Cinco secretos para el éxito de los proyectos de inteligencia artificial

La inteligencia artificial sigue siendo muy prometedora para las empresas, pero se necesita algo más que un modelo de trabajo para crear un cambio escalable y verdaderamente transformador.

0
8

Los líderes empresariales de todos los niveles ven claramente el valor del uso de la inteligencia artificial, pero en el buen uso de la inteligencia artificial es donde reside el verdadero valor. Y hay mucho en juego. Según una encuesta de Deloitte publicada el verano pasado, el 61% de las empresas espera que la IA transforme su sector en los próximos tres años. Según una encuesta de McKinsey publicada el pasado mes de noviembre, las empresas que cuentan con líderes eficaces, un alto nivel de compromiso con los proyectos de IA y una visión y estrategia claras de la IA están en condiciones de aprovechar plenamente este cambio.

¿El elemento diferenciador? Ser capaz de desplegar la IA a escala. En lugar de pruebas de concepto o proyectos puntuales de IA, las empresas que triunfen con la IA serán las que sean capaces de desplegar múltiples aplicaciones de IA en varios equipos. Hasta ahora, solo el 13% de las organizaciones han podido hacerlo, según el informe 2020 State of AI de Capgemini.

He aquí cinco consejos para convertir los proyectos de IA en valor empresarial contados por quienes ya están cosechando beneficios reales de la implementación de la IA en la empresa.

Centrarse en la transformación de la empresa
Hace tres años, cuando General Electric estaba en las primeras etapas de su viaje de integración de la IA, los proyectos de IA requerían un enfoque en los beneficios específicos del negocio, comenzando con proyectos mínimos viables. Hoy en día, el uso de la inteligencia artificial es una parte clave de la propia transformación de la empresa.

«Puedes mirar un silo minúsculo, optimizar la cantidad de inventario y ahorrar 2 o 3 millones de dólares, pero eso no se traduce en la creación de valor en toda la empresa», dice Colin Parris, vicepresidente senior de GE, señalando un ejemplo en el que su empresa descubrió cómo gestionar los inventarios de manera más eficiente con la IA. El siguiente paso fue tomar lo aprendido por GE y ofrecer el mismo servicio a sus clientes.

Pero pasar de utilizar la IA para reducir costos a utilizarla para hacer crecer el negocio de la empresa requiere un cambio fundamental de estrategia para centrarse en la transformación del negocio. En GE, esto ha supuesto aprovechar los principios de fabricación «ajustada» basados en la IA.

Conocer los límites de la inteligencia artificial
A medida que los proyectos de inteligencia artificial se expanden y se convierten en operaciones empresariales fundamentales, los riesgos asociados a ellos también aumentan. Si un sistema de IA entrenado en un problema específico se aplica a un problema ligeramente diferente, los resultados podrían ser subóptimos o incluso peligrosos.

«Tenemos esta cosa llamada IA humilde», dice Parris, «que sabe cuándo no debe intervenir. Es un enfoque que limita el riesgo empresarial y aumenta la adopción de la IA en las empresas.» Otro aspecto del enfoque «humilde» de GE es garantizar que la IA explique su razonamiento.

Por ejemplo, cuando los ingenieros obtienen datos de las turbinas eólicas, tradicionalmente buscan en el manual técnico lo que deben hacer. Sin embargo, un sistema de IA puede obtener los datos, trazar las curvas y señalar al técnico que la turbina está experimentando un problema con el cojinete de inclinación. Una IA que explica mostraría esas curvas al técnico y abriría la página del manual que contiene la información pertinente.

La IA ayuda entonces al técnico a alcanzar la solución más rápidamente. «Se trata de inteligencia aumentada, se trata de inteligencia asistida», dice Parris. «No te sustituye, te ayuda». Esto contribuye a la adopción de la IA a escala.

Escuchar a las partes interesadas y a los clientes
Para algunas empresas, garantizar que los sistemas de IA produzcan resultados útiles requiere ayuda más allá del equipo principal de IA. Como en cualquier proyecto, todo comienza con la recopilación de requisitos de datos, resultados y modelos.

«Lo ideal es empezar un proyecto con una reunión en la que todas las partes interesadas clave pasen la tarde descubriendo detalles y documentando los requisitos de consulta», dice Jim Metcalf, científico jefe de datos de Healthy Nevada Project, cuyo equipo aprendió esta lección trabajando en un protocolo para tratar a pacientes cardíacos.

El proyecto requería la recogida de información sobre los medicamentos prescritos a los pacientes en el momento del alta hospitalaria. Pero algunos medicamentos, como las estatinas, se prescriben cuando los pacientes ingresan por primera vez y se mantienen cuando el paciente se va. El sistema asumía que estos medicamentos eran prescripciones en curso que los pacientes ya estaban tomando, y no nuevos fármacos relacionados con los ingresos por infarto, un problema que sólo se descubrió cuando el recuento de medicamentos resultó ser inferior al esperado.

Normativa europea sobre inteligencia artificial

«El equipo podría haberlo resuelto mucho antes si hubiéramos mantenido conversaciones más detalladas con todas las partes interesadas desde el principio», dice Metcalf. «Nuestro equipo de ciencia de datos ha aprendido a no dar nada por sentado. Revisamos, discutimos y documentamos a fondo los requisitos de las consultas mucho antes de que nadie ponga los dedos en el teclado».

Para el proveedor de plataformas de gestión de gastos empresariales Coupa, la sugerencia de un cliente señaló el camino hacia una nueva forma de detectar el fraude. «En nuestro sector, el planteamiento ha sido analizar el fraude en los gastos por separado», afirma Donna Wilczek, vicepresidenta de estrategia e innovación de productos de la empresa.

Coupa descubrió que un empleado que engaña en un área es más probable que también lo haga en otras. Hicieron falta conversaciones con expertos en adquisiciones y auditores financieros para descubrir que la clave de la detección del fraude está en las personas que están en el centro del mismo. Ahora Coupa recoge ejemplos de comportamientos fraudulentos denunciados por las empresas y luego añade esos ejemplos reales al sistema de IA.

No más pruebas de concepto
Cuando la tecnología era totalmente nueva, las pruebas de concepto (POC) tenían sentido. Sin embargo, hoy en día no es tan necesario empezar el viaje de la IA con experimentos, dice JJ López Murphy, director de datos y tecnología de IA en Globant.

«Cada uno de estos experimentos es muy caro, en términos de dinero, tiempo e influencia política», dice Murphy. «Una vez que has hecho cuatro POC que no van a ninguna parte, la gente deja de creer en la IA». En cambio, las empresas deben trabajar en proyectos que vayan a alguna parte, dice. «Si no está en producción y no se utiliza, es inútil… de hecho, peor».

El analista de Gartner, Whit Andrews, está de acuerdo y recomienda que las empresas creen productos mínimos viables. «El riesgo es un poco mayor, pero el beneficio es que has empezado a moverte y ahora sigues añadiendo capacidades y funcionalidades». Según una encuesta de Gartner de 2020, las empresas que tienen éxito con la IA realizan una media de 4,1 pilotos, mientras que las que no tienen éxito realizan 5,2 POC.

Equipos mixtos
Según el informe de Gartner, las organizaciones que obtuvieron un «valor significativo» de sus proyectos de IA también contaban con un 14% más de funciones en sus equipos de IA, incluidos los gestores de proyectos y las personas con distintas formaciones y perspectivas. «El hábito número 1 de las empresas de éxito es el uso de equipos mixtos», afirma Andrews.

Para un proyecto de inteligencia artificial en el que trabajó Tech Data y que consistía en contar frailecillos, también tuvieron que recurrir a expertos en hardware. «Si alguna vez has visto los especiales de National Geographic, los frailecillos se apiñan, por miles», dice Clay Davis, vicepresidente de datos globales y soluciones IoT de Tech Data. «Nos encargaron aprovechar la IA para contar frailecillos».

Antes de llamar a Tech Data para que ayudara en el proyecto, había un equipo de científicos de datos que trabajaba para conseguir los mejores modelos posibles para contar frailecillos y otro equipo de profesionales del hardware que elegía las cámaras y los equipos informáticos adecuados para ello.

«Cuando tienes un hardware físico como una cámara que capta imágenes, a veces en zonas remotas, a veces es más eficiente realizar el cálculo in situ, a veces no», dice Davis. «Y si estás ejecutando cálculos in situ, tienes que asegurarte de que el hardware que utilizas es suficiente para manejar los modelos que has creado con los científicos de datos».

Tres meses después, se descubrió que el hardware elegido no era capaz de ejecutar los modelos que los científicos de datos estaban procesando. «En ese momento había que volver a empezar, ya fuera comprando nuevo hardware o pidiendo a los científicos de datos que construyeran un modelo más eficiente». En el caso de los frailecillos no contabilizados, los científicos de datos pudieron cambiar a un modelo de mapeo de tendencias para poder seguir trabajando con el hardware existente sin necesidad de cambiarlo.

Redacción CambioDigital Online – CWI.it

 

Artículo anteriorZTE renueva la certificación internacional ISO/IEC 27701
Artículo siguienteDos firmas de capital riesgo se hacen con Cloudera