Por qué IA y Machine Learning

Comencemos por el inicio. ¿Qué es la Inteligencia Artificial (AI) y Machine Learning (ML)?

La Inteligencia Artificial (IA) es una forma de describir cualquier sistema que pueda replicar tareas que antes requerían inteligencia humana.

Casi siempre, esto está relacionado con algún tipo de tarea compleja de toma de decisiones en la que normalmente se requeriría el juicio humano. La mayoría de los casos de uso de la IA buscan un resultado con probabilidades: hacer predicciones, clasificaciones o tomar decisiones con un alto grado de certeza y de manera similar al juicio humano.

Casi todos los sistemas de IA de la actualidad se crean mediante ML. Machine Learning utiliza grandes cantidades de datos para crear y validar la lógica de decisión. Esto se conoce como modelo. El sistema de IA suministra datos de entrada a ese modelo, y luego el modelo elabora predicciones o clasificaciones similares a las humanas. Esencialmente, ML es la tecnología subyacente que impulsa los sistemas inteligentes.

La IA se puede crear sin ML, pero ahora mismo este es el método principal para crear sistemas de IA. Del mismo modo, ML puede utilizarse para algo más que la IA, pero en la actualidad la mayor parte está relacionado con la IA.

¿Por qué Machine Learning?

Antes de profundizar en los pasos necesarios para utilizar ML, exploremos por qué las empresas deben emprender este recorrido en primer lugar. Al fin y al cabo, completar los pasos que se describen aquí requerirá inversiones continuas y una dedicación inquebrantable. Las empresas tendrán que recordarse regularmente qué es lo que buscan, concentrándose en los beneficios empresariales precisos que pueden obtenerse si se aprovecha al máximo la tecnología de ML.

Las empresas ya perciben los siguientes impactos:

Optimización de la empresa con nuevas eficiencias

ML se puede utilizar para crear una mayor eficiencia gracias a sofisticados modelos de planificación y predicción de la demanda. Si bien esto se da en casi todos los sectores, los minoristas y los fabricantes aportan algunas pruebas específicas. En el comercio minorista, la predicción basada en la IA reduce las pérdidas de ventas por falta de disponibilidad de productos hasta en un 65 % y aumenta las ganancias antes de intereses e impuestos en un 13 %4. En la fabricación, la empresa papelera Georgia-Pacific utiliza el aprendizaje automático para detectar problemas con antelación y para mantener la calidad, lo que elimina el 40 % de las grietas en una de sus líneas de conversión.

Decisiones más inteligentes y rápidas

Las empresas y su personal, que se basan en fuentes de datos y análisis con un crecimiento más inteligente a través de ML, pueden tomar decisiones más rápidas y bien fundadas que les permitan actuar sobre las oportunidades lo antes posible y obtener mejores resultados. En el sector de la salud, las enfermeras que cuentan con herramientas de IA aumentan su productividad hasta en un 50 %5. La empresa de tecnología para la salud Cerner utiliza el aprendizaje automático para un modelo que predice la insuficiencia cardíaca congestiva hasta 15 meses antes de que se manifieste en pruebas clínicas, lo que mejora la atención al paciente y, en última instancia, salva vidas.

Incorporación de nuevas capacidades a los productos existentes

ML puede enriquecer los productos existentes, mejorando el compromiso de los clientes y atrayendo a nuevos usuarios a través de experiencias más sólidas. Por ejemplo, Intuit agregó un potente sistema de aprendizaje automático a su popular producto TurboTax para que 6 el sistema pueda comprender mejor las 80 000 páginas del código fiscal .

Invención de nuevos productos netos

Con ML, las empresas pueden aprovechar los datos para desarrollar ideas revolucionarias y lanzar nuevos productos (e incluso nuevas categorías) al mercado. Convoy revolucionó la industria del transporte mediante la introducción de un modelo basado en el aprendizaje automático para automatizar la logística. La solución de Convoy proporciona una mejor adaptación para los cargadores y camioneros, lo que les permite mover el cargamento de manera más eficiente y reducir los costos para ambas partes.

Ahora que hemos explicado el “por qué” de ML, es el momento de profundizar en el “cómo”.

El recorrido por Machine Learning

El recorrido por ML no siempre es sencillo. Para alcanzar el éxito no sólo se necesita una gran tecnología, sino también asegurarse de que la organización está alineada con los objetivos correctos. La identificación y el logro de esos objetivos requerirán grandes cambios en los procesos, la administración y la cultura de la empresa.

Defensa de una cultura de ML

Según Gartner, se proyecta que el valor empresarial global derivado de la inteligencia artificial (IA) alcanzará los 3900 billones USD en 20227.

Machine Learning potenciará y mejorará cada empresa, cada organización gubernamental, cada filantropía, básicamente no hay institución en el mundo que no pueda mejorar con el aprendizaje automático”, afirma Jeff Bezos, fundador y director ejecutivo de Amazon.

Para liberar todo el potencial empresarial del aprendizaje automático se necesitarán cambios culturales en la organización, los objetivos y la perspectiva del equipo.

Si se desea que ML se propague por toda la organización, tanto los equipos empresariales como los técnicos deben trabajar juntos y compartir las mismas prioridades. Para lograr esto, se debe contar desde el principio con el apoyo de los niveles más altos, con objetivos establecidos por los líderes ejecutivos y una inversión en la tecnología y en los procesos que permitan alcanzar el éxito.

Es importante que la administración adopte una visión a gran escala y fomente las iniciativas de ML. Los ejecutivos deben mantener la firmeza en sus objetivos, pero deben ser flexibles en la forma en que la organización los alcanza. Seguro que se cometerán errores.

Sin embargo, si se mantienen enfocadas en la perspectiva a largo plazo y no permiten el desánimo, las organizaciones pueden sacar provecho de cada error y aplicar esos aprendizajes para defender una cultura de ML en toda la empresa.

Tal vez el mayor cambio cultural que deben experimentar las organizaciones sea la tolerancia a errores.

ML es un proceso iterativo, que solo puede tener éxito a través de la experimentación constante. La mayoría de las veces, estos experimentos resultarán en fracasos. Solo si se toleran estos fracasos, y si se rehúsan a detener el progreso para determinar “qué fue lo que salió mal”, las organizaciones pueden alcanzar de forma consistente el éxito que las espera al otro lado.

Reflexión sobre la estrategia de datos

El éxito de ML depende en gran medida de la calidad de los datos. Sin una estrategia de datos adecuada, el progreso será más lento y obstaculizará la eficacia del modelo final. Peor aún, si el modelo recibe información de datos erróneos, los resultados que genera pueden ser engañosos, o incluso totalmente incorrectos.

Los modelos son muy sensibles a la calidad de los datos y muchas veces se aprende a la fuerza que el tiempo invertido en obtener datos de alta calidad en el comienzo producía dividendos en nuestros modelos al finalizar.

La estrategia de datos adecuada para ML debe tener como objetivo desglosar los silos, para que los equipos de TI puedan acceder a los datos y recopilarlos de forma fácil, rápida y segura.

Si bien las estrategias de datos modernas adoptan muchas formas, los lagos de datos se están convirtiendo en un componente central cada vez más popular de los modelos más eficientes. Los lagos de datos ofrecen más agilidad y flexibilidad que los sistemas tradicionales de administración de datos, lo que permite a las empresas administrar múltiples tipos de datos de una amplia variedad de fuentes y almacenar los datos, ya sean estructurados o no estructurados, en un repositorio centralizado.

Una vez almacenados, los datos se pueden analizar mediante muchos tipos de servicios de análisis y ML, de forma más rápida y eficiente que con los enfoques tradicionales en silos. Las arquitecturas de lagos de datos también permiten que múltiples grupos dentro de la organización se beneficien del análisis de un conjunto de datos coherente que abarca toda la empresa.

Localización del problema empresarial adecuado a tratar

Un error que suelen cometer las organizaciones en su recorrido por ML es emplear a científicos de datos independientes que trabajan en silos para crear modelos de aprendizaje automático como prueba de conceptos, en lugar de resolver problemas empresariales reales. Como no tienen que resolver ningún problema empresarial específico, a los ejecutivos de TI les resultará cada vez más difícil demostrar el valor de los proyectos de aprendizaje automático a sus homólogos ejecutivos. Esto puede retrasar o incluso detener el progreso de las iniciativas.

Mejora de las habilidades profesionales de sus equipos

Mientras se crea una estrategia de datos, las organizaciones deben enfocarse en armar a sus equipos de ingenieros con las habilidades adecuadas.

Las organizaciones son cada vez más conscientes de la falta de habilidades en la tecnología de la información, la creciente brecha entre las tecnologías y la habilidad de los especialistas para aprovecharlas. Eliminar esta falta de habilidad en el aprendizaje automático implicará la combinación de formación técnica y contrataciones. La realidad es que actualmente no hay suficientes científicos de datos para conducir la transformación del aprendizaje automático que se aproxima. Esto implica que las organizaciones que quieran aprovechar el aprendizaje automático primero deben invertir en el desarrollo de sus aptitudes.

Aunque no se ha encontrado una solución universal para la falta de habilidad en ML, existen métodos probados que pueden maximizar las habilidades del personal existente y, de este modo, reducir la necesidad de realizar grandes inversiones en la compra o en el préstamo de talentos expertos ya capacitados.

Escalamiento más allá de los proyectos pilotos

Luego de los primeros proyectos pilotos exitosos, las organizaciones deben avanzar al siguiente paso de este recorrido: el escalado ML en la empresa de manera sostenible. Este es un desafío tanto técnico como cultural.

Para lograr el escalado, las organizaciones deben facilitar el uso del aprendizaje automático a los desarrolladores. La construcción de modelos de aprendizaje automático a escala puede ser una tarea intensa y compleja, capaz de ralentizar la innovación.

Evaluación de los resultados

Cuando se busca evaluar los resultados del trabajo con ML, el enfoque tradicional de “rentabilidad del proyecto” es reduccionista y puede ser perjudicial para el éxito de las iniciativas del negocio.

Si el proyecto no genera un rendimiento positivo en el tiempo dado, la empresa puede perder interés en él y perderse oportunidades cruciales en el proceso.

Para que esto no suceda, los ejecutivos y el personal de tecnología de la información deben evaluar los resultados del trabajo con aprendizaje automático en función de lo que significa el éxito para su empresa, en relación con la optimización de los procesos. Además, deben entender los esfuerzos que se dedican al aprendizaje automático como inversiones a largo plazo, teniendo en mente que pueden pasar muchos años y llevarse a cabo infinitas iteraciones antes de obtener un verdadero “rendimiento”.

Cuando se planifican iniciativas de ML, es mejor hacerlo desde un enfoqueque priorice la agilidad, la ventaja competitiva y la tolerancia a riesgos, antes que el rendimiento esperado.

Si bien las métricas tradicionales de ROI pueden no ser el mejor enfoque para medir el impacto que tienen las iniciativas de aprendizaje automático sobre las empresas, sí es posible medirlo. Solo se trata de cambiar de enfoque.

Para medir los resultados de ML, podemos usar algo similar a un “árbol de valores”, en el que el tronco principal represente el “rendimiento de los ingresos” tradicional y las ramas que se desprenden de él representen el valor de otros resultados del negocio.

Las ramas específicas de este árbol de valores dependerán de la organización, la industria y la iniciativa, pero podrían ser cosas como “ahorro de tiempo mediante procesos automatizados”, “nuevos mercados, datos útiles y oportunidades identificadas”, “mejoras en el servicio al cliente” e “incremento en ventas a mayor precio”.

Evaluar el éxito de ML a través de un modelo más holístico y a largo plazo le permitirá a sus equipos de trabajo concentrarse en los mejores resultados para el futuro de la compañía.

Conclusión

La mayoría de las organizaciones han hecho inversiones en machine learning y se encuentran en alguna etapa del recorrido, pero muchas se encuentran con obstáculos en su camino y se vuelcan a soluciones provisorias, preocupadas por que los costos y el nivel de complejidad sean demasiado altos en el futuro. Les dejamos algunos desafíos y soluciones: