La IA se une a la ingeniería analítica: Madurez de la IA para procesos

Empresas de todos los sectores y especialidades sienten la necesidad de adentrarse de lleno en el mundo de la IA, incluyendo la ingeniería analítica. Las oportunidades son reales y prometedoras, pero las organizaciones que buscan aprovecharlas al máximo deben implementar su estructura de procesos de forma reflexiva y realista, en función de su nivel de madurez en IA. Veamos cómo.

Niveles de madurez de la IA

Al describir la complejidad de la IA que se está utilizando, los niveles de madurez de la IA resultan útiles como un marco de referencia sencillo y clarificador.

Nivel 1: Inteligencia asistida (automatización): Automatización básica de tareas y flujos de trabajo repetitivos. Ejemplos: chatbots con respuestas predefinidas, rastreadores web, herramientas de búsqueda interna.

Nivel 2: Inteligencia aumentada (análisis guiado): Se le indica a la IA el método o modelo y qué analizar, y ella se encarga del resto. Ejemplos: algoritmos de puja publicitaria, resumidores de contenido.

Nivel 3: Inteligencia Autónoma (IA de Autoaprendizaje): La IA selecciona métodos, encuentra patrones y ofrece recomendaciones. Ejemplos: coches autónomos, vehículos autónomos robots de negociación de acciones.

Presión sobre la “IA”

Por supuesto, hoy en día existe mucha presión por "estar en el nivel 3". Pero eso depende en gran medida de los recursos, activos, capacidades clave, conocimientos y personal de tu empresa. El mejor enfoque es empezar donde tenga sentido, incluso si es en el nivel 1.

En este momento, existen millones de artículos en línea que te bombardean con ideas para la IA. Pero las ideas no son suficientes para generar ingresos. Según Adobe, solo 12% Actualmente, muchas empresas cuentan con soluciones de IA funcionales que demuestran un claro retorno de la inversión. Sin embargo, la mayoría aún se encuentran en fases piloto, evaluando su eficacia o enfrentando dificultades para escalar sus iniciativas de IA. Muchos equipos tienen problemas para identificar dónde integrar la IA de forma significativa en sus flujos de trabajo, e incluso cuando se identifica un caso de uso, muchas organizaciones carecen de las capacidades internas para desarrollar herramientas de IA personalizadas o encontrar soluciones externas confiables.

Centrémonos en aplicaciones realistas. Existen excelentes maneras de integrar gradualmente el uso de la IA en elementos prácticos del trabajo para los líderes que estén preparados para escalar de forma responsable.

¿Qué se puede automatizar al crear análisis para un producto de comercio electrónico/SaaS?

En mi opinión, existen dos procesos comunes dentro de los equipos de ingeniería analítica exitosos que son excelentes candidatos para desarrollar la madurez de la IA:

1. Inteligencia artificial para la gestión del conocimiento y la incorporación de personal
2. IA para la automatización de control de calidad y auditoría

1. Inteligencia artificial para la gestión del conocimiento y la incorporación de personal

La documentación es una herramienta clave para el seguimiento de sistemas complejos. Según el Marco de Procesos, el SDR (Documento de Referencia de Diseño de la Solución) debe documentar cada uno de los cinco pasos. Podría tener el siguiente aspecto:

• Proceso #1: Documentar los resultados esperados.
• Proceso n.º 2: Seguimiento de las historias clave de recopilación de datos que se revisan periódicamente.
• Proceso n.° 3: Registrar el historial de requisitos de datos de terceros interesados ​​en tecnología.
• Proceso n.° 4: Detallar la capa de datos en todas las aplicaciones y superficies.
• Proceso #5: Describir y detallar la arquitectura de ingeniería con diagramas, jerarquías y requisitos.

Ahora, agreguemos algo de inteligencia artificial a esto.

Nivel 1

En el nivel 1, puedes comenzar a utilizar chatbots internos de IA para la recuperación de documentos.

Muchas empresas ya cuentan con chatbots internos que pueden entrenarse con documentación confidencial. Si no dispone de un chatbot interno, puede usar el modo incógnito o redactar la documentación antes de enviársela al bot.

Alimenta a tu bot con tus SDR, manuales de control de calidad, convenciones de nomenclatura y estándares de implementación.

Tras un lanzamiento exitoso, ingrese las notas de su proyecto de IA o los planes de implementación para agregarlos a la documentación. Luego, hágale a la IA las siguientes preguntas:

• “¿Cuál es el mejor método para implementar X si quiero usar la misma lógica que en Y?”
• ¿Qué datos es necesario recopilar para el seguimiento de las compras?
• ¿Qué etiquetas faltan en esta nueva página de producto?

El resultado de este proceso es que se dedica menos tiempo a leer documentos por encima o a contactar con compañeros de trabajo, los nuevos miembros del equipo pueden encontrar respuestas por sí mismos y el conocimiento tácito se vuelve escalable.

Hay algunas salvedades. Este método funciona bien si se mantiene una buena documentación actualizada, y solo se vuelve escalable si se capacita al personal y se les exige que utilicen la herramienta.

Nivel 2

Si esto funciona para tu departamento, considera la posibilidad de ampliarlo conectando tu chatbot directamente a tu infraestructura tecnológica. Puedes automatizar la automatización.

Nivel 3

Estoy seguro de que las posibilidades son infinitas. Yo me centraría en crear una IA proactiva que detecte inconsistencias y proponga mejoras. La realidad es que pocas empresas están alcanzando este nivel, y escribo este artículo para la mayoría de nosotros, que aún estamos aprendiendo.

2. IA para la automatización de control de calidad y auditoría

Auditar periódicamente los métodos de recopilación de datos es una de las mejores prácticas del Marco de Procesos. Generalmente, el auditor será un equipo de control de calidad, o bien se puede utilizar una herramienta de auditoría. Por ejemplo, ObservePoint es una herramienta completa y altamente personalizable que permite crear flujos de auditoría muy complejos. Incluso con un robot, siempre se puede aprovechar la inteligencia artificial, ¿verdad?

Nivel 1

Comencemos automatizando los aspectos técnicos. Crear flujos de auditoría en herramientas como ObservePoint suele ser un proceso técnico que requiere bastante soporte. Para automatizar algunas de estas tareas técnicas repetitivas durante la creación de flujos de auditoría, puede recurrir a un chatbot de IA. Formule las siguientes preguntas a la IA:

“Dame el selector CSS para el botón “Siguiente paso”.

“Escriba código personalizado que acepte automáticamente todas las cookies.”

El resultado debería ser una mayor facilidad de uso al trabajar con herramientas altamente técnicas, una evaluación y resolución de problemas más rápidas y una menor dependencia del soporte y de los desarrolladores frontend.

Es importante tener en cuenta que, si no utilizas un robot rastreador para tus auditorías de datos, es posible que cuentes con un equipo de control de calidad. Este equipo puede considerar la automatización de los pasos comunes. Empieza poco a poco y ve aumentando la complejidad cuando estés listo; los siguientes pasos se aclararán una vez que des el primero.

Nivel 2

Para el uso de IA de nivel 2, considere integrar su chatbot directamente con la herramienta, evitando así las instrucciones manuales al chatbot.

Nivel 3

Por último, para el nivel 3, las posibilidades son infinitas. Descubre cómo puedes hacer que tus automatizaciones sean más proactivas a la hora de detectar mejoras y recomendar soluciones. Solo elige esta opción si te sientes cómodo trabajando en el nivel 2.

Qué no automatizar (todavía)

Consideremos la práctica recomendada n.° 3: Colaborar con socios tecnológicos externos. Esto es algo que los humanos aún hacen mejor. Se puede usar IA para preparar las reuniones con proveedores, resumir contratos o elaborar esquemas de integración. Pero, por ahora, la creación de relaciones sigue siendo una tarea humana.

Conclusión

Aunque no tengas presupuesto para el desarrollo de IA a medida, puedes empezar con las herramientas que ya tienes. Un buen proceso y un buen chatbot son fundamentales.

Empiecen con lo básico, con el nivel 1 o 2, y dejen que su equipo se familiarice con la herramienta. Una vez que vean dónde la IA ahorra tiempo y mejora la consistencia, sabrán dónde invertir en herramientas más avanzadas. Lo más difícil de adoptar la IA suele ser determinar dónde se necesita. Una vez que hayan establecido esa base, intenten avanzar un nivel con su equipo y verán cómo la ingeniería analítica impulsada por IA puede ser mucho más fluida.

¿Quieres aprender más sobre la IA en la ingeniería analítica y, más específicamente, sobre los mejores procesos para la recopilación de datos limpios? Consulta mi artículo sobre la creación de un Marco de datos de comercio electrónico limpio.