Por Rafael R.
Páez Yrigoyen, cofundador de Gesta Labs y vAIsor
Mail:
rafael@gestalabs.com
Vamos a ser
sinceros: nadie va a implementar inteligencia artificial en su negocio si no lo
hace a través de un sólido caso de uso que tenga potencial para ser escalado y
con un claro retorno de inversión en la organización. La realidad es que es
irresponsable hacer proyectos de implementación tecnológica sin parámetros ni
un objetivo claramente definido.
Incluso, puedo
decir que un proyecto de transformación tecnológica que no tiene resultados
económicos, es un proyecto que no fue correctamente elegido.
Hace poco, un
empresario me decía muy claro que a los tomadores de decisión del negocio lo
que realmente les importa es que la ciencia de datos impacte en la
organización, no que los equipos hagan mucha analítica avanzada. Esto es
completamente cierto. Al final, la Inteligencia Artificial -o cualquier otra
tecnología emergente- es un medio, no un fin en sí, y debe usarse para obtener
beneficios para el negocio.
Ahora las
empresas que experimentan con esta tecnología están tratando de encontrar la
manera de mejorar el ROI que obtienen en sus proyectos. Es importante lograrlo
de forma rápida y, desde nuestra experiencia, hemos visto algunas malas
prácticas que son recurrentes en quienes aún no tienen el mejor resultado. Más
vale tenerla en cuenta para comenzar a darle la vuelta a la situación.
Lo primero que
debemos hacer es preguntarnos si estamos eligiendo el caso de uso adecuado para
nuestro negocio. Recordemos que cada empresa tiene problemáticas y procesos
peculiares, y es clave entender todos los elementos del problema para definir
si la inteligencia artificial es la mejor herramienta para resolverlo. Por
ejemplo: ¿el problema admite algún margen de error? ¿tengo datos históricos
suficientes en cantidad y calidad para entrenar algún algoritmo? ¿estoy
calculando el impacto económico del problema a resolver, así como la frecuencia
con la que sucede?
Y de aquí se
desprenden otros factores, como el hecho de que los modelos no sean lo
suficientemente precisos. Algo que es muy común cuando se busca transitar de
una fase piloto a una implementación a escala porque muchas veces desestimamos
esas condiciones en las que se desarrollará el modelo —variabilidad de la data,
procesos de recolección de información, calidad de los datos, etc—.
Otros
problemas que llegan a suceder tienen que ver con el entendimiento de los
resultados de los modelos. Es importante que las herramientas que se usen de IA
sean didácticas y tener la capacidad de interpretarlas. La IA no es una caja
negra a la que le arrojas datos y te devuelve eficiencias y ahorros para el
negocio.
Es importante
que consideres esto para que pongas cualquier proyecto de IA en su justa
dimensión y tengas la paciencia para desarrollarlo. Recuerda que un proyecto
con esta tecnología no es similar a cualquier implementación de TI, sino que se
parece más a un proyecto de Investigación y Desarrollo que tiene una alta carga
de incertidumbre. Es clave lidiar con ella para evitar cualquier frustración.