NOTICIAS / TECNOLOGÍA AI
La creciente comprensión y experiencia con la artificial intelligence por parte de las organizaciones podría parecer contradictoria dada la falta de una implantación significativa de la IA en la mayoría de las empresas.
La creciente comprensión y experiencia con la artificial intelligence por parte de las organizaciones podría parecer contradictoria dada la falta de una implantación significativa de la IA en la mayoría de las empresas.
En este artículo, examinaremos tanto las razones subyacentes de esta dicotomía como exploraremos las condiciones necesarias para lograr el éxito.
Las organizaciones que están aplicando con éxito las tecnologías de IA están asistiendo a la aparición de nuevos modelos, especialmente en forma de “fábrica de IA”, una combinación de talentos, métodos y tecnologías al servicio de toda la empresa.
La innovación en las tecnologías incipientes sigue invariablemente el denominado “Hype Cycle” de Gartner, que identifica cinco etapas del ciclo de vida que se solapan:
- Activador de la innovación: En esta etapa, una tecnología potencial pone las cosas en marcha. Puede haber prototipos y mucho interés mediático y publicitario, pero con frecuencia no se dispone de productos comercialmente viables.
- Pico de expectativas infladas: En este punto, la tecnología se implanta; produce una serie de éxitos, pero muchos más fracasos. Algunas empresas adoptan la tecnología; muchas no.
- La depresión de la desilusión: El interés comienza a desvanecerse a medida que salen a la luz defectos y fallos. Algunos productores de la tecnología abandonan la carrera. Las inversiones continúan sólo si los proveedores supervivientes mejoran sus productos hasta satisfacer a los usuarios.
- Pendiente de la iluminación: Las formas en que la tecnología puede beneficiar a las empresas se hacen más evidentes. Más empresas la prueban; algunas fabrican productos de segunda y tercera generación.
- Meseta de productividad: La tecnología se implanta ampliamente. Sus aplicaciones en el mercado se hacen evidentes y comienza una adopción de alto crecimiento.
Como demuestra el ciclo, cada fase de éxito concreto va precedida de una fase de desilusión. Demasiadas complicaciones pueden impedir el éxito de estos proyectos. Lo que está en juego para superar el reto de Inteligencia artificial son elevados: según Accenture, las empresas que hagan un buen uso de las artificial intelligence podrían ver crecer su rentabilidad ¡en más de 30%! A esto hay que añadir nuevas fuentes potenciales de ingresos, que pueden derivarse de la mejora de las experiencias de los clientes o de una mayor ventaja competitiva.
¿Qué es la IA? ¿Qué valor puede aportar a las empresas?
La IA, que aún está en pañales, es un conjunto de ciencias muy teóricas; sin embargo, las empresas deben contemplarla con vistas al ahorro de costes, y no a través del prisma de la innovación (el síndrome de la “última palabra de moda”). ¿Cómo pueden las empresas extraer un valor real de estos experimentos de IA? ¿Cómo pueden tener éxito en la “ampliación”? Nuestra respuesta exige nuevos marcos organizativos en los que hablemos de “fábricas de IA”.
Hoy en día, cada vez hay más algoritmos y “productos de inteligencia” en las estanterías. Al menos en los niveles inferiores. Los primeros socios europeos de la nube, Amazon (AWS), Microsoft (Azure), Google (GCP) e IBM, ofrecen varios niveles de abstracción que permiten a las empresas “producir” IA internamente (Google lanzó recientemente un nuevo servicio universal gestionado llamado Anthos); estas soluciones funcionan un poco como los kits de química con los que jugábamos de niños. Proponen un acceso sencillo a infraestructuras diseñadas específicamente para responder a aprendizaje automático necesidades, como las TPU de Google, que son servicios gestionados que permiten la concentración de equipos en determinadas aplicaciones.
También están disponibles numerosos código abierto bibliotecas (scikit-learn, TensorFlow, Pytorch), así como API propias (reconocimiento de imágenes, texto y voz). Pero pueden surgir problemas tras los éxitos iniciales, ya que sólo una pequeña parte de estas pruebas acaba en modo de producción, lo que genera no sólo frustración sino, obviamente, oportunidades perdidas.
La mayoría de las grandes organizaciones han invertido masivamente en Data Científicos, y con razón: en 2016, McKinsey anunció que se necesitarían 250.000 Data Científicos para 2021 solo en Estados Unidos. Pero ahora nos estamos dando cuenta de que estos perfiles, muy centrados en modelos, estadísticas y algoritmos data, no serán suficientes para transformar la empresa con la IA. Omitimos, por ejemplo, a los inestimables Data Engineer y Data Arquitectos, cuyo talento es clave para garantizar el éxito en los próximos años, pero cuya integración en los proyectos de equipo aún no se ha logrado.
Un nuevo modo de organización está saliendo gradualmente a la luz: La fábrica de Inteligencia Artificial, o fábrica de IA,
que sigue una serie de principios rectores sencillos pero cruciales para el éxito de estas iniciativas.
La fábrica de IA comienza con una gobernanza centralizada
Uno con objetivos muy ambiciosos... La idea es aunar y coordinar los esfuerzos de inversión y dirección. Sólo un número muy reducido de los proyectos de mayor valor de la empresa serán examinados por los patrocinadores más comprometidos con su éxito. La selección de estos casos de uso debe ser extremadamente rigurosa: concretamente, ningún proyecto debe ver la luz si no respeta la sencilla ley del 10X (ofrecer un rendimiento de la inversión de 10:1). El éxito y el impacto de cada caso de uso deben poder medirse según un KPI sencillo y comprensible, y la mejora sistemática de este KPI debe ser el razón de ser de los equipos.
Los equipos de características garantizan una organización dedicada al proyecto
Popularizados por Spotify, los equipos de características responden a los retos de reducción del tiempo de comercialización, transversalidad y continuidad del proyecto. Dirigido por un director comercial, el equipo de características está compuesto por un propietario de producto, científicos data, ingenieros data y expertos en DevOps. La inclusión de DevOps / TI en el equipo de características garantiza una excelente supervisión y un mantenimiento perenne de la solución de IA. Un “equipo de plataforma” garantiza la coherencia tecnológica de los bloques de construcción desplegados por los equipos de características. Es importante señalar que este modelo organizativo funciona muy bien a escala (hay hasta 10 equipos de características por cada “tribu” en Spotify).
Las ventajas de los equipos de características
- Los equipos de características son más capaces de evaluar el impacto de las decisiones de diseño. Al final de un sprint, un equipo de características habrá construido una funcionalidad de principio a fin, atravesando todos los niveles de la pila tecnológica de la aplicación. Esto maximiza el aprendizaje de los miembros sobre las decisiones de diseño de producto que tomaron (¿Les gusta a los usuarios la funcionalidad tal y como se desarrolló?) y sobre las decisiones de diseño técnico (¿Qué tal nos funcionó este enfoque de implementación?).
- Los equipos de características reducen los residuos creados por las transferencias. Entregar el trabajo de un grupo o individuo a otro es un despilfarro. En el caso de un equipo de componentes, existe el riesgo de que se haya desarrollado demasiada o muy poca funcionalidad, de que se haya desarrollado la funcionalidad equivocada, de que parte de la funcionalidad ya no sea necesaria, etc.
- Garantiza que hablen las personas adecuadas. Dado que un equipo de características incluye todas las habilidades necesarias para pasar de la idea a la característica en funcionamiento y probada, garantiza que las personas con esas habilidades se comuniquen al menos a diario.
- Mantiene el foco en la entrega de prestaciones. Puede ser tentador para un equipo volver a caer en sus hábitos pre-Scrum. Organizar los equipos en torno a la entrega de características, en lugar de en torno a elementos arquitectónicos o tecnologías, sirve como recordatorio constante del enfoque de Scrum en la entrega de características en cada sprint.
Una metodología específica: Lean AI
La IA ajustada es una metodología que reduce la incertidumbre sobre la eficacia y la aplicabilidad de las soluciones de IA. Los modelos nunca son perfectos y deben probarse en situaciones del mundo real. El método consiste en un bucle de mejora continua de ciclos cortos que incluyen la formulación de hipótesis, la identificación de data pertinentes, la construcción y prueba de uno o varios modelos, seguida del despliegue en un perímetro de prueba y la recopilación de los comentarios de los usuarios.
El ciclo se repite con la formulación de nuevas hipótesis, nuevos data, etc. Este método permite la realización de pruebas en situaciones reales y, a continuación, la mejora de los casos no explorados, hasta alcanzar un nivel de satisfacción considerado aceptable por la organización para iniciar la producción.
... Junto con una infraestructura adaptada
La implantación debe preverse desde los primeros días del proyecto para evitar empezar de cero en un entorno técnico diferente.
También debe evitarse la creación de nuevos silos data aprovechando al máximo los lagos y pozos data existentes en la organización. Las aplicaciones de IA deben construirse en una lógica de arquitectura orientada a los servicios.
Las tecnologías de contenedorización y orquestación como Docker y Kubernetes permiten una gestión simplificada de los ecosistemas de microservicios, facilitando el uso de modelos de IA a través de API que pueden utilizar todas las divisiones de la organización.
... Y trabajar en la transformación interna y la adopción
Aunque muchas empresas ya comparten un espacio común, la falta de un modelo operativo común está socavando el éxito de los proyectos de IA. Por ejemplo, un “Chatbot” perteneciente a un sitio web comercial debería ser una parte natural de la ruta de ventas, en lugar de considerarse como un silo de adquisición independiente, pero a menudo no es así. Cuando los distintos departamentos de una empresa adoptan las mismas tecnologías, el éxito de la IA es mucho más probable.
Pasos para el éxito de un proyecto de IA
#1 Defina su objetivo de IA
2 Respáldelo con Data
#3 Implique a sus expertos en la materia (PYME) internos.
#4 Medir el resultado, no la producción
#5 ¡Itere rápido!
Por último: un reto ético cada vez más importante
Recientemente hemos visto el ejemplo de Alexa y la desagradable sorpresa de su escucha (necesaria y planificada para mejorar el aprendizaje supervisado). La normativa siempre irá por detrás de la tecnología. Es importante que las empresas que emplean artificial intelligence comprendan los retos éticos de estas soluciones. Siete principios éticos rectores, publicados por el Comité de Expertos Independientes con mandato de la Comisión Europea: IA al servicio de la humanidad, digna de confianza, que respete la data privada, transparente, no discriminatoria, dedicada a la mejora del bien común y, por último, con una responsabilidad humana claramente definida.
Cada vez son más las organizaciones que deciden aplicar estos principios para extraer el valor de la IA: Carrefour anunció recientemente el lanzamiento de su Laboratorio de Inteligencia Artificial en colaboración con Google, y Walmart anunció el lanzamiento de su “Fábrica en la nube” en Austin con Microsoft. No cabe duda de que estos nuevos métodos organizativos, centrados en el valor y pragmáticos en su enfoque de la innovación, se desplegarán con mayor frecuencia y éxito en los próximos años.
