peshkov - stock.adobe.com

Evaluar Conozca los pros y contras de las tecnologías, productos y proyectos que está considerando.

Cinco tips sobre cómo elegir los casos de uso correctos de IA

Es posible que las empresas aún no estén listas para lanzarse a la IA, por lo que comenzar con proyectos individuales puede ser un buen lugar para comenzar. ¿Qué deben buscar los CIO en los proyectos de IA en etapa inicial?

Google fue uno de los pioneros en el uso de inteligencia artificial, y las inversiones dieron sus frutos y la compañía duplicó sus ingresos netos año tras año después de solo un corto período de tiempo. Hoy en día, muchas empresas buscan unirse a la revolución de la IA. Genesys predijo que el 60% de las empresas estadounidenses utilizarán IA para 2022, y la razón de esto es simple: no solo han visto los resultados, sino que el miedo a perder el mercado frente a competidores impulsados ​​por IA es una fuente poderosa.

Sin embargo, los casos de uso de IA no deben abordarse sin descanso. Como explicó Arijit Sengupta, CEO y fundador de la herramienta automatizada de aprendizaje automático Aible y uno de los arquitectos originales de Salesforce Einstein: "Puede ser muy difícil proporcionar estadísticas para demostrar la efectividad de la IA en los negocios porque la gran mayoría de los proyectos de IA están fracasando. En 2018, la firma de investigación de la industria Gartner estimó que el 85% de los proyectos de IA no funcionarán para los CIO. La IA tiene un potencial tremendo, pero la forma en que la mayoría de la IA se entrena hoy está fallando para los negocios".

A continuación, discutimos las formas correctas en que los CIO deben abordar sus casos de uso y estrategia de IA para tener éxito. Hemos entrevistado a decenas de expertos en inteligencia artificial y estamos compartiendo sus experiencias prácticas ganadas con tanto esfuerzo, que generalmente no se encuentran en línea.

Todo se trata de los datos

Es bien sabido que la IA se alimenta de datos, pero la importancia de los datos a menudo se subestima.

Arijit Sengupta.

"El alcance y la escala del problema de los datos en la IA es mucho mayor de lo que la mayoría de la gente cree", explicó Jen Snell, vicepresidente de Verint, una empresa de desarrollo de chatbot. "Muchas organizaciones se encuentran con problemas con sus proyectos debido a los datos, desde la calidad de los datos hasta la gestión y el manejo de los datos para obtener información significativa, el etiquetado y la construcción de modelos", dijo. "Al principio, parece fácil, pero a medida que busca crecer a escala, cambiar modelos, administrar y garantizar el control del sistema, se vuelve complicado".

Jen Snell.

Snell compartió una estadística dolorosa: Mientras que el 59% de los ejecutivos cree que la IA podría mejorar el uso de big data, el 85% de los proyectos de big data o IA fracasan. "Teníamos un sentido para eso hace más de 15 años, y nos tomó algunos años de trabajo con clientes y datos del mundo real para saber qué tan extendido y sistémico es el problema".

Aaron Edell.

Por lo tanto, tener datos confiables y limpios es imperativo para la transformación de la IA, incluso más que el algoritmo de IA. "Aprendí que ajustar los algoritmos y las matemáticas de un modelo dado produce muy pocas mejoras. El mayor impulso a la precisión que puede obtener es a partir de datos de entrenamiento buenos y limpios", dijo Aaron Edell, director de IA aplicada en Veritone, una tecnología de IA y proveedor de soluciones. "Tener una estrategia de adquisición de datos desde el principio es la clave del éxito en el aprendizaje automático, algo que desearía haber sabido desde el principio".

La forma de obtener los datos también es fundamental para los casos de uso de IA. Si bien la compra de datos de fuentes externas puede ayudarlo a despegar, no es suficiente para mantener su negocio en funcionamiento porque la IA no comprende lo que hace y solo será tan buena como los datos que se le proporcionen. Edell descubrió esto de la manera más difícil cuando trabajaba en modelos entrenados genéricamente. "Un modelo de reconocimiento de celebridades entrenado con un millón de 'celebridades' tendrá un desempeño pobre en casos de uso de la vida real porque no fue entrenado en los datos con los que se supone que debe ejecutarse", dijo. "Si intento informar con qué frecuencia y durante cuánto tiempo aparece Jennifer Aniston en cada episodio de Friends, aplicar un modelo que fue entrenado en fotografías de ella en la alfombra roja en los Oscar no funcionará tan bien como un modelo entrenado en capturas de pantalla de episodios reales de Friends".

Cada empresa puede necesitar su propia IA ajustada que sea específica para su negocio. Esto conducirá a algoritmos más eficientes a largo plazo que generarán mayores ingresos, menores costos y clientes más felices.

Elija el punto de partida correcto

Una transformación exitosa de la IA es un cambio que lo abarca todo. No se trata solo de los cambios tecnológicos, sino también de los cambios culturales y la resistencia que enfrenta el personal. Por lo tanto, los CIO deben planificar el éxito desde el primer bloque.

Lyle Ball.

Metódicamente, al elegir los casos de uso de IA, es mejor "mirar primero a la fruta más baja", como lo describió Lyle Ball, director ejecutivo de la empresa de automatización del espacio de trabajo Avii. "Encuentre las tareas altamente repetitivas en las que participan personas y, en su lugar, haga que un sistema realice esas funciones".

Shridhar Marri.

Sin embargo, en lo que respecta al proceso, es mejor comenzar primero con cualquier cosa dirigida al consumidor. "Los clientes esperan un servicio contextual y personalizado en un canal de su elección", explicó Shridhar Marri, director ejecutivo de Senseforth, un proveedor de soluciones de chatbot con tecnología de inteligencia artificial. "El espectro completo de adquisición, participación y apoyo de los clientes es una dimensión clave que está siendo transformada por las tecnologías de IA".

Las ganancias y la satisfacción derivadas de las mejoras en los servicios al cliente también lo ayudan a demostrar el valor de la transformación de la IA, especialmente cuando se enfrenta a la resistencia de los colegas y el personal. "Eso ayuda a abrir la puerta a otros usos", resumió Ball.

Después de la experiencia del cliente, la sugerencia de Marri es ir tras aumentar la eficiencia operativa y reducir los costos.

Hay que tener cuidado de no confundir la transformación de la IA con la transformación digital. A veces, incluso las herramientas de automatización no basadas en IA son suficientes para el trabajo. Antes de apresurarse a la IA, se debe realizar una investigación adecuada para ver si un proyecto de IA es la mejor manera de avanzar. Jonathan Duarte, quien creó chatbots basados ​​en inteligencia artificial para empresas como Wells Fargo, compartió su experiencia. "En un proyecto en el que entré para liderar el desarrollo, el plan del proyecto ya estaba creado, pero se hizo poca investigación de los clientes antes del inicio del proyecto", dijo. "En este caso, para cuando se diseñó el chatbot, los usuarios ya habían descubierto una solución que, aunque no era infinitamente escalable, era tan poderosa como la herramienta de inteligencia artificial".

Prepárese para el cambio cultural

No es suficiente centrarse únicamente en los aspectos tecnológicos de una transformación de la IA. Irónicamente, aunque parece que la IA se trata de reemplazar a los humanos, hemos aprendido más sobre el valor de la fuerza laboral humana en los últimos años.

Chris Nicholson.

Chris Nicholson, CEO y cofundador de Skymind, que proporciona una infraestructura de inteligencia artificial para permitir el aprendizaje automático a escala, destacó la importancia de contar con la aceptación y la cooperación de sus colegas. "Su equipo probablemente utilizará la solución de inteligencia artificial que planea introducir, y si no la aceptan, entonces no será buena", dijo.

Además, es probable que el equipo participe en la producción o verificación de los datos que necesitará para la solución de IA y, si no respaldan su paso a la automatización, no obtendrá buenos datos. "Es difícil comenzar con la IA, por lo que no hay razón para inventar dificultades adicionales", concluyó Nicholson.

Es un viaje

Un error que cometen los CIO al elegir casos de uso de IA es olvidar las características únicas de la IA. La inteligencia artificial es genial porque aprende, pero solo sabe lo que le ha enseñado. "Configurar un [caso de uso] de IA es un viaje, no un destino", explicó Marri. "Debe volver a capacitar constantemente su IA para mantenerla actualizada y utilizable. Un chatbot, por ejemplo, necesita aprender sobre las ofertas de sus nuevos productos o comprender las solicitudes nuevas e inesperadas de los consumidores para demostrar su utilidad".

Esta estrategia es utilizada por muchos que combinan la IA con la fuerza laboral: Los humanos se encargan de los casos extremos en los que la IA tiene problemas, no solo mejorando la UX, sino también creando nuevos datos para que la IA aprenda. Al mismo tiempo, la IA ayuda a levantar una gran parte del trabajo manual y repetitivo.

Conozca los límites

Tom Austin.

Si bien discutimos cómo comenzar con los casos de uso de IA y cómo hacerlo bien, también hay dificultades que debe tener en cuenta para garantizar que su proyecto tenga éxito y siga siendo exitoso. Tom Austin, director ejecutivo y fundador de The Analyst Syndicate, que es una comunidad de analistas independientes senior, señaló un ejemplo fatal. "No automatice el juicio humano como lo hicieron los diseñadores del sistema MCAS [Sistema de aumento de características de maniobra] en el Boeing 737 Max 8", dijo. "La IA no es inteligente, es un robot que puede hacer cosas que la gente no puede, pero no puede pensar".

Si bien estos ejemplos pueden parecer extremos, hay una lección importante que aprender: "No asuma que puede salirse con la suya culpando a la tecnología por cometer el error. Los seres humanos están y permanecerán al final de la cadena de responsabilidad", dijo Austin.

Investigue más sobre Estrategias y tips de gestión

Close