miércoles, 18 de abril de 2018

IA: ambientes culturales, tecnológicos y operativos que enfrentan las empresas



Por Gautam Shroff, Vicepresidente, Jefe Científico, Jefe de TCS Research y miembro del Consejo Tecnológico Corporativo de TCS.



Comúnmente, podemos preguntarnos por qué las empresas tradicionales no implementan la inteligencia artificial (IA) tan fácilmente o de forma tan prolífica como las empresas de economía de red. Existen varias razones detrás de esto, algunas son tecnológicas y otras son culturales.



En primer lugar, siempre existe la pregunta del caso de negocios para implementar cualquier cosa en una empresa. Por ejemplo, al implementar un nuevo sistema de nómina, alguien podría argumentar “actualmente le pagamos a personas que ya no están en la organización; el sistema nuevo bloquearía esas lagunas y nos ahorraríamos mucho dinero.”



En principio, alguien podría hacerlo para un nuevo sistema de administración de campañas que utiliza tecnologías IA para obtener un aprendizaje profundo. Este sistema podría revisar los datos previos y realizar un análisis retrospectivo para saber si es capaz de predecir si las personas a las que se les ofrecen descuentos realmente terminan siendo consumidores leales. Se podrían utilizar estas estadísticas para justificar la implementación en campo.



Desafortunadamente, la baja precisión y los falsos positivos que generalmente acompañan a dicho análisis retrospectivo no son lo suficientemente sólidos para convencer a las empresas de que alguien podría obtener una ganancia significativa al implementar sistemas predictivos en línea en campo. Por ejemplo, una proporción de falsos positivos de incluso 15% podría ser muy costosa para una empresa; otorgar tantas ofertas y descuentos no vale la pena cuando solamente 1% de la audiencia realmente se convierte en un cliente regular.



La cuestión es que todos los sistemas de IA primero necesitan implementarse para que puedan aprender continuamente de sus errores y mejorar. Pero el costo comercial de la implementación de sistemas de aprendizaje meramente para aprender no es tan fácil de justificar. Se requiere un cambio significativo en el modo de pensar de la empresa para que ésta pueda apreciar que la implementación de un sistema en un pequeño grupo de clientes y permitirle aprender, es la única forma de tener un sistema IA lo suficientemente preciso para que sea rentable y justificar su escalabilidad.



El siguiente gran reto es más fundamental. Supongamos que debemos concebir un sistema para publicidad conversacional. No existen datos históricos sobre cuál sistema analizar porque ¡nadie ha intentado crear un sistema de publicidad conversacional! Podríamos desarrollar un prototipo y analizarlo de forma interna, pero las proporciones de conversión o los números de valoración de dicho análisis, comúnmente, no inspirarían confianza, porque estos no son análisis “reales”.



Este es un clásico problema contrafáctico: no sabemos lo que podría haber pasado si hubiéramos implementado algo anteriormente porque, de hecho, nunca se analizó. Una vez más, la única forma de salir de esta cuestión es realmente implementar una iniciativa, permitirle aprender y mejorar y, después evaluar cómo se llevó a cabo. La desconfianza tradicional entre el área de IT y la comercial también se presenta en la forma de abordar los temas. Al mismo tiempo, también existe la falta de comprensión en la parte IT, así como la comercial en relación con lo que se requiere para realizar la experimentación de campo en un contexto IA.




Existen problemas operativos relacionados con la naturaleza de la tecnología y la Inteligencia Artificial. Existen tres escenarios en donde uno realmente puede implementar un sistema de IA predictivo. El primero es un sistema de control de bucle cerrado que controla el ambiente. Por ejemplo, un sistema que controla de forma inteligente el aire acondicionado de un edificio para mantener una temperatura óptima mientras minimiza la energía utilizada. Este sistema sabe cuándo existe un error, ya que su objetivo es mantener la temperatura en cierto rango mientras trata de reducir la energía que consume. En pocas palabras, sabe cuándo está mal y se puede autocorregir.



De forma similar, un sistema para mejorar una oferta podría implementarse para maximizar el número de conversiones otorgadas a un inventario de descuentos y ofertas previas. Esto se convertiría en una implementación de IA que se puede optimizar automáticamente utilizando diferentes técnicas como el “aprendizaje reforzado”. Si la empresa es susceptible a la experimentación comercial y lleva a cabo implementaciones de campo, dichos sistemas pueden trabajar bien y mejorar con el paso del tiempo.



El problema es que no muchos escenarios se prestan tan fácilmente para las soluciones de control de bucle cerrado. Comúnmente contamos con sistemas de IA de control de bucle abierto. Por ejemplo, consideren un sistema de preguntas y respuestas que le permita a los usuarios darles retroalimentación cuando piensen que su respuesta es incorrecta, al igual que un bucle cerrado. En este caso, necesitamos poner en práctica un flujo de trabajo humano para descifrar cuál sería la respuesta correcta para cada tipo de retroalimentación negativa, la cual posteriormente se puede utilizar para crear mejores datos de capacitación y mejorar el sistema con el paso del tiempo.



Esto requiere un cambio en la manera de pensar organizacional, es decir que la naturaleza de una implementación de IA necesita un soporte continuo para la recapacitación al ofrecer los marcadores adecuados. Las empresas tradicionales realmente no comprenden o aprecian el hecho de que dichos flujos de trabajo sean necesarios para implementar de forma exitosa y eficiente la mayoría de los sistemas IA.



Necesidad de protocolos de prueba



Para analizar y validar el trabajo del sistema, uno tendría que emplear verificadores, lo cual es igual de bueno que realizar la conversión de forma manual. Por otro lado, si únicamente se realizaran pruebas rápidas, podrían ocurrir errores costosos que incrementarían por siempre.



Uno realmente necesita seguir el protocolo calibrado; por ejemplo, tomar un recurso pequeño, pero de tamaño razonable y verificar manualmente que el sistema lo esté haciendo bien y, de no ser así, proporcionarle los datos correctos de capacitación para que lo pueda hacer mejor. Así que, usted incurre en este costo mientras prepara al sistema. Después, usted comienza a implementarlo en campo y a realizar pruebas rápidas inicialmente por un alto porcentaje del resultado.



Gradualmente, conforme uno confía más, las pruebas pueden reducirse en términos de porcentaje, mientras que el volumen de los datos que uno procesa es más y más grande. La idea de que usted necesita un protocolo de capacitación para implementar un sistema técnico también es nueva tanto para el área de TI de la empresa como para el negocio, y esto es algo que debe comprenderse.



Por lo tanto, existen varios motivos, algunos culturales, algunos tecnológicos y otros operativos que hasta ahora han evitado la implementación generalizada de IA en las empresas tradicionales; esto en comparación con la economía nueva, donde todo está en línea y fácil de procesar.

No hay comentarios.:

Publicar un comentario