Mejorar es retarse: los desafíos de integrar soluciones de Inteligencia Artificial

El desarrollo de la Inteligencia Artificial en el sector empresarial tiene un crecimiento indudable, con innovaciones como el deep learning convirtiéndose en la fuerza de vanguardia en muchas industrias.

Según estadísticas publicadas por Semrush, las proyecciones de crecimiento anual del sector entre 2020 y 2027 son de 33.2%, con la falta de staff experimentado para atender la demanda como la mayor limitante del crecimiento del mercado. Esta misma fuente asegura que la Inteligencia Artificial también se proyecta como responsable de un incremento del 26% ($15.7 trillones) en el GDP global para 2030, producto de incrementos de un 40% de rentabilidad y 60% en consumo, como consecuencia de las diversas implementaciones de Inteligencia Artificial y Machine Learning.

Esta inyección masiva de fuerza y productividad al mercado no sucede en vano: hasta en el contexto de la pandemia, el uso de IA ha ayudado en tareas que van desde el descubrimiento de nuevos tratamientos hasta diagnosticar las redes de riesgo en situaciones de contagios masivos, o coordinar servicios de entregas de los que dependen servicios esenciales.

Aún así, es importante notar que la integración de las soluciones de IA todavía tiene una serie de retos importantes, por lo que queremos desarrollar un breve análisis de la mayoría de imprevistos que enfrentan las empresas que desean dar un salto hacia adelante.

Determinar el set de datos correcto

Los sistemas de Inteligencia Artificial dependen de la base de un flujo de datos de calidad, por lo que la una correcta implementación de una solución de IA debe empezar con un criterio de selección sólido a la hora de determinar los datasets a utilizar.

Para mejorar la toma de decisiones y proceso de aprendizaje de la IA, es importante identificar la información correcta con el acompañamiento de expertos en el área, que permita crear flujos y acercamientos que habiliten experiencias digitales transformativas que respondan y generen los resultados deseados.

Seguridad y almacenamiento de datos

La mayoría de aplicaciones de IA usan una cantidad masiva de datos para aprender y tomar decisiones inteligentes, lo que tiende a crear un problema de almacenamiento para los negocios conforme el volumen de sus datos crecen.

Además, la automatización de las operaciones de negocios basadas en datos puede crear problemas de seguridad de información, ya que muchos procesos de Machine Learning dependen del acceso a datos que podrían ser considerados información privada o sensible.

Si los negocios desean implementar modelos de Inteligencia Artificial en sus organizaciones, es crítico que inviertan en soluciones de manejo de datos correctas para sus necesidades. Esto es esencial no sólo para ofrecer un sistema de seguridad competente, sino también para simplificar el acceso a información de dichos proyectos en el corto, mediano y largo plazo.

El apoyo del liderazgo ejecutivo

Para adoptar la Inteligencia Artificial como parte de una organización, el apoyo del liderazgo ejecutivo debe ser sólido en todos los niveles del modelo de negocio, siendo conscientes de la transformación implícita, vital para el crecimiento de una organización contemporánea.

La implementación de IA es complicada y la mayoría de organizaciones interesadas en montarse al tren todavía no saben por dónde empezar. Identificar casos de negocio para aplicaciones de IA requiere de que los gerentes tengan una comprensión sólida del estado actual de estas tecnologías y sus limitaciones, por lo que puede ser complicado identificar cuáles son las áreas en las que pueden trabajar desde su nicho.

Por otro lado, los líderes de las empresas tienden a subestimar los requerimientos de una implementación de IA, ya que aunque se necesita de tecnología de punta y experiencia en el área, también es igualmente importante alinear la cultura y estructura de una organización con la integración de la inteligencia artificial.

Parcialidad (y por ende el error humano)

Uno de los problemas más discutidos sobre la inteligencia artificial es la parcialidad, un fenómeno inherente a la naturaleza humana, resultado de la visión inevitablemente limitada que tenemos los individuos. Esta parcialidad puede resultar amplificada por la inteligencia artificial en maneras poco o nada convenientes.

Los sistemas de IA no resultan naturalmente prejuiciados hacia las mujeres o diversidades étnicas, sino que están programados para tomar decisiones sobre los datos que les son alimentados. No tienen sus propias opiniones pero aprenden de las opiniones de otros y ahí es donde nace la parcialidad.

Por ejemplo: Amazon dejó de usar un algoritmo de contratación luego de percatarse que favorecía a aplicantes que utilizaban palabras como “executed” o “captured”, mucho más habituales en los perfiles de aplicantes masculinos.

Condiciones de parcialidad que podrían permanecer ocultas a simple vista pueden terminar causando resultados antiéticos e injustos, probablemente dando raíz a problemas cuando sean descubiertos. En el futuro, la parcialidad será un problema cada vez mayor ya que la mayoría de sistemas de IA siguen siendo alimentados con malos datos.

Por esto mismo es importantísimo tener este riesgo presente, y entender a lo largo de nuestras organizaciones la importancia de crear sets de datos que funcionen para entrenar algoritmos transparentes y libres de parcialidad.

Entonces, si queremos saltar hacia el futuro…

Necesitamos familiarizarnos con la inteligencia artificial y su funcionamiento, para adaptar la manera en la que vivimos y producimos, a modelos que nos pueden ayudar a trabajar de manera más barata, eficiente e imparcial.

Con los estándares correctos en el entrenamiento de datos podemos evadir la ineficiencia y parcialidad para crear sistemas justos y útiles, trayendo a la mesa las habilidades de cooperación, intercambio de información, aprendizaje y toma de decisiones que definen el éxito dentro de las organizaciones.

 

 

El desarrollo de la Inteligencia Artificial en el sector empresarial tiene un crecimiento indudable, con innovaciones como el deep learning convirtiéndose en la fuerza de vanguardia en muchas industrias.

Según estadísticas publicadas por Semrush, las proyecciones de crecimiento anual del sector entre 2020 y 2027 son de 33.2%, con la falta de staff experimentado para atender la demanda como la mayor limitante del crecimiento del mercado. Esta misma fuente asegura que la Inteligencia Artificial también se proyecta como responsable de un incremento del 26% ($15.7 trillones) en el GDP global para 2030, producto de incrementos de un 40% de rentabilidad y 60% en consumo, como consecuencia de las diversas implementaciones de Inteligencia Artificial y Machine Learning.

Esta inyección masiva de fuerza y productividad al mercado no sucede en vano: hasta en el contexto de la pandemia, el uso de IA ha ayudado en tareas que van desde el descubrimiento de nuevos tratamientos hasta diagnosticar las redes de riesgo en situaciones de contagios masivos, o coordinar servicios de entregas de los que dependen servicios esenciales.

Aún así, es importante notar que la integración de las soluciones de IA todavía tiene una serie de retos importantes, por lo que queremos desarrollar un breve análisis de la mayoría de imprevistos que enfrentan las empresas que desean dar un salto hacia adelante.

Determinar el set de datos correcto

Los sistemas de Inteligencia Artificial dependen de la base de un flujo de datos de calidad, por lo que la una correcta implementación de una solución de IA debe empezar con un criterio de selección sólido a la hora de determinar los datasets a utilizar.

Para mejorar la toma de decisiones y proceso de aprendizaje de la IA, es importante identificar la información correcta con el acompañamiento de expertos en el área, que permita crear flujos y acercamientos que habiliten experiencias digitales transformativas que respondan y generen los resultados deseados.

Seguridad y almacenamiento de datos

La mayoría de aplicaciones de IA usan una cantidad masiva de datos para aprender y tomar decisiones inteligentes, lo que tiende a crear un problema de almacenamiento para los negocios conforme el volumen de sus datos crecen.

Además, la automatización de las operaciones de negocios basadas en datos puede crear problemas de seguridad de información, ya que muchos procesos de Machine Learning dependen del acceso a datos que podrían ser considerados información privada o sensible.

Si los negocios desean implementar modelos de Inteligencia Artificial en sus organizaciones, es crítico que inviertan en soluciones de manejo de datos correctas para sus necesidades. Esto es esencial no sólo para ofrecer un sistema de seguridad competente, sino también para simplificar el acceso a información de dichos proyectos en el corto, mediano y largo plazo.

El apoyo del liderazgo ejecutivo

Para adoptar la Inteligencia Artificial como parte de una organización, el apoyo del liderazgo ejecutivo debe ser sólido en todos los niveles del modelo de negocio, siendo conscientes de la transformación implícita, vital para el crecimiento de una organización contemporánea.

La implementación de IA es complicada y la mayoría de organizaciones interesadas en montarse al tren todavía no saben por dónde empezar. Identificar casos de negocio para aplicaciones de IA requiere de que los gerentes tengan una comprensión sólida del estado actual de estas tecnologías y sus limitaciones, por lo que puede ser complicado identificar cuáles son las áreas en las que pueden trabajar desde su nicho.

Por otro lado, los líderes de las empresas tienden a subestimar los requerimientos de una implementación de IA, ya que aunque se necesita de tecnología de punta y experiencia en el área, también es igualmente importante alinear la cultura y estructura de una organización con la integración de la inteligencia artificial.

Parcialidad (y por ende el error humano)

Uno de los problemas más discutidos sobre la inteligencia artificial es la parcialidad, un fenómeno inherente a la naturaleza humana, resultado de la visión inevitablemente limitada que tenemos los individuos. Esta parcialidad puede resultar amplificada por la inteligencia artificial en maneras poco o nada convenientes.

Los sistemas de IA no resultan naturalmente prejuiciados hacia las mujeres o diversidades étnicas, sino que están programados para tomar decisiones sobre los datos que les son alimentados. No tienen sus propias opiniones pero aprenden de las opiniones de otros y ahí es donde nace la parcialidad.

Por ejemplo: Amazon dejó de usar un algoritmo de contratación luego de percatarse que favorecía a aplicantes que utilizaban palabras como “executed” o “captured”, mucho más habituales en los perfiles de aplicantes masculinos.

Condiciones de parcialidad que podrían permanecer ocultas a simple vista pueden terminar causando resultados antiéticos e injustos, probablemente dando raíz a problemas cuando sean descubiertos. En el futuro, la parcialidad será un problema cada vez mayor ya que la mayoría de sistemas de IA siguen siendo alimentados con malos datos.

Por esto mismo es importantísimo tener este riesgo presente, y entender a lo largo de nuestras organizaciones la importancia de crear sets de datos que funcionen para entrenar algoritmos transparentes y libres de parcialidad.

Entonces, si queremos saltar hacia el futuro…

Necesitamos familiarizarnos con la inteligencia artificial y su funcionamiento, para adaptar la manera en la que vivimos y producimos, a modelos que nos pueden ayudar a trabajar de manera más barata, eficiente e imparcial.

Con los estándares correctos en el entrenamiento de datos podemos evadir la ineficiencia y parcialidad para crear sistemas justos y útiles, trayendo a la mesa las habilidades de cooperación, intercambio de información, aprendizaje y toma de decisiones que definen el éxito dentro de las organizaciones.