NOTICIAS / TECNOLOGÍA AI
Inspirándose en los siete “despilfarros” popularizados en la fabricación ajustada, Artefact ha adaptado este concepto al ámbito de artificial intelligence. Este estudio se basa en más de 30 proyectos artificial intelligence de los últimos tres años.
Inspirándose en los siete “despilfarros” popularizados en la fabricación ajustada, Artefact ha adaptado este concepto al ámbito de artificial intelligence. Este estudio se basa en más de 30 proyectos artificial intelligence de los últimos tres años.
Para cada “despilfarro” identificado -exceso de procesamiento, energía, inventario, sobreproducción, espera, fallos y talento- se explican las causas mediante ejemplos concretos.
Procesamiento extra: Superar las expectativas de los clientes
La IA por la IA
Hacer IA porque es lo nuevo y lo que brilla. Esto ocurre cuando los equipos técnicos trabajan para construir una solución técnica eficiente e innovadora pero compleja. Las consideraciones empresariales quedan relegadas a un segundo plano en favor del reto tecnológico; las especificaciones técnicas priman sobre las imprecisas especificaciones empresariales y no se identifican claramente las características centrales que generan valor. El procesamiento adicional suele dar lugar a complejas “cajas negras”.”
que deben ser mantenidos por los equipos técnicos y sólo entonces comprendidos y adoptados por los equipos empresariales.
“Reinventar la rueda”
Construir una IA a medida lleva mucho tiempo. A veces, un pequeño detalle perfecto al que el cliente no ha dado prioridad y que no espera se convierte en el centro de un proyecto. Cuando esto ocurre, se abandona el verdadero objetivo del proyecto en favor de la resolución de problemas menores.
Ejemplos:
Una compañía de seguros quiere crear un algoritmo de predicción de bajas. El tradicional off-the-shelf algoritmos permiten cumplir las especificaciones. Sin embargo, el equipo data quiere diseñar un solución personalizada de aprendizaje profundo. El algoritmo que han diseñado es una “caja negra”, que lleva mucho más tiempo evaluar y comprender.
Una empresa de productos de gran consumo quiere establecer un algoritmo de asignación para ayudar a gestionar los medios de comunicación compra. En lugar de sacar partido de los modelos de atribución tradicionales (último toque, lineal, primer toque, etc.), la empresa quiere establecer un modelo de atribución data-driven, lo que supone un modelo innecesariamente complejo y difícil de entender y utilizar.
Energía: Esfuerzos humanos o de máquinas que no aumentan los beneficios
Falta de integración
A menudo, las empresas carecen de un ecosistema técnico de IA y disponen de SI y herramientas heredadas. Los distintos componentes necesarios para construir la solución de IA no están integrados, lo que aumenta el coste y el tiempo del proceso de desarrollo. A nivel humano, las competencias no están centralizadas y la comunicación no es fluida, lo que da lugar a malentendidos y pérdidas de tiempo.
Ejemplos:
Una empresa minorista desea poner en marcha un algoritmo de recomendación de clientes. El data necesario para el proyecto (CRM, transaccional, navegación, etc.) está disperso en varias bases data sin acceso centralizado. Antes de poner en marcha el proyecto es necesario llevar a cabo una labor de centralización que requiere mucho tiempo.
Para beneficiarse de una mayor potencia de cálculo, el equipo del data decide entrenar el algoritmo en el cloud y desplegarlo en una infraestructura informática local. Los ecosistemas técnicos no están ya integrados, por lo que se requiere un trabajo de integración adicional.
Inventario: La creación de inteligencia no autónoma
Cultura específica frente a cultura estandarizada
Los modelos se diseñan individualmente para satisfacer una necesidad concreta. No es posible capitalizar lo que se ha construido antes, por lo que cada nueva necesidad se satisface empezando desde cero, lo que ralentiza la producción y el desarrollo de nuevos modelos.
El peso de las elecciones pasadas
Las malas elecciones tecnológicas iniciales dan como resultado un producto data que requiere un mantenimiento sustancial. El equipo dedica demasiado tiempo a mantener el sistema existente en lugar de iterar y mejorar.
Ejemplos:
Una empresa de cosméticos quiere crear una solución de Procesamiento del Lenguaje Natural (PLN) para analizar el sentimiento en las redes sociales. En lugar de utilizar un componente existente y añadir un elemento especializado de PLN, la solución se construye a medida. Tres meses después, otro equipo quiere utilizar el PLN para otro tipo de análisis; se ve obligado a empezar de cero, creando más “inventario” de IA.
Una empresa del Internet de las Cosas ( IoT) quiere entender cómo utilizan los consumidores sus productos conectados dispositivos, el data que llega a la empresa es, sin embargo, errático y de mala calidad. La empresa decide subcontratar la implementación de un nuevo producto data para solucionar este problema y permitir que el data se procese en tiempo real, así como anticiparse a cualquier problema de calidad. Tras la entrega del nuevo producto data, los equipos internos se ven incapaces de mantener la nueva solución (específica y compleja). Tienen demasiados sistemas de IA específicos, separados y complejos.
Sobreproducción: La IA llega demasiado pronto para el nivel de madurez de una empresa, o de forma desestructurada
Demasiadas pruebas de concepto no industrializadas
Sin una estrategia integrada, surgen muchas iniciativas diferentes (POC) al margen del objetivo principal de la empresa. Estas iniciativas suelen surgir anticipándose a las expectativas de los clientes y muchas responden al mismo problema.
Ejemplo:
Una empresa de productos de gran consumo decide poner en marcha un equipo de proyecto centrado en artificial intelligence. La primera acción del equipo es organizar un taller de ideas para identificar casos de uso que puedan desarrollarse. Los casos de uso presentados se centran en la promoción y el marketing, y se pasan por alto otras áreas valiosas, como la optimización de la cadena de suministro, la reducción del consumo energético y la reducción de costes en las tiendas.
La espera: Tiempo desocupado, a la espera de una entrega o de una decisión de la dirección.
Falta de patrocinio a nivel C
Los directivos de la empresa no consideran la inteligencia artificial como una herramienta estratégica. El tiempo dedicado a convencer a la dirección de que la artificial intelligence puede crear una ventaja competitiva deja poco tiempo para la acción.
El escaso patrocinio de los líderes conduce a una falta de participación de todos los equipos. Los procesos no se miden, lo que provoca problemas de calidad, defectos y fallos técnicos. Los procesos tampoco son fluidos, con importantes pérdidas de tiempo esperando la aprobación entre etapas sucesivas.
Ejemplo:
Una empresa del sector de los viajes quiere desarrollar una aplicación de voz en Google Home y Alexa. Se dedican tres meses a la identificación y movilización de los recursos técnicos. Se identifica una clara necesidad de aumentar las competencias del equipo. La empresa decide recurrir a recursos externos, que quedan en suspenso durante un mes hasta que se conceda acceso a las bases data y al entorno técnico. Una vez que el proyecto está listo para su lanzamiento, se pone en pausa durante varias semanas, debido a un retraso en la firma de un acuerdo de confidencialidad por parte del director general.
Fallos: El producto de la IA no satisface las necesidades del cliente final
Un enfoque en la velocidad de ejecución frente a la calidad y la coherencia
- Escasa comprensión de las necesidades de la empresa; las especificaciones no son lo suficientemente precisas al inicio del programa
- Procesos no estandarizados; escasa detección de errores durante la fase de producción
- Características rotas como la infraestructura, y los conectores a otros sistemas no se actualizan
- Esto puede deberse a que se recompensa a los equipos por la cantidad y la rapidez de ejecución en lugar de por la calidad
Ejemplo:
Una empresa del sector de la alimentación y las bebidas quiere sustituir su software de diagnóstico de fallos en su cadena de suministro refrigerada. Anteriormente habían utilizado un árbol de decisión determinista construido por humanos para analizar los fallos, pero querían sustituirlo por un algoritmo de aprendizaje automático. En lugar de dejar que el algoritmo definiera la solución más pertinente para resolver el problema, el equipo del data limitó el algoritmo incluyendo restricciones desarrolladas por humanos. Al final del programa, los resultados son los mismos que los del sistema anterior.
El personal: No aprovechar las competencias internas
Falta de una cultura inclusiva con el ser humano en el centro
Para tener éxito en su transformación de la IA, la empresa debe reconocer los puntos fuertes y las contribuciones de cada empleado, y hacer que la transformación de la IA sea inclusiva. En la actualidad, se dedica demasiado poco tiempo y recursos a aumentar las competencias, la formación y el desarrollo de los empleados, lo que dificulta el despliegue de las soluciones de IA y limita la transferencia de conocimientos.
Tres años después del lanzamiento de un importante plan de transformación de la IA, una empresa bancaria consulta a sus empleados. De la consulta salen tres puntos principales:
- Resolución de problemas en la sala por los expertos, ignorando las aportaciones de los demás miembros del equipo
- Ideas de mejora impuestas por la dirección o los expertos al resto del equipo en lugar de diseñarlas con ellos
- Productos diseñados “a bajo precio” por falta de habilidades y conocimientos
- Los equipos no están suficientemente incentivados en la entrega del proyecto
