[24/01/2022] La adopción de la inteligencia artificial (IA) va en aumento. Según una reciente encuesta de McKinsey, el 55% de las empresas utiliza la IA en al menos una función, y el 27% atribuye a la IA al menos el 5% de los beneficios antes de intereses e impuestos, gran parte de ellos en forma de ahorro de costos.
Dado que la IA va a transformar drásticamente casi todos los sectores que toca, no es de extrañar que los proveedores y las empresas busquen oportunidades para desplegar la IA en todos los lugares que puedan. Pero no todos los proyectos pueden beneficiarse de la IA, y tratar de aplicarla de forma inadecuada no solo puede costar tiempo y dinero, sino que también puede agriar a los empleados, clientes y líderes corporativos en futuros proyectos de IA.
[Reciba lo último de CIO Perú suscribiéndose a nuestro newsletter semanal]
Los factores clave para determinar si un proyecto es adecuado para la IA son el valor empresarial, la disponibilidad de datos de formación y la disposición cultural para el cambio. A continuación, le mostramos cómo asegurarse de que esos criterios se ajustan a su proyecto de IA propuesto, antes de que su incursión en la inteligencia artificial se convierta en un costo hundido.
Comience con la solución más sencilla posible
Los científicos de datos, en particular, gravitan hacia un enfoque de IA primero, señala Zack Fragoso, director de ciencia de datos e IA en la cadena de pizzerías Domino's, que tiene más de 18 mil locales en más de 90 países de todo el mundo. Pero no se puede aplicar la IA en todas partes.
A pesar de ser una línea de negocio muy tradicional, Domino's ha adoptado el cambio, especialmente durante la pandemia. Los clientes tienen ahora 13 formas digitales de pedir pizzas, y la empresa generó más del 70% de las ventas a través de canales de pedidos digitales en el 2020. Eso ha abierto muchas oportunidades para hacer realidad la promesa de la IA.
La clave para Domino's en la aplicación de la IA, anota Fragoso, ha sido adoptar un enfoque sencillo. "Al final, la solución simple funciona más rápido, tiene un mejor rendimiento y podemos explicarla a nuestros socios comerciales", sostiene. "La explicabilidad es una parte importante: cuanto más entienda la gente las herramientas y los métodos que utilizamos, más fácil será su adopción".
El enfoque en sí es sencillo: Si hay un problema de negocio que necesita ser resuelto, Domino's busca la solución más simple y tradicional, y luego, "si subimos de ahí, tiene que haber un valor añadido en el rendimiento del modelo", comenta Fragoso.
Por ejemplo, predecir el tiempo que se tarda en cocinar una pizza y ponerla en una caja es sencillo. "Lo sacamos directamente de nuestra investigación de operaciones. Se pueden introducir los tiempos de cocción", añade. Pero hay algunos problemas que solo pueden resolverse con IA, señala, como los que requieren el reconocimiento de imágenes o el procesamiento del lenguaje natural.
Por ejemplo, el año pasado, Domino's puso en marcha un programa de fidelización que premiaba a los clientes por comer pizza, cualquier pizza, de cualquier pizzería. "Construimos un clasificador de pizzas usando millones de fotos de diferentes tipos de pizza y lo pusimos en una aplicación", explica Fragoso.
Ese proyecto ofrecía dos tipos de valor empresarial. En primer lugar, mejoró la experiencia del cliente, anota. En segundo lugar, creó una colección de imágenes de pizzas que la empresa utilizó para detectar la calidad y la temperatura de las mismas. "Fue un gran proyecto de IA que completó el círculo", señala.
Un proyecto de IA más práctico que Domino's emprendió fue un predictor destinado a mejorar la precisión de su rastreador de pizzas, ya que los clientes quieren saber cuándo exactamente deben ir a la tienda a recoger su comida, o cuándo deben esperar que llegue su entrega, anota Fragoso. Añadir el aprendizaje automático a la codificación tradicional del rastreador de pizzas de Domino's dio como resultado un aumento del 100% en la precisión, indica.
Al construir el modelo, Domino's se ciñó a su principio de "lo más sencillo". "La primera iteración fue un modelo de regresión simple", dice. "Eso nos acercó. A continuación, un modelo de árbol de decisión, con el que podíamos examinar más facetas. Luego pasamos a una red neuronal porque podíamos capturar algunas de las mismas variables que en el árbol de decisión, pero la red neuronal produce la respuesta más rápidamente. Queremos que la experiencia del cliente en el sitio web sea realmente rápida".
Hay un lugar para el aprendizaje automático, señala Sanjay Srivastava, director digital de Genpact, sobre todo cuando una empresa busca construir procesos que mejoren continuamente sobre la base de la experiencia. Pero a veces todo lo que se necesita es una simple correlación, que puede obtenerse a partir de modelos estadísticos básicos.
"Las prácticas de hace diez años en torno a los bosques aleatorios y otros kits de herramientas estadísticas, pueden obtener la respuesta mucho más rápida y mucho más barata que construir todo un equipo de MLOps en torno a ello", sostiene Srivastava. "Tiene que saber cuándo recurrir a las técnicas existentes que son mucho más simples y mucho más eficaces".
Un área común en la que la IA se presenta a menudo como una solución, pero suele ser excesiva, es en los chatbots, señala: "En algunos escenarios, tiene sentido. Pero en el 90% de los escenarios se conocen las preguntas que se van a hacer porque se pueden mirar las preguntas que se han hecho en los últimos tres años y se sabe la respuesta a cada pregunta. Resulta que el 90% de los chatbots pueden salir adelante con simples pares de preguntas y respuestas".
Datos históricos: La clave de la IA para predecir resultados futuros
Cualquier conjunto finito de datos puede ajustarse a una curva. Por ejemplo, se pueden tomar los números ganadores de la lotería de años anteriores y elaborar un modelo que los prediga perfectamente. Pero el modelo seguirá sin ser mejor para predecir las ganancias futuras, porque el mecanismo subyacente es completamente aleatorio.
La pandemia de COVID-19 ha sido un excelente ejemplo de cómo ocurre esto en la vida real. No había forma de predecir si los cierres iban a provocar el cierre de las fábricas, por ejemplo. Como resultado, las empresas vieron un descenso en el aumento de los ingresos en muchas áreas, según la encuesta sobre el estado de la IA de McKinsey.
Por ejemplo, el 73% de los encuestados vio aumentos de ingresos en estrategia y finanzas corporativas el año pasado, mientras que solo el 67% lo hizo este año. La diferencia fue aún más marcada en la gestión de la cadena de suministro. El año pasado, el 72% vio aumentos de ingresos en esta área, pero solo el 54% lo hizo este año.
"La característica fundamental de la IA o el aprendizaje automático es que está utilizando la historia para informar", señala Donncha Carroll, socio de la práctica de crecimiento de ingresos en Axiom Consulting Partners. "Estás casado, encadenado, esposado por la historia. La IA es buena en circunstancias en las que es probable que la historia se repita, y a usted le parece bien que la historia se repita".
Por ejemplo, señala, algunos de sus clientes han intentado utilizar la IA para predecir los ingresos futuros. Pero a menudo, los ingresos se ven influidos por factores que no pueden predecirse, que no pueden controlarse y de los que la empresa no tiene datos. Y si alguno de esos factores tiene un impacto externo en los resultados, puede echar por tierra todo el modelo.
"Entonces no tiene sentido elegir la IA", sostiene. "¿Va a invertir cientos de miles de dólares en una solución que puede volverse inmediatamente irrelevante por un cambio en una variable?".
La IA todavía puede tener un papel aquí, añade, al ayudar a modelar varios escenarios, o al sacar a la luz ideas que podrían no ser evidentes de otra manera. "Su probabilidad de éxito aumenta si su enfoque es más estrecho".
La IA también se quedará corta si la propia presencia de la IA cambia el comportamiento del sistema. Por ejemplo, si la IA se utiliza para filtrar las expresiones de odio, la gente aprende rápidamente qué patrones busca la IA y redacta las cosas para que pasen los filtros.
"Las mejores mentes del mundo han tratado de resolver estos problemas y no han tenido éxito", afirma Carroll.
Bharath Thota, socio de Kearney, trabajó una vez con un conglomerado mundial de productos y bienes de consumo de más de 30 mil millones de dólares. El equipo directivo de finanzas quería tener una mejor visibilidad de las métricas financieras del conglomerado para poder ver si su crecimiento estaba subiendo o bajando. El proceso existente consistía en que recibían los informes en PDF 30 días después de que se cerrara el periodo de información.
El equipo de ciencia de datos aplicó la IA para predecir cómo serían los números. "Tenían una buena intención", señala Thota. "Querían ofrecer a la dirección una visión futurista".
El error que cometieron estuvo en los datos financieros que introducían en el algoritmo. Los analistas financieros que alimentaban esos datos tenían que hacer muchas suposiciones, por lo que el conjunto de datos acabó conteniendo muchos sesgos individuales.
"La dirección estaba entusiasmada", señala Thota. "Tenían algo que miraba hacia delante, no hacia atrás. Pero cuando terminó el trimestre, y volvieron a ver esas predicciones, estaban completamente equivocadas".
Todo el proyecto duró meses, agrega Thota. "Tuvieron que averiguar cómo construir esta cosa, hacer la arquitectura, investigar las plataformas de IA, conseguir que todo funcionara junto".
Cuando un proyecto así fracasa, la gente pierde el interés y la confianza en la IA, anota. En el caso de esta empresa, la solución consistió simplemente en crear para el equipo de dirección del CFO un cuadro de mando financiero que les proporcionara las métricas que necesitaban, cuando las necesitaban.
Con el tiempo, señala Thota, también se utilizó algo de IA, en forma de generación de lenguaje natural, para proporcionar automáticamente información clave sobre los datos a los ejecutivos en términos sencillos.
"Era un problema de visibilidad", señala. "Y había una solución sencilla para proporcionar esa visibilidad".
El reto de los datos
La mayoría de los proyectos de IA requieren datos. Buenos datos, datos relevantes, datos que estén correctamente etiquetados y sin sesgos que puedan inclinar los resultados.
Por ejemplo, una empresa que quiera evitar que los gatos entren en un gallinero puede optar por instalar una cámara y una tecnología de reconocimiento de imágenes para detectar la entrada de gatos. Pero el éxito depende de tener un conjunto de entrenamiento adecuado.
"Necesitará tener muchas fotos, y esas fotos tendrán que tener etiquetas sobre si hay gatos en ellas o no", comenta el analista de Gartner, Whit Andrews, añadiendo que la recopilación de estos datos lleva mucho tiempo y es cara. Y una vez reunidos, ¿podrá la empresa reutilizar el mismo conjunto de datos para otros proyectos?
Pero ¿y si resulta que la empresa necesita saber cuántos gatos entran en el gallinero? Entonces, ese conjunto de datos original de imágenes tendrá que volver a etiquetarse con el número de gatos que hay en cada imagen.
"Puede que un gato no sea tan caro, pero una manada de gatos es un problema", comenta Andrews.
Además, si solo un pequeño porcentaje de imágenes contiene varios gatos, conseguir un modelo preciso será mucho más difícil.
Esta situación se da con frecuencia en las aplicaciones de marketing, cuando las empresas intentan segmentar el mercado hasta el punto de que los conjuntos de datos son infinitamente pequeños.
"Casi todas las empresas que conozco utilizan la segmentación para dirigirse a los clientes", señala Anand Rao, socio y líder global de IA en PricewaterhouseCoopers.
Si recogen datos esperando que se utilicen para un fin y acaban utilizándolos para otro, los conjuntos de datos podrían no cumplir los nuevos requisitos.
Por ejemplo, si la recopilación de datos se establece de forma que haya un equilibrio de puntos de datos de cada región de Estados Unidos, pero la pregunta empresarial acaba siendo sobre las necesidades de un segmento demográfico muy estrecho, todas las inferencias serán inútiles. Digamos, por ejemplo, que la empresa está interesada en los hábitos de compra de las mujeres asiático-americanas de un determinado rango de edad, y solo hay un par en la muestra.
"Tenga muy claro qué decisión quiere tomar con su segmentación", anota Rao. "Intente asegurarse de que el muestreo que está haciendo es representativo, pero también capta sus preguntas".
El problema del muestreo se da en cualquier sistema que intente predecir eventos poco frecuentes. Por ejemplo, si una empresa busca ejemplos de comportamientos fraudulentos, en un conjunto de datos de un millón de transacciones, hay un puñado de transacciones fraudulentas conocidas, y un número igual o mayor de transacciones fraudulentas que se han pasado por alto.
"Eso no es muy útil para inferir", dice Rao, y añade que esto ocurre mucho con la automatización de procesos de negocio, cuando una empresa tiene muchas personas que hacen tareas particulares cada día, pero no captura datos sobre cómo se están haciendo esas tareas, o no captura los datos correctos necesarios para entrenar a una IA sobre cómo hacerlo.
"En esos casos, hay que ir a construir un sistema para capturar esa información", anota. "Luego, unos meses más tarde, volver y construir el modelo".
Y para los proyectos que no necesitan datos, la IA no es el camino correcto. Por ejemplo, algunos procesos empresariales, como los seguros y la suscripción, se basan en reglas, sostiene Rao. "Se puede construir un sistema basado en reglas entrevistando a expertos y reuniendo fórmulas tradicionales. Pero si puede hacerlo con reglas y guiones, no necesita IA. Sería una exageración".
Utilizar una IA para un proyecto de este tipo puede requerir más tiempo y la precisión podría no ser mejor, o solo ligeramente mejor, o puede que no se necesite el rendimiento mejorado.
"Así que no tendrá el retorno de la inversión porque está gastando tiempo en un problema que ya podría haber resuelto", señala.
Un error de IA de 300 millones de dólares
En noviembre, la empresa inmobiliaria Zillow anunció que anulaba 304 millones de dólares de viviendas que había comprado basándose en la recomendación de su servicio Zillow Offers, impulsado por la IA.
Es posible que la empresa tenga que amortizar otros 240 o 265 millones de dólares el próximo trimestre, además de despedir a una cuarta parte de su plantilla.
"En nuestro corto período de funcionamiento de Zillow Offers, hemos experimentado una serie de acontecimientos extraordinarios: una pandemia mundial, una congelación temporal del mercado de la vivienda y, a continuación, un desequilibrio entre la oferta y la demanda que llevó a un aumento de los precios de la vivienda a un ritmo sin precedentes", sostuvo el CEO de Zillow, Rich Barton, en una conferencia telefónica con los inversores. "Hemos sido incapaces de pronosticar con precisión los precios futuros de la vivienda. ... Podríamos culpar de esta enorme volatilidad a los acontecimientos exógenos del cisne negro, ajustar nuestros modelos en base a lo que hemos aprendido y seguir adelante. Pero, basándonos en nuestra experiencia hasta la fecha, sería ingenuo suponer que en el futuro no se producirán eventos imprevisibles de previsión de precios y perturbación".
La IA aprende del pasado, señala Tim Fountaine, socio principal de McKinsey. "Si algo no ha ocurrido en el pasado, es imposible que un algoritmo lo prediga".
Y la IA no tienen sentido común, añade. "Un algoritmo de IA diseñado para predecir la producción de una fábrica que nunca ha visto un incendio antes, no predecirá que la producción se desplomará si hay un incendio".
Predecir los precios de los inmuebles es un uso interesante de la IA, añade. "Pero se puede ver que todo el mundo se está volviendo un poco tímido con ese tipo de aplicaciones".
Basado en el artículo de Maria Korolov (CIO) y editado por CIO Perú
Puede ver también: