Por Fredi Vivas 
Profesor Ingeniero en Sistemas de Información. 
CEO de RockingData. 
Alumni de Singularity University (NASA + GOOGLE). 
Profesor de la Universidad de San Andrés. 

La inteligencia artificial (IA) y el machine learning (ML) se están posicionando como un medio para que las instituciones y empresas de todo tipo reduzcan costos, mejoren la calidad de sus servicios, la coordinación, productividad y la eficiencia de sus prácticas. 

Vemos como cada día más organizaciones crean nuevas conexiones humano-máquina, desde la toma de decisiones en la gestión, fabricación o diseño. 

Estos sistemas de IA-ML entonces son agentes que responden de forma autónoma a los datos de entrada, con poca o sin intervención del usuario, realizando tareas guiadas por sus algoritmos.  

De esta forma, estas tecnologías son un nuevo “talento digital” que se convierte en un componente clave para las organizaciones que busquen innovar y ser competitivas. 

Aunque es importante aclarar que, en términos de accesibilidad, escalabilidad y facilidad de uso, las organizaciones todavía no están aprovechando todo el potencial de la inteligencia artificial y el machine learning.   

Seguramente en gran parte, por su naturaleza misma, desafiante y dinámica, que implica cambios en la tecnología y en la organización. Entonces se vuelven necesarios ajustes en la cultura, los skills de los equipos y principalmente, en los procesos de toma de decisiones de las organizaciones. 

El verdadero impacto de la inteligencia artificial en las organizaciones 

Estos algoritmos que se construyen para lograr objetivos definidos tienen el poder de transformar organizaciones de una manera cualitativamente diferente a otras tecnologías y uno de los pasos cruciales para que eso suceda, es desarrollar un nivel de comprensión de las habilidades necesarias para enfrentar estos desafíos. 

Las tecnologías de inteligencia artificial pueden de manera “similar” a un humano hacer cosas como aprender, percibir, interpretar, comunicarse, recomendar decisiones y muchas otras más que ni siquiera ahora podemos imaginar. Sin dudas todo esto puede tener consecuencias de gran alcance para las organizaciones y su ecosistema, los consumidores, vendedores, proveedores de servicios y otros actores relacionados. 

Existe la necesidad marcada de una exploración más profunda del impacto de la IA en las actividades, los límites y los objetivos de la organización, incluidos los mecanismos y procesos involucrados en el aprovechamiento de su poder en la transformación digital, esto es, utilizar la IA de formas que agreguen valor a la organización. Descubrir esas iniciativas y crear un camino para concretarlas se vuelve indispensable. 

Del plan a la acción 

Big data, inteligencia artificial y machine learning son algunas de las palabras más escuchadas en los pasillos de las principales empresas del mundo, pero a pesar de esto, todavía no son tantas las que están implementando realmente estas tecnologías.  

Según un estudio de la revista Forbes en 2020, sólo el 13% de las empresas del mundo usan eficientemente los datos que poseen. Para revertir esos números, primero tenemos que entender el fenómeno del mundo de los datos y los beneficios concretos que su análisis aporta a las empresas. 

En los últimos 10 años, el volumen de datos que hay en el mundo creció exponencialmente. 

Esto fue gracias a una combinación explosiva de tres elementos;  

El mayor uso de internet,  

El aumento de la capacidad de almacenamiento a un costo más bajo. 

Y el incremento de dispositivos conectados. 

Esta situación abrió una enorme posibilidad para empresas y organizaciones de todo tipo, que de a poco comenzaron a convertir esos datos sin procesar en información. 

Y a su vez empezaron a aprovechar esa información para poder tomar decisiones de forma más rápida y eficiente.  

Eso lo lograron gracias a las técnicas de ciencia de datos, como machine learning e inteligencia artificial. 

Estos algoritmos ayudan a mirar el pasado, no solamente generar informes, sino para predecir lo que podría suceder en el futuro. 

Con machine learning (o aprendizaje automático en español) podemos hacer predicciones en base a probabilidades de lo que sucederá, gracias a observar y entender la historia. Descubriendo patrones que nunca habíamos notado. 

¿Para qué puede servirle todo esto a una organización? 

¿Reducción de costos? Si. 

¿Aumento de la eficiencia? Por supuesto, también. 

Estos 2 puntos anteriores conectan directo con los casos de negocio más probados en el mundo de machine learning, y cuando hablamos del verdadero valor de la IA aplicada a las organizaciones, el foco estará en la ampliación o el crecimiento de nuevos verticales de negocio, es decir, puede generar nuevos negocios por sí misma. 

Entonces cuando hablamos de para qué sirve la ciencia de datos (o data science en inglés), podríamos simplificar diciendo “permite responder preguntas usando datos”. 

Y esas preguntas nos llevan a pensar en los diferentes subcampos de la ciencia de datos, por ejemplo: 

¿Cuánto dinero ganamos el año pasado? – data analyticsanálisis descriptivo. 

¿Cuánto dinero ganaremos el próximo año? – predicción de demanda con machine learning. 

¿Cuánto debería costar esta casa? – predicción de precios con machine learning. 

¿Qué canción le gustará a este usuario? – motor de recomendación con machine learning. 

¿Qué significa este mensaje? – procesamiento de lenguaje natural con inteligencia artificial. 

¿Hay un gato en esta imagen? – clasificación de imágenes con inteligencia artificial. 

¿Cómo respondo a esta pregunta rápidamente para un millón de usuarios? – ingeniería de datos y big data. 

Esto nos habilita a imaginar preguntas con más profundidad, que las soluciones de machine learning pueden responder: 

¿Cómo puedo predecir las ventas en cada ubicación para que no nos quedemos sin stock

¿Cuál es la mejor oferta que le puedo sugerir a cada cliente? 

¿Cuál es el mejor curso para un colaborador? o ¿cuál es el beneficio que más le puede interesar a un colaborador de mi empresa? 

¿Cuáles son mis clientes/alumnos/colaboradores con más probabilidad de abandonar mi organización? 

¿Cómo puedo predecir el ingreso que me generará cada uno de mis clientes?  

¿Cómo puedo detectar el fraude antes de que se realice una compra? 

Todas estas preguntas tienen una respuesta precisa si usamos los datos correctos y los algoritmos de machine learning adecuados. 

Profundizando en un caso específico, por ejemplo, en el mundo de la salud, la utilización de data puede potenciar a las organizaciones para ser más eficientes y tomar decisiones más inteligentes, para gestión del staff o equipamiento, mejorando la experiencia del paciente y del cuerpo médico.  

Por ejemplo: 

Prediciendo la disponibilidad de camas de quirófanos, internación general y salas de emergencia. 

Prediciendo turnos médicos a lo largo del año. 

Prediciendo la cancelación de turnos.  

Prediciendo la cantidad de pacientes ingresando con una determinada enfermedad. 

La ciencia de datos y la inteligencia artificial pueden convertirse en una herramienta indispensable en cualquier rubro, porque nos permite traducir las necesidades de las empresas en algoritmos, resolviendo problemas complejos con precisión, rigurosidad científica, flexibilidad y escalabilidad. 

¿Cómo acelerar la adopción de estas tecnologías? 

Gracias a esta enorme capacidad, la IA está potenciando la toma de decisiones, desde cosechas de cultivos hasta préstamos bancarios.  

Pero a diferencia de lo que pasaba hace unos años, hoy, las tecnologías que permiten que funcione la IA, desde plataformas de desarrollo hasta la capacidad de procesamiento se están volviendo cada vez más accesibles. 

Por eso, este es el momento para que las empresas incorporen la IA de manera definitiva. De hecho, no armar un plan para comenzar a implementar estas tecnologías ahora mismo representa un riesgo para cualquier organización. 

Muchas veces ese inicio se frena simplemente por no saber bien por dónde empezar. 

Un camino hacia implementar IA y hacer modelos predictivos de machine learning, puede implicar pasar por una serie de habilitadores; relacionados a los procesos de capturar datos de las fuentes internas de la empresa, enriquecerlos con datos externos, organizarlos, mejorar su calidad y colocarlos en un espacio único con las características de seguridad-calidad necesarias, para luego permitir al resto de la organización tener acceso a esa información de manera simple y accionable.  

El último paso de ese camino es generar nuevo conocimiento a partir de las predicciones que generan los algoritmos de machine learning e inteligencia artificial. 

Los principales habilitadores de un camino hacia la IA. (Gráfico de RockingData) 

6 claves para obtener beneficios concretos de IA / ML 

Lo primero que debemos tomar en cuenta es que para que estos proyectos se traduzcan en beneficios concretos para las compañías es necesario alguien que los lidere. 

(1) El liderazgo es fundamental para llevar adelante este proceso de transformación y manejar las expectativas de los miembros de la organización al respecto.  

La incorporación de tecnología de IA o ML no siempre es lo que solemos llamar plug and play (conectar y funcionar). 

Y, además, el retorno a la inversión puede no ser inmediato.  

Antes de comenzar a trabajar, es clave (2) realizar un buen balance entre viabilidad, presupuesto, tiempo y valor al negocio. 

Muchas veces sabemos que queremos comenzar a usar estas tecnologías, pero no tenemos bien claro qué es lo que queremos hacer con ellas, o cómo van a mejorar nuestro negocio. Es clave invertir tiempo en eso, o pedir ayuda a expertos en esas definiciones. 

Para los casos donde no haya mucha claridad de por donde arrancar, es recomendable (3) comenzar con un piloto o prueba de concepto. 

Estos pilotos de prueba, además de poder generar ganancias en las organizaciones, actúan como un golpe de impacto que ayuda a romper la barrera de desconfianza o escepticismo.  

Para implementarlas, es recomendable hacerlo en ambientes controlados que nos permitan medir impacto y ajustar expectativas y procesos.  

El aprendizaje basado en la prueba y el error es lo que nos va a ayudar a construir bases muy sólidas para nuestro proyecto. Y por supuesto también hacer que más gente en la organización conozca cómo funcionan estas herramientas. 

Una cuarta sugerencia o recomendación a la hora de implementar por primera vez un proyecto de esta magnitud, es (4) no poner demasiado foco en tecnicismos del estilo

¿Es mejor un algoritmo u otro? 

¿Vamos a desarrollar en Python o en R?  

No estamos diciendo que esas discusiones no sean importantes, pero en el periodo de adopción, lo fundamental es alinear la cultura, las diferentes áreas involucradas y sus objetivos comunes para comenzar a trabajar con inteligencia artificial en nuestra organización.  

Para hacer esto, es fundamental poder (5) implementar herramientas de colaboración y trabajo en equipo.  

La IA suele tener mayor impacto cuando es desarrollada por equipos multidisciplinarios, que mezclan habilidades y perspectivas para sacar el mejor provecho de estas herramientas.  

El gran desafío que tenemos por delante para transformar nuestra organización en data driven es desarrollar un mindset ágil, flexible y colaborativo en nuestros equipos de trabajo. 

Y eso solo puede hacerse si todos estamos subidos al mismo barco.  

En este sentido, nuestra última sugerencia es (6) invertir en entrenamiento y planes de adopción. 

Las organizaciones que tienen éxito implementando IA son aquellas que elaboran planes de adopción, estrategias de inversión en capacitación, rediseños de flujos de trabajo y comunicación. 

Adquirir talento con conocimiento específico en IA es muy complejo, por eso tener aceitados los mecanismos de capacitación y por supuesto para “enamorar todos los días” a nuestro talento serán muy importantes. 

Factores de riesgo 

Pero como toda gran innovación, la adopción de IA/ML en los procesos de toma de decisión puede generar cierta resistencia en algunos sectores de la organización. 

Y eso es algo completamente normal, porque la mayoría de las empresas no nacieron digitales. Por eso, para encarar este camino de la mejor forma, es importante prestar atención a ciertos factores de riesgo que pueden demorar la confianza en la puesta en producción de estas tecnologías. Algunos de los más comunes son:  

-Sesgos en el desarrollo de los modelos,  

-Datos faltantes o de mala calidad,  

-Barreras culturales,  

-Falta de involucramiento de las distintas áreas  

 
Estos desafíos requieren de líderes decididos, que entrenen, motiven y den las herramientas adecuadas a los equipos.  

Los líderes que más rápido tomen medidas para derribar estas barreras, son los que podrán capitalizar más eficazmente las oportunidades que genera la inteligencia artificial. 

Consiguiendo que sus organizaciones sean pioneras en sus industrias. 

Anexo para debatir: ¿se puede confiar ciegamente en los algoritmos? 

Si bien en los últimos años, la IA tomó un rol preponderante en nuestras vidas. Dado a su inmenso potencial, cada día vemos aplicaciones innovadoras en distintos aspectos. Pero, junto al crecimiento, surge una gran polémica en cuanto a la imparcialidad que los sistemas pueden adquirir: ¿podemos confiar ciegamente en el juicio de los sistemas de inteligencia artificial? o también preguntarnos ¿qué tan precisos son?  

Comencemos con el segundo punto, la precisión, o qué tan perfectos son los algoritmos. Lo primero es aclarar que los algoritmos predictivos no pueden resolver cualquier tarea y dependen del contexto que se les brinde. Por eso la intervención del científico de datos y los expertos en el dominio del problema siguen siendo fundamentales. En resumen, no son perfectos, pero si son útiles y la mejor herramienta para anticipar tendencias.  

Sobre el punto de la confianza en los algoritmos, podemos decir que debido a la forma en la que estos funcionan, con frecuencia los resultados aparecen sesgados. Por ejemplo, Amazon debió dejar de utilizar un sistema de inteligencia artificial encargado de relevar el currículum de potenciales candidatos para trabajar en la empresa, porque presentó un sesgo desproporcionado a favor de trabajadores hombres por sobre mujeres. 

Estos sesgos aparecen porque el conjunto de datos utilizado para entrenar los algoritmos es un reflejo del contexto social y cultural precedente. La historia de cierto fenómeno es el resultado de distintos procesos y relaciones de poder que luego son transferidos a los modelos en la fase de entrenamiento, y por lo tanto a sus resultados. 

Si no auditamos el funcionamiento de los distintos algoritmos que intervienen en nuestras vidas, estos pueden volverse rápidamente en nuestra contra, es decir, se convierten en sistemas que reproducen a escala masiva las estructuras que como sociedad estamos combatiendo, como el machismo o el racismo”. 

¿Cómo funcionan estas tecnologías? 

La materia prima de estos sistemas son los datos. A la hora de entrenar un modelo utilizamos datos históricos, es decir, una tabla que contenga la información del caso sobre el que queremos aplicar machine learning, por ejemplos las ventas históricas de una empresa. 

En la fase de entrenamiento el modelo extrae patrones que no están a la vista del ojo humano y que le permiten entender la relación entre ellos y lo que se quiere predecir. El modelo luego, en la fase de predicción, utiliza ese conocimiento para hacer predicciones sobre datos nuevos. 

¿Qué podemos hacer con esta situación? A nivel individual debemos formarnos y poner en contexto los resultados que generan estos algoritmos. Para esto es imprescindible entender cómo funcionan; por ejemplo, los algoritmos que nos recomiendan música, películas o personas a seguir en las redes sociales; y comprender de qué manera deciden los resultados. Finalmente, las empresas que desarrollan estas tecnologías deben, por su parte, crear estrategias responsables que minimicen el sesgo lo más posible. 

Dejar respuesta

Please enter your comment!
Please enter your name here