y otras tecnologías de percepción se utilizan cada vez más en el almacenamiento para identificar objetos para empacar, en medicina para detectar tumores y en el comercio minorista para comprender el comportamiento del comprador.
La clave es que la IA en estos casos analiza correctamente las entradas reales de personas y entornos, reduciendo la necesidad de que las personas tengan que comprender la sintaxis específica y las limitaciones de las interfaces de usuario, lo que permite que más personas interactúen con los sistemas tecnológicos de forma más natural.
Galen Gruman, CIO (EE.UU.)