Construir el marco para la implementación de IA

Dirigir el alcance de la aplicabilidad de la IA, la forma en que se rigen los datos, así como los resultados deseados, son vitales para implementar la IA en toda la organización.

En el primero de tres artículos breves, hablé sobre cómo construir una estrategia para un negocio impulsado por la IA. En este segundo artículo, veremos cómo ir más allá de la estrategia, a un marco para la implementación.

Lo primero a decidir es cuán importante se desea ser. En su nivel más bajo, la inteligencia artificial (IA) es altamente matemática, y es del dominio exclusivo de matemáticos y científicos de datos. Si una empresa quiere desarrollar un marco que esté operando con algoritmos fundamentales, entonces sus habilidades deberán ser proporcionales. Este enfoque en profundidad puede ser clave para una nueva área de diseño de productos. Podría ser en el desarrollo de fármacos, o en la industria manufacturera. Por ejemplo, Tesla y otros fabricantes de automóviles están trabajando en la conducción autónoma a nivel fundamental. Están innovando: la creación de nuevas técnicas que, con el tiempo, serán absorbidas en programas informáticos o en productos de terceros.

Existen muchos programas informáticos para IA que codifican todo tipo de algoritmos y aceleran el desarrollo (un buen ejemplo es Tensorflow de Google). Estos son ideales para los equipos de ciencia de datos e ingeniería que necesitan aplicar varios algoritmos de aprendizaje automático o redes neuronales de aprendizaje profundo desde los principios básicos.

Sin embargo, hay muchos dominios en los que ya se ha realizado el trabajo de desarrollo de IA. Notarás que hay un número significativo de startups que están tratando de aplicar la IA a problemas empresariales específicos. Por ejemplo, si necesitas detectar la pérdida de ingresos, examinar las solicitudes de trabajo o mejorar la planificación de la demanda, hay un negocio especializado que tiene como objetivo hacerlo por ti. El objetivo de la organización es tomar y aplicar esta IA a un modelo operativo modificado, con el fin de lograr el mejor resultado posible.

También hay un intermedio. El aprendizaje automático, o AutoML, elimina algunas de las actividades de ciencia de datos de bajo nivel en un intento por acelerar el desarrollo de soluciones de IA y aplicarla a problemas del mundo real.

Así que hay opciones. Por lo tanto, tiene sentido que las organizaciones consideren el alcance de la aplicabilidad de la IA y construyan el marco correspondiente. Esto puede extenderse desde la ciencia de datos de nivel básico hasta las aplicaciones de IA para un conjunto específico de requisitos. El marco debe incluir, y de hecho fomentar, la necesidad de adaptarse.

El mercado de IA todavía está en una etapa temprana. Hay cientos de nuevos participantes cada año. Por lo tanto, el marco debe incluir un medio acorde con dicha fluidez, a fin de añadir nuevos componentes de IA o reemplazarlos.

El marco también debe abordar los medios por los que puede crearse una base de confianza, es decir, los medios por los que los datos se rigen y gestionan a través de un entorno híbrido de computación centralizada, distribuida y descentralizada.

Gestión de resultados

La regla fundamental en la gestión de resultados es entender el problema que la IA busca resolver, y eso significa obtener un control claro de los efectos empresariales que podrían habilitarse como resultado. Sin embargo, tal vez más importante que esto es la necesidad de entender cómo reinventar una forma actual de trabajar, por lo que puede ser impulsada por la IA. Esto puede conducir a un producto o servicio fundamentalmente diferente.

Los resultados toman muchas formas:

• Las recomendaciones fuertemente personalizadas ayudan a aumentar la retención de clientes (por ejemplo, Netflix)
• La recomendación perfecta ayuda a promover las ventas cruzadas (por ejemplo, Amazon)
• La coincidencia de patrones puede prevenir el fraude mediante la identificación de anomalías, por ejemplo, en las actividades de adquisición, lo que resulta en protección de los ingresos
• La visión por computadora puede identificar productos con notorios problemas de calidad, lo que mejora la calidad del producto
• El análisis de datos de los sensores puede predecir puntos de falla en la maquinaria, que a su vez se pueden utilizar para optimizar los horarios de mantenimiento, aumentando así el tiempo de los activos
• Un chatbot puede responder eficazmente a consultas de clientes en una interacción positiva de autoservicio, aumentando la satisfacción y retención de los clientes

Para gestionar eficazmente los resultados de la IA, es importante comprender el impacto más amplio causado en el negocio. Cuantificar es clave: ser capaz de calibrar el impacto en las ventas (crecimiento de ingresos), los costos variables o el capital de trabajo eleva el impacto de la IA al nivel de las métricas de C-Suite.

En el tercer y último artículo de esta serie, haremos un recuento y consideraremos cómo implementar la estrategia y el marco que hemos descrito hasta ahora.

Te invitamos a descargar TechnoVision 2020: Pensamiento futuro simplificado de Capgemini, un informe que ayuda a los ejecutivos de negocios a anticipar y evaluar las tecnologías emergentes como parte de su creación de estrategias.

Lee también otros blogs de esta serie:

• Creación de una estrategia empresarial de IA
• Implementación de una estrategia y un marco de IA

Lee Beardmore ha pasado más de dos décadas brindando asesoría a clientes sobre las mejores estrategias para la adopción de la tecnología. Más recientemente, ha liderado la impulsión de la IA y la automatización inteligente para los servicios de negocios de Capgemini. Lee es un científico informático por la educación, un tecnólogo de corazón, y tiene gran experiencia multisectorial.