Gestionar Aprenda a aplicar las mejores prácticas y optimizar sus operaciones.

Cinco formas en que los CIO pueden llevar su proyecto de IA al siguiente nivel

Hemos cubierto los conceptos básicos para que los CIO comiencen con la IA; ahora, estamos analizando los posibles desafíos que pueden enfrentar y cómo pueden prepararse y mitigarlos.

Un estudio realizado por Deloitte sugiere que, en los próximos años, la IA será parte de cada marca e industria, ya que aquellos que no aceptaron el cambio quedarán fuera de la carrera. Recientemente, cubrimos la mentalidad de IA, específicamente una introducción sobre cómo obtener la mentalidad correcta para cambiar su empresa a un negocio impulsado por la IA. Habiendo cubierto los conceptos básicos, ahora echamos un vistazo a los siguientes pasos: Los desafíos y obstáculos del mundo real que las empresas con IA deben considerar para llevar su proyecto de IA al siguiente nivel.

1. Acuerde en las métricas

Siempre debe tener expectativas razonables de IA; esto no se puede enfatizar lo suficiente. Recientemente, los ex empleados de Engineer.ai revelaron que la compañía había exagerado sus capacidades de inteligencia artificial. También ha habido numerosos casos en los que Microsoft, Facebook, Google y Apple fueron criticados porque sus contratistas escucharon grabaciones de audio de sus usuarios.

La razón para garantizar estas expectativas es que los sistemas actuales de IA no son lo suficientemente inteligentes como para operar en los niveles anunciados por esas compañías, lo que los obliga a llenar el vacío con trabajo humano. Establecer expectativas realistas es un factor clave para garantizar que su proyecto de IA tenga éxito.

Dean Abbott

Dicho esto, sus objetivos también deben estar claramente definidos. "El problema que a menudo veo es que el lado comercial de la compañía y el lado de la IA de la compañía pueden no estar de acuerdo con precisión sobre cuál debería ser esta definición de valor", explicó Dean Abbott, cofundador y científico jefe de datos de SmarterHQ, un equipo personalizado interacciones empresa. "Por ejemplo, he hablado con varios equipos de inteligencia artificial sobre el fracaso que se produjo la primera vez que construyeron modelos de rotación", dijo. Construyen un excelente modelo predictivo en tres meses, pero cuando informan al interesado del negocio, los interesados ​​descubren que la definición de rotación del equipo de ciencia de datos –un comprador que canceló su membresía– es inviable porque el negocio necesita un plazo de ejecución de tres meses para tratar de recuperar los clientes agitados. "Esta desconexión operativa ocurre muy a menudo con compañías nuevas en el modelo predictivo", concluyó Abbott.

2. Acuerde sobre qué optimizar

Sid Bhambani

Al igual que con todas las tecnologías nuevas y particularmente publicitadas, una trampa común es construir un proyecto de IA en busca de un problema. "Muchas veces, las personas comienzan con la tecnología, pero creemos firmemente en comenzar con el problema y eso ayuda a saber exactamente dónde comenzar", dijo Sid Bhambhani, CEO de Summatti, una plataforma de gestión de clientes. "Por ejemplo, uno de nuestros clientes estaba viendo un aumento en la rotación de clientes y había muchos señalamientos en su organización. Este cliente estaba buscando formas de comprender la causa raíz de la rotación", dijo. Al usar la inteligencia artificial, pudieron obtener una respuesta imparcial y basada en datos.

Lane Lillquist

También vale la pena prestar atención al punto óptimo de IA. "La mayoría, si no todos los procesos de negocios, tienden a incluir una serie de tareas simples, pero que requieren mucho tiempo, como la identificación de palabras clave en los documentos", explicó Lane Lillquist, CTO y cofundador de InCloudCounsel, una compañía de tecnología legal. "Estas actividades tienen un valor bajo en relación con los recursos humanos que normalmente cuentan con personal para facilitar tales tareas", dijo, convirtiéndolos en un objetivo ideal para la automatización con IA.

3. Acuerde qué datos recolectar

Ruslan Gavrilyuk

Si bien los datos son el alma de cualquier aplicación de IA, no se pueden recopilar de manera imprudente. Como resumió Ruslan Gavrilyuk, cofundador y presidente de TeqAtlas, los datos deben cumplir con tres características clave:

  1. La extracción de datos no debe infringir ninguna ley. Las empresas deben cumplir con las regulaciones y restricciones de privacidad sobre cómo se pueden obtener los datos.
  2. Los CIO deben ver el valor en los datos y saber cómo utilizarlos.
  3. Los costos de extracción y procesamiento de datos no deben exceder los ingresos potenciales.

Cosmas Wong

La fiabilidad y el almacenamiento de los datos recopilados también es importante, ya que los actores maliciosos a veces se dirigen al sistema de datos subyacente de la IA, inyectando errores, sesgos o señales de alerta omitidas en el algoritmo. "Las compañías necesitan monitorear los datos que ingresan al sistema y señalar casos fraudulentos o incorrectos", dijo Cosmas Wong, CEO de GNY.io, una compañía que ofrece una plataforma de aprendizaje automático para aplicaciones blockchain. Al hacer uso de blockchain, las compañías pueden rastrear de manera efectiva quién accedió o alteró los datos, pudiendo así rastrear datos erróneos y las causas raíz.

4. Pruebe y vuelva a entrenar

Sanjeev Pulapaka

La IA, por naturaleza, ofrece poca información sobre lo que está sucediendo bajo su capó. Por lo tanto, puede ser un desafío utilizarlo para aplicaciones críticas. "El riesgo puede mitigarse hasta cierto punto a través de pruebas exhaustivas para garantizar que las predicciones se realicen con precisión", explicó Sanjeev Pulapaka, líder de competencia de IA en los sistemas REI. "Varias organizaciones invierten en meses de pruebas paralelas, comparando los resultados obtenidos por un modelo de IA con resultados reales, y ajustando el modelo para mejorar los resultados", dijo.

Ryohei Fujimaki

Probar la IA es particularmente importante, ya que un algoritmo que funcionó en el laboratorio podría no funcionar tan bien una vez que se haya puesto en producción. "La IA se trata de prueba y error, por lo que muchas veces lo que parecía una buena idea [al principio] tiene poco valor en el mundo real", dijo el Dr. Ryohei Fujimaki, fundador y CEO de DotData. "Es por eso que la iteración rápida con la automatización es clave". Para hacer frente a este desafío, Fujimaki hizo hincapié en la importancia de poder volver a entrenar el modelo de IA.

Hay casos en que los problemas con las decisiones de la IA no se revelan hasta mucho después de que el sistema se haya puesto en producción. "Uno de los mayores problemas radica en el área de sesgo en los algoritmos", afirmó Pulapaka. "Cualquier dato expuesto por los seres humanos contiene un sesgo que cambia los resultados". Las pruebas y el reentrenamiento continuos pueden ayudar a eliminar tales configuraciones erróneas

5. Automatización del desarrollo de IA

Las pruebas y el reentrenamiento de modelos de IA, así como la limpieza de datos y la extracción de características, son procesos que requieren mucho tiempo. Para resolver esto, los expertos en inteligencia artificial toman prestado de las operaciones de desarrollo que son comunes en el desarrollo de software y automatizan los procesos. "DevOps se enfoca en la entrega continua al aprovechar los recursos de TI a pedido y al automatizar la prueba y la implementación del código", dijo Chris Bergh, CEO de DataKitchen, un proveedor de consultoría y plataforma. "DataOps (las operaciones de datos) trae estas mismas mejoras al análisis de datos", dijo.

Chris Bergh

En términos simples, DataOps se trata de automatizar cada paso de la secuencia de capacitación y desarrollo de IA al abordar los problemas rápidamente y desde el principio.

"DataOps detecta problemas al principio del ciclo de vida de los datos mediante la implementación de pruebas en cada etapa de la secuencia", continuó Bergh. "Si se produce una anomalía, el equipo de análisis de datos será el primero en saberlo a través de una alerta automatizada". Como propuso Wong, el aprendizaje automático se puede utilizar en este proceso para detectar anomalías.

Terminando

Si bien la IA puede transformar cualquier negocio, es una tecnología emergente que a menudo puede encontrar expectativas irracionales o crear problemas que se subestiman. Los CIO deben tener las expectativas correctas de lo que IA puede hacer y comprender los problemas relacionados con la implementación y el mantenimiento de un proyecto de IA para transformar adecuadamente su empresa en un negocio alimentado por IA. 

Profundice más

Inicie la conversación

Envíenme notificaciones cuando otros miembros comenten sobre este artículo.

Por favor cree un Nombre de usuario para poder comentar.

- ANUNCIOS POR GOOGLE

Close