Enable javascript in your browser for better experience. Need to know to enable it? Go here.

Lente uno: Asociarse con la IA

 

Machine learning  (ML) y la inteligencia artificial (IA) siguen ganando adeptos en todos los sectores. Estamos viendo una rápida adopción en casos de uso que van desde la automatización de los procesos operativos cotidianos hasta el aumento de la toma de decisiones estratégicas. Al comprender mejor los respectivos puntos fuertes y las limitaciones de los seres humanos y las máquinas, las empresas pueden desarrollar asociaciones equilibradas y productivas entre su personal y la IA para extraer el máximo valor de las tecnologías emergentes, sin dejar de tener en cuenta las posibles implicaciones éticas.

 

A través del Looking Glass 

 

Para asociarnos realmente con la IA, no podemos verla como una herramienta para resolver todos los problemas empresariales. Por el contrario, debemos comprender dónde destaca, dónde requiere la intervención humana para desarrollar su potencial y dónde puede resultar ineficaz. 

 

Algunos problemas empresariales -por ejemplo, los que requieren el aprovechamiento de datos históricos o bucles de retroalimentación digital rápidos- pueden abordarse aplicando la IA para automatizar completamente los procesos o la toma de decisiones. Sin embargo, para otros -especialmente los que requieren creatividad, intuición y bucles de retroalimentación estratégica más lentos- el papel de la IA se estructura mejor como complemento del talento humano.

 

A medida que las técnicas apoyadas por la IA se generalizan, pueden afectar a más ámbitos de nuestra vida y sus repercusiones deben considerarse desde una perspectiva ética. Esto está impulsando la investigación y las herramientas para apoyar la IA explicable (XAI) y procesos de gobernanza más sólidos, incluido el cumplimiento automatizado.

 

 

Las señales incluyen:

 

  • Un aumento continuo de la inversión en investigación y aplicaciones de IA. La empresa de investigación IDC estima que el mercado mundial de la IA superará los US$500.000 millones en 2024.
     

  • Continúa la alta demanda de especialistas en ML, IA y datos en el mercado laboral. Según LinkedIn, el especialista en IA fue la categoría laboral de más rápido crecimiento en 2020, mientras que Glassdoor clasificó al científico de datos como el segundo mejor trabajo en Estados Unidos en 2021
     

  • Aumento del crecimiento de las empresas emergentes de ML/AI, productos especializados, salidas a bolsa y adquisiciones. En octubre de 2021, Exscientia -una empresa británica que puso los tres primeros medicamentos del mundo diseñados con IA en la fase uno de pruebas en humanos- salió a bolsa en el NASDAQ con una valoración de US$3.000 millones de dólares

  • Cambios en los puestos de trabajo y las funciones existentes. El Foro Económico Mundial estima que para el 2025, 85 millones de puestos de trabajo podrían verse desplazados por un cambio en la división del trabajo entre humanos y máquinas, mientras que podrían surgir 97 millones de nuevas funciones

     

  • La conciencia pública ha aumentado en situaciones en las que la IA ha tenido consecuencias no deseadas. Por ejemplo, el reconocimiento facial ha sido noticia en repetidas ocasiones debido a la preocupación por la privacidad, y se ha descubierto un sesgo racial en la IA de recorte de imágenes de Twitter. A pesar de ello, existe la preocupación de que el diseño ético de la IA no sea la norma en la próxima década

 

La oportunidad

 

La mayoría de las empresas entienden que la automatización puede mejorar la productividad de la mano de obra, al automatizar las tareas repetitivas, mundanas y de procesamiento de datos. Esto puede cambiar fundamentalmente o incluso eliminar la necesidad de algunos puestos de trabajo, pero también se crearán nuevas funciones en las que las personas se desplazan a actividades de mayor valor que requieren juicio y creatividad. Las áreas típicas que pueden beneficiarse de la automatización son los precios dinámicos, los sistemas de recomendación, la detección de anomalías y la optimización de la cadena de suministro.

 

En otros casos, el trabajo de los humanos se beneficiará del aumento de la IA/ML, con humanos y máquinas desempeñando funciones combinadas o complementarias. En estos casos se trata de problemas que requieren creatividad, intuición, experiencia y pensamiento holístico. Implican decisiones estratégicas importantes que no se toman con mucha frecuencia -por ejemplo, "¿Qué producto deberíamos vender a continuación?" o "¿Cómo podemos conseguir emisiones netas cero?" - pero pueden beneficiarse de que las máquinas ayuden a simular y explorar diferentes resultados o incluso a generar ideas que los humanos puedan evaluar después. Algunos ejemplos son el desarrollo de fármacos o productos basado en la IA y las simulaciones dinámicas para planificar escenarios complejos como el cambio climático. 

 

Todas estas aplicaciones demuestran cómo la IA puede aportar valor a toda la organización: mejorando las operaciones internas e informando de mejores decisiones empresariales, hasta la innovación de productos y la mejora de la experiencia del cliente.

Landscape view of Oslo with city lights and cloudy purple sky Landscape view of Oslo with city lights and cloudy purple sky

Lo que hemos visto

Forenom es un proveedor de apartamentos con servicios de rápido crecimiento que ofrece miles de habitaciones en las principales ciudades escandinavas. Más de 200.000 huéspedes se alojan en las instalaciones de Forenom cada año. Su equipo de gestión de ingresos tenía que invertir horas de trabajo manual para actualizar los precios en su antiguo sistema. Para mejorar la eficiencia operativa y maximizar los ingresos por habitación, sustituimos el antiguo sistema de precios por un modelo de aprendizaje por refuerzo en línea que implementa una estrategia de precios dinámica. La solución de IA supuso un aumento del 13% en los ingresos y demostró que la automatización de las decisiones operativas puede aportar importantes resultados empresariales.
Whisky distillery factory equipment in copper color and blurred background Whisky distillery factory equipment in copper color and blurred background

Lo que hemos visto

También hemos visto una asociación exitosa con la IA utilizando la creatividad computacional para la I+D de productos. Trabajamos con Mackmyra, una destilería sueca, para lanzar el primer whisky creado por IA, empleando el aprendizaje automático para crear cientos de recetas diferentes que el maestro mezclador humano podía elegir para producir. No se trataba de sustituir al maestro mezclador, sino de ayudarle a explorar toda la gama de posibilidades. El whisky fue generado por la IA, pero comisariado por un humano. Intelligens ha recibido numerosos premios, desde los trofeos Gold Label y Best International Malt Whisky del American Distilling Institute hasta el mundialmente conocido Cubo de Plata del ADC en diseño de producto.

Tendencias a seguir: Las tres principales

 

Adoptar

 

Operacionalizar la IA. En muchas empresas, la adopción de IA y ML está pasando de la experimentación a la producción, acercándose cada vez más al cliente. Además de desarrollar las capacidades técnicas para entrenar, desplegar y supervisar los sistemas de inteligencia artificial (como el CD4ML), también hay que tener en cuenta los procesos y las cuestiones operativas. En primer lugar, el proceso de gobernanza para desplegar la IA y el ML debe tener en cuenta las cuestiones de auditoría, explicabilidad, ética, parcialidad y equidad. En segundo lugar, la empresa debe estar dispuesta y preparada para adoptar las soluciones de IA y ML una vez que se hayan puesto en marcha, lo que podría requerir la gestión del cambio, especialmente cuando se vean afectadas las funciones.

 

Analizar

 

Online machine learning. Los modelos de Machine learning suelen entrenarse como una actividad por lotes fuera de línea, realizada sobre un conjunto de datos estático que no evoluciona con el tiempo. La necesidad de volver a entrenar los modelos con mayor frecuencia se agrava cuando los propios datos cambian a gran velocidad. Las técnicas de aprendizaje automático en línea permiten que las soluciones aprendan continuamente en función de la llegada secuencial de datos. El aprendizaje por refuerzo es un ejemplo de este tipo de técnicas, que dependen menos de los datos históricos y se están aplicando en áreas como la colocación de contenidos, la personalización y los precios dinámicos.

 

Anticipar 

 

Inferencia causal para el ML. Muchas técnicas de aprendizaje automático utilizan métodos estadísticos para aprender, encontrando correlaciones entre variables. Esto funciona bien cuando los datos utilizados para la inferencia no han cambiado mucho con respecto a los datos de entrenamiento. Sin embargo, la correlación no implica causalidad. La inferencia causal estudia técnicas para establecer relaciones de causa y efecto entre los datos de entrada y los resultados. Si los modelos de aprendizaje automático pueden aprender relaciones causales, se vuelven más aplicables en general y requieren menos datos de entrenamiento para funcionar bien. Estamos empezando a ver investigaciones que intentan aplicar el ML basado en la inferencia causal a problemas del mundo real, especialmente en escenarios de diagnóstico médico.

Tendencias a seguir: La matriz completa

Adoptar
Las tecnologías que ya están aquí y que se aprovechan en el sector
  • Procesamiento del lenguaje natural
  • La IA como servicio
  • CD4ML
  • Prueba de algoritmos y aplicaciones de ML
  • Operacionalizar la IA
  • Plataformas de ML
Analizar
Las tecnologías que empiezan a ganar terreno, según el sector y el caso de uso
  • Visión artificial
  • Marcos éticos
  • ML/AI en el límite
  • IA explicable
  • Plataforma de negocios
  • Plataformas de datos descentralizadas
  • Aprendizaje automático en línea
  • Medios sintéticos en un contexto corporativo
Anticiparse
Aunque todavía no están maduras, estas tecnologías podrían tener un impacto en unos años
  • Código ético para el software
  • Ciudades inteligentes
  • Tecnología de vigilancia
  • Mercados de IA 
  • Robots autónomos
  • Vehículos autónomos

Consejos para adoptantes

 

  • Entender cuándo utilizar la automatización frente al aumento. Hay procesos o funciones que la IA y el ML pueden automatizar completamente, y otros en los que pueden ayudar a los humanos a tomar mejores decisiones, y es fundamental entender la diferencia.

     

  • Operacionalizar los experimentos de IA, adoptando un enfoque holístico. Considera la preparación de la empresa para la adopción y la gestión del cambio necesaria, y construye un sólido proceso técnico y de gobernanza para desplegar sus soluciones de IA/ML.

     

  • Considerar las implicaciones éticas de la IA/ML y tomarse la responsabilidad en serio en todo momento. La IA y el ML se están extendiendo a áreas complejas y delicadas, como la financiación, las sentencias y los diagnósticos médicos, donde el impacto de las decisiones puede tener consecuencias imprevistas. Ten en cuenta las posibles implicaciones desde el principio para evaluar y detectar cualquier problema antes de que sea demasiado tarde.

     

  • Prepara a tu personal para los cambios en sus funciones. No subestimes el esfuerzo necesario para apoyar y capacitar a los empleados que pueden verse afectados por el impacto de la IA en sus puestos de trabajo. La automatización puede liberarlos para que realicen tareas de mayor nivel, mientras que el aumento puede ayudarles a ser más productivos. Desarrolla planes claros de transición y progresión profesional para que crezcan y prosperen.

     

  • Elige tus KPI con cuidado. Comprende las métricas que está tratando de mover con la IA y el ML; mide el proceso actual para capturar su línea de base inicial; y utiliza los KPI para evaluar si la IA y el ML están proporcionando beneficios empresariales reales. Con los puntos de referencia adecuados, incluso si un enfoque particular de IA/ML no funciona, puede experimentar con diferentes técnicas para lograr el resultado deseado.

     

  • Invierte en prácticas sólidas de gobernanza y gestión de datos. Las técnicas de IA/ML siguen requiriendo el acceso a los datos, y si tus datos están divididos en silos y son de difícil acceso, el progreso será difícil. Considera dónde se encuentra la propiedad de los datos dentro de tu organización, ya que los problemas de calidad de los datos tienden a surgir de estructuras y arquitecturas organizativas que no incentivan a los equipos a producir y compartir los recursos de datos que tienen.

Para 2023, las empresas...

... entenderán que la IA no es el arte de tratar de forzar el valor de los datos históricos, sino el arte de crear nuevos datos y conocimientos interactuando con el mundo.
Jarno Kartela
Global Head of AI Advisory, Thoughtworks

Descarga el reporte completo