Tres razones por las que aún la IA no es convencional en las empresas

Es difícil encontrar un artículo técnico o una descripción de la empresa que no mencione las palabras "inteligencia artificial". Cada organización con visión de futuro tiene hoy un proyecto o iniciativa en torno a la transformación digital, con la Inteligencia Artificial generalmente en primer plano.

Aunque es incipiente, la adopción de la Inteligencia Artificial todavía está estancada en algún punto entre la etapa de innovación y la etapa de adopción temprana. Según una encuesta de MIT Sloan Management Review y Boston Consulting Group, "Casi el 85% cree que la Inteligencia Artificial permitirá a sus empresas obtener o mantener una ventaja competitiva. Pero solo una de cada cinco empresas ha incorporado Inteligencia Artificial en algunas ofertas o procesos".

Quienes trabajamos con organizaciones que intentan involucrar la Inteligencia Artificial a trabajar a través de proyectos, iniciativas y laboratorios de innovación, aprendimos que existen tres barreras clave que impiden que la Inteligencia Artificial se convierta en la corriente principal de la empresa:

¿Dónde aplicar Inteligencia Artificial? El problema de la "selección de problemas"

La primera barrera es la falta de comprensión de cuáles son los mejores problemas para resolver usando Inteligencia Artificial. Hemos visto a muchas organizaciones adoptar el enfoque de selección de proyectos basado en la tecnología (por ejemplo, "busquemos un proyecto donde podamos implementar chatbots o aprendizaje automático y luego averigüemos cómo podemos aplicarlo"). Los tecnólogos tienden a gravitar hacia los problemas matemáticos o algorítmicos correctos para resolver. Otra cosa que distorsiona este problema de selección de problemas es la información disponible.

Hemos visto repetidamente que ese no es el caso. Dado que estos proyectos requieren tiempo y esfuerzo, ¿cómo nos aseguramos de que sean resueltos los problemas más importantes para el negocio? Las organizaciones más exitosas usan un enfoque práctico para seleccionar el problema comercial que se seleccionará en función de dos factores: el tamaño del beneficio comercial (para explorar si vale la pena hacerlo) y la disponibilidad de los datos necesarios para resolver el problema (para modelos de entrenamiento).

La ciencia de los datos: desarrollo de aplicaciones

Los equipos que participan y ayudan a impulsar los proyectos de Inteligencia Artificial, generalmente son equipos de innovación llenos de científicos de datos que generalmente tienen una sólida comprensión técnica del aprendizaje automático, el procesamiento del lenguaje natural, los algoritmos, las estadísticas y todos los conjuntos de herramientas técnicas. Si observamos las organizaciones empresariales típicas, en el mejor de los casos tienen muchos científicos de datos e ingenieros de Aprendizaje Automático, pero cientos, si no miles de desarrolladores de aplicaciones.

Si nos fijamos en la historia, tomar innovaciones a pequeña escala y usarlas para crear una implementación a gran escala para toda la empresa, siempre ha sido el dominio de las TI centrales. Desafortunadamente la mayoría de las innovaciones de la industria, generalmente dirigidas por los Googles y las Amazonas del mundo, todavía se centran en empoderar al grupo de ciencia de datos. Sin embargo, esta forma de pensar desatiende por completo las necesidades de la comunidad de TI.

Debido a este hecho, las empresas carecen de las herramientas, habilidades y métodos necesarios para cerrar las brechas entre los flujos de trabajo de ciencias de datos y los flujos de trabajo de desarrollo de sistemas de software. Amazon está haciendo intentos con SageMaker y Google con Cloud AutoML, pero estos kits de herramientas solo abordan una parte del problema: las habilidades necesarias para construir, entrenar y ejecutar estos modelos de Aprendizaje Automático. Estos servicios aún carecen de las herramientas y los métodos necesarios para convertir a la Inteligencia Artificial en una implementación en ambientes de producción.

Por ejemplo, ¿cómo se asegurará de que un sistema de Inteligencia Artificial construido para la producción, tenga resiliencia incorporada para escalar con la cantidad de datos que está consumiendo? ¿Cómo se asegurará de que el sistema de Inteligencia Artificial tenga los alcances incorporados para garantizar la capacidad de explicación, la garantía algorítmica y el rendimiento y la optimización centrados en Indicadores Clave de Rendimiento? Una cosa es identificar con precisión una imagen de un gato frente a un perro, pero otra cosa es completamente distinta si no explica en una demanda judicial, por qué se rechazó un reclamo médico basado en una recomendación de su sistema de IA. Estos son problemas importantes que se resuelven a través de métodos en la tierra de desarrollo de aplicaciones, pero aún son muy extraños en Inteligencia Artificial y ciencia de datos.

Acceso a bloques de construcción de inteligencia artificial específicos de la industria

Uno de los mayores problemas con la adopción de la Inteligencia Artificial a gran escala en las empresas, tiene que ver con la elección que tienen estas organizaciones. Para resolver problemas de negocios con Inteligencia Artificial necesita la plataforma tecnológica adecuada y un socio con un conocimiento profundo de su industria y sus requisitos. La gran cantidad de plataformas horizontales de ciencia de datos o API de uso general de Watson, Google o AWS no resolverán adecuadamente los complejos problemas que enfrentan las empresas.

Cada industria tiene sus conjuntos de datos únicos, modelos de datos y requisitos reglamentarios. Sin un enfoque centrado en la industria, la mayoría de las mediciones de rendimiento para los sistemas de Inteligencia Artificial solo pueden realizarse a nivel estadístico. Pero rara vez podemos decir si nuestro modelo de predicción para proporcionar una experiencia omnicanal óptima para el visitante de su sitio web, se puede mejorar si se ve incrementado el puntaje de F1. La realidad es que la mayoría de los procesos de negocios empresariales son demasiado complejos para ser resueltos por un modelo de Aprendizaje Automático a la vez. Estos deben aplicarse de manera integral en el nivel de Indicadores Clave de Desempeño del negocio, siendo necesario las herramientas, los métodos y los bloques de construcción para permitir eso.

Al hablar en un evento de Recode, el CEO de Google Sundar Pichai dijo que AI es "una de las cosas más importantes en las que la humanidad está trabajando". Es más profundo que ... la electricidad o el fuego." Y tiene razón. Estamos en las primeras etapas de esta interrupción masiva a escala mundial para empresas, gobiernos y personas. Aunque hay muchas promesas por delante, para obtener el verdadero valor de esta tecnología, las empresas deben encontrar la forma de que se adapte a sus necesidades comerciales.

Somos muy optimista sobre la cantidad de progreso que podemos lograr en 2018 para desbloquear realmente el poder del potencial humano con la inteligencia artificial. En futuros artículos, exploraremos cómo superar estas barreras de adopción, quién lo está haciendo y qué podemos aprender de ellas.