Según un informe de McKinsey, la inteligencia artificial (IA) generará un crecimiento de 13 billones de $ en el PIB global para 2030, que se producirá en sectores como la manufactura, agricultura, energía, logística y educación, entre otros. Así, el actual auge de la IA presenta una oportunidad para que los ejecutivos de todas las industrias puedan diferenciar y defender sus negocios. Sin embargo, antes de lanzarse al mundo de la Inteligencia Artificial, hay que entender qué es realmente la IA (se explicó en un artículo anterior de este blog) y qué aspectos hay que tener en cuenta, a la hora de planificar e implementar la IA, de forma exitosa.

Todo esto lo comentaremos en una serie de dos artículos. En este primero, se hablará de cómo planificar la integración de la Inteligencia Artificial en la empresa. En el segundo, la forma de llevarla a cabo.

INTEGRACIÓN DE LA INTELIGENCIA ARTIFICIAL EN LA EMPRESA

Lo primero, antes de todo, es pensar en el negocio, es decir, planificar la integración de Inteligencia Artificial pensando primero en los objetivos de negocio. Así, siempre será mejor incorporar la IA en el plan estratégico de la empresa que construir una estrategia de Inteligencia Artificial en sí misma. Para esto, hay que ver como la IA puede ayudar a conseguir los objetivos de negocio, no convertirla en un objetivo en sí mismo.

De este modo, hay que tener claro que las empresas se tienen que servir de los sistemas de Inteligencia Artificial para funcionar de manera inteligente, aprovechar sus datos y mejorar su rentabilidad. Las empresas no necesitan la IA para convertirse en algo nuevo, que aún no comprenden. La necesitan para desarrollar sus fortalezas y convertirse en lo que ya son, pero mejor.

Así, la mejor forma de empezar es preguntándose:

• ¿Qué se desea lograr?
• ¿Se quiere mejorar la experiencia del cliente?
• ¿Los procesos internos?
• ¿Se necesita ideas sobre diseño de productos, o los productos tienen características que podrían mejorarse con la IA?
• ¿Hay procesos y tareas, repetitivos y aburridos, que sean propensos a errores, o donde alguna asistencia pueda hacer que el personal sea más efectivo?.

La Inteligencia Artificial puede ayudar a conseguir todas estas cosas y mucho más. Pero para tener éxito, esta debe formar parte de un plan de negocios general, y no al revés.

A medida que la IA se vaya incorporando en el plan de negocios, hay que pensar qué puede y qué no puede hacerse con ella,  qué pasos hay que seguir y qué problemas pueden darse durante su adopción. La Inteligencia Artificial puede hacer grandes cosas, pero es importante verla desde un punto de vista realista, entendiendo los desafíos que supone su uso y adopción

¿QUÉ HACE BIEN LA INTELIGENCIA ARTIFICIAL?

Lo primero es entender qué hace bien la IA, y tener claro dónde puede ser más efectiva.

La IA es muy buena para resolver problemas específicos y bien definidos.

Esto es así porque se ha visto que los algoritmos de Inteligencia Artificial funcionan muy bien en entornos controlados y bien definidos.

Nos fijamos en uno de los casos de aplicación IA que más se habla actualmente, los vehículos autónomos: Waymo (Google / Alphabet), Uber, Tesla y otros. Podremos ver que es un problema específico, no bien definido. Sin embargo, puede dividirse en varios problemas específicos, bien definidos: planificar una ruta, identificar señales, detectar obstáculos (otros vehículos y peatones), controlar los frenos, etc. Problemas que en conjunto pueden parecer mucho, pero al verlos por separado y poder acotarlos, pueden ser resueltos con técnicas de Inteligencia Artificial.

Otro caso, que sirve para explicar este principio, es el caso de Chorus.ai , una IA que es capaz de transcribir las llamadas que escucha e identificar y anotar los elementos importantes que haya en las mismas. Sus creadores no han tratado de construir una máquina que “haga ventas”, un objetivo que no está ni bien definido ni es específico. Lo que hicieron fue transcribir una conversación (un problema difícil pero bien entendido) y buscar señales específicas que indiquen elementos interesantes en esa transcripción. Siendo así, un asistente de los vendedores, que realiza tareas rutinarias pero necesarias.

Potenciando a los humanos

Otro aspecto clave a tener en cuenta, cuando se va hacer uso de la Inteligencia Artificial, es hacerlo de forma que sirva para potenciar y ayudar a los humanos, no para reemplazarlos. Usar la IA para reemplazar a los humanos probablemente nos llevará a que hagamos un mal uso de la misma. Y, con esto, a que no aprovechemos las oportunidades que se abren, a la hora de hacer una buena integración de la IA con los humanos.

Si se usa la Inteligencia Artificial para la detección de fraudes, probablemente aumentará la cantidad de posibles casos detectados y no se necesitarán tantas personas para analizar los datos, pero sí para gestionar los casos que encuentren. De este modo, la IA puede usarse para realizar la parte más monótona y repetitiva del trabajo, y así poder dedicar más personal (y con un mayor nivel de cualificación) a las partes menos rutinarias y más creativas.

DIFICULTADES PARA SU IMPLEMENTACIÓN

Otro aspecto importante es entender las dificultades que pueden presentarse a la hora de llevar a cabo el desarrollo e integración de la IA, y los costes que ello supone.

Política de gestión de datos

El entrenamiento de un modelo de Inteligencia Artificial requiere datos. Probablemente muchos datos. La realidad es que es poco probable que en el punto de partida se tengan datos útiles si no se ha definido y puesto en marcha, previamente, una buena política de gestión de datos en la empresa.

Los pasos necesarios para desarrollar una buena política de gestión de datos para Inteligencia Artificial son:

1. Identificar fuentes de datos
2. Crear canales de transferencia de datos
3. Limpiar y preparar datos
4. Identificar los indicadores potenciales en los datos
5. Y medir el resultado de los mismos

Entrenamiento y Reentrenamiento

Para obtener un buen modelo de Inteligencia Artificial, primero hay que entrenar los algoritmos que lo componen. Este entrenamiento consiste en ir alimentando a los algoritmos con un conjunto de datos “conocidos” (se sabe lo que ha pasado, es decir, quién ha hecho fraude y quién no), hasta que se obtengan unos resultados adecuados. El resultado de este proceso será un modelo, es decir, conjunto de algoritmos que han sido entrenados con datos. A continuación, a este se le pasarán un conjunto de datos “no conocidos” (prueba en real), y se verá si los resultados obtenidos siguen siendo satisfactorios. Si lo son, se daría por finalizado el entrenamiento, si no, habría que hacer modificaciones y repetir el entrenamiento.

Así, puede verse que el entrenamiento del modelo, puede requerir una parte importante los recursos dedicados a la fase de desarrollo de un proyecto de Inteligencia Artificial. Por tanto, a la hora de plantearse la realización de cualquiera de estos proyectos, hay que tener en cuenta el tiempo de entrenamiento, y que este puede verse afectado por una serie de problemas, entre los que se incluyen:

• Overfitting (sobreajuste): si el modelo de IA alcanza el 100% de precisión con los datos de entrenamiento, ¿ha terminado?, la respuesta es: No. Si se obtiene el 100% de precisión en los datos de entrenamiento, es probable que el modelo haya "memorizado" los datos de entrenamiento, y es más que probable es que tenga muy mal desempeño con los datos del mundo real. Esto se conoce como sobreajuste, un problema que se da con bastante frecuencia pero que se suele solucionar con los procedimientos y técnicas adecuadas.
• Bias (sesgo): si los datos de entrenamiento están sesgados, el modelo resultante también lo estará, algo que parece evidente y con lo que hay que tener mucho cuidado. Por ejemplo, el que haya menos mujeres ocupando puestos técnicos es una realidad actualmente. Así, si entrena un modelo para ofrecer puestos de trabajo, con un conjunto de datos poblacionales, habrá que tener cuidado porque este tenderá a no mostrar anuncios de trabajos técnicos para mujeres.
• Reentrenamiento: es fácil pensar que el entrenamiento es algo que se hace una vez y ya está. Y hay que tener claro que esto no es así, porque los clientes cambian, las condiciones comerciales cambian y los productos cambian. También debemos tener claro que cualquier cambio en el entorno puede afectar al modelo de Inteligencia Artificial desarrollado, y su rendimiento se irá degradando gradualmente con el tiempo. Por eso, en todo planificación de un proyecto de IA, hay que tener en cuenta el reentrenamiento de los modelos desarrollados.

Los sistemas de Inteligencia Artificial son inescrutables

Los sistemas de IA tienen la reputación de ser inescrutables, es decir, dan resultados, pero normalmente no pueden decir por qué han dado esos resultados. En algunos casos, esto no es demasiado importante, pero en otros, como es el caso del análisis de imágenes médicas, el porqué es tan importante como el qué.

---

LO SIGUIENTE

Si todo lo que hemos visto hasta ahora te ha quedado claro y sigues con la idea de embarcarte en el mundo de la IA, puede decirse que estás listo para empezar la planificación de tu proyecto de Inteligencia Artificial, que tiene que ir acompañada de un buen equipo humano, que desarrolle unas buenas prácticas para trabajar con datos, tiempo suficiente para realizar los entrenamientos de los modelos y la consciencia de los problemas que pueden darse en el camino. No hay nada mágico en la IA.

MÁSTER EXPERTO BIG DATA ANALYTICS

Gracias al Master en Big Data Analytics 100% Online tendrás amplios conocimientos sobre las herramientas y técnicas analíticas necesarias para la modelización de los principales retos de negocio, con el fin de mejorar la toma de decisiones a través de los datos y el conocimiento.