Inteligencia artificial: todo el mundo la quiere, pero no todo el mundo está preparado
Las empresas son optimistas con respecto a la IA, pero se necesita una comprensión bien desarrollada para ofrecer beneficios comerciales visibles.
Las tecnologías de inteligencia artificial han alcanzado niveles impresionantes de adopción y se consideran un diferenciador competitivo. Pero llega un punto en el que la tecnología se vuelve tan omnipresente que ya no es un diferenciador competitivo: piense en la nube. En el futuro, las organizaciones que tengan éxito con la IA serán aquellas que apliquen la innovación humana y el sentido empresarial a sus cimientos de IA.
Este es el desafío identificado en un estudio publicado por RELX, que encuentra que el uso de tecnologías de IA, al menos en los Estados Unidos, ha llegado al 81% de las empresas, 33 puntos porcentuales más que el 48% desde una encuesta anterior de RELX en 2018. También son optimistas sobre la entrega de productos por parte de la IA: el 93% afirma que la IA hace que su negocio sea más competitivo. Esta ubicuidad puede ser la razón por la que el 95% también informa que encontrar las habilidades para construir sus sistemas de IA es un desafío. Además, estos sistemas podrían ser potencialmente defectuosos: al 75% le preocupa que los sistemas de IA puedan introducir el riesgo de sesgo en el lugar de trabajo, y el 65% admite que sus sistemas son sesgados.
Por lo tanto, todavía queda mucho trabajo por hacer, todo se reduce a las personas que pueden hacer que la IA suceda y que sea lo más justa y precisa posible.
"Si bien muchas implementaciones de IA y aprendizaje automático fallan, en la mayoría de los casos, se trata menos de un problema con la tecnología real y más del entorno que la rodea", dice Harish Doddi, CEO de Datatron. Pasar a la IA "requiere las habilidades, los recursos y los sistemas adecuados".
Se necesita una comprensión bien desarrollada de la IA y el ML para ofrecer beneficios visibles a la empresa. Si bien la IA y el ML han existido durante muchos años, "todavía apenas estamos arañando la superficie para descubrir sus verdaderas capacidades", dice Usman Shuja, gerente general de edificios conectados de Honeywell. "Dicho esto, hay muchas lecciones valiosas que se pueden extraer de los errores de los demás. Si bien es cierto que la IA puede agregar un valor significativo a prácticamente cualquier departamento de cualquier empresa, uno de los mayores errores que puede cometer una empresa es implementar la IA por el simple hecho de implementar la IA, sin una comprensión clara del valor comercial que esperan lograr".
Además, la IA requiere una hábil gestión del cambio, continúa Shuja. "Puedes instalar las soluciones de IA más avanzadas disponibles, pero si tus empleados no pueden o no quieren cambiar sus comportamientos para adaptarse a una nueva forma de hacer las cosas, no verás ningún valor".
Otro desafío es el sesgo, como lo expresaron muchos ejecutivos en la encuesta de RELX. "Los algoritmos pueden sesgarse fácilmente en función de las personas que los escriben y los datos que proporcionan, y el sesgo puede ocurrir más con el ML, ya que se puede construir en el código base", dice Shuja. "Si bien grandes cantidades de datos pueden garantizar la precisión, es prácticamente imposible tener suficientes datos para imitar los casos de uso del mundo real".
Por ejemplo, ilustra, "si estuviera buscando reclutar atletas universitarios para mi equipo profesional de lacrosse, y descubriera que la mayoría de los jugadores de los que escucho son Texas Longhorns, eso podría llevarme a concluir que los mejores jugadores de lacrosse asisten a la Universidad de Texas. Sin embargo, esto podría deberse a que el algoritmo ha recibido demasiados datos de una universidad, creando así un sesgo".
La forma en que se configuran los datos y quién los configura "puede colar inadvertidamente sesgos en los algoritmos", dice Shuja. "Las empresas que aún no están pensando en estas implicaciones deben poner esto a la vanguardia de sus esfuerzos de tecnología de IA y ML para incorporar integridad a sus soluciones".
Otro problema es que los modelos de IA y ML simplemente se vuelven obsoletos demasiado pronto, como descubrieron muchas empresas, y continúan descubriendo como resultado de Covid y los problemas de la cadena de suministro. "Tener una buena documentación que muestre el ciclo de vida del modelo ayuda, pero sigue siendo insuficiente cuando los modelos se vuelven poco fiables", dice Doddi, "La gobernanza de los modelos de IA ayuda a aportar responsabilidad y trazabilidad a los modelos de aprendizaje automático al hacer que los profesionales hagan preguntas como '¿Cómo eran las versiones anteriores?' y '¿Qué variables de entrada entran en el modelo?'".
La
gobernanza es clave. Durante el desarrollo, Doddi explica: "Los modelos de ML están limitados por ciertas suposiciones, reglas y expectativas. Una vez implementados en producción, los resultados pueden diferir significativamente de los resultados en entornos de desarrollo. Aquí es donde la gobernanza es crítica una vez que un modelo se pone en marcha. Tiene que haber una forma de realizar un seguimiento de los distintos modelos y versiones".
En algunos casos con IA, "menos es más", dice Shuja. "La IA tiende a tener más éxito cuando se combina con datos maduros y bien formateados. Esto se encuentra principalmente dentro del ámbito de los datos de TI/empresa, como CRM, ERP y marketing. Sin embargo, cuando nos adentramos en áreas en las que los datos son menos cohesivos, como en el caso de los datos de tecnología operativa, es cuando lograr el éxito de la IA se vuelve un poco más difícil. Existe una enorme necesidad de IA escalable dentro de un entorno industrial, por ejemplo, el uso de la IA para reducir el consumo de energía en un edificio o planta industrial, un área de gran potencial para la IA. Un día no muy lejano, empresas enteras, desde la fábrica hasta la sala de juntas, estarán conectadas; Aprendiendo y mejorando constantemente de los datos que está procesando. Este será el próximo gran hito para la IA en la empresa".