La Inteligencia Artificial se Encuentra con la Ingeniería de Análisis: Madurez de la IA para el Proceso

Las empresas de todo tipo de industrias y especialidades están sintiendo la necesidad de sumergirse de cabeza en el mundo de la inteligencia artificial, y eso incluye la ingeniería de análisis. Las oportunidades son reales y emocionantes, pero las organizaciones que buscan aprovechar al máximo deben implementar su estructura de proceso de manera reflexiva y realista, basada en su madurez en la IA. Vamos a explorar cómo.

Niveles de Madurez de la IA

Al describir la complejidad de la IA que se utiliza, los niveles de madurez de la IA son útiles como un marco de referencia simple y aclaratorio.

Nivel 1: Inteligencia Asistida (Automatización): Automatización básica de tareas y flujos de trabajo repetitivos. Ejemplos: chatbots con respuestas fijas, herramientas de rastreo de sitios web, herramientas de búsqueda interna.

Nivel 2: Inteligencia Mejorada (Análisis Guiado): Usted le indica a la IA el método/modelo y qué analizar, y ella hace el resto. Ejemplos: algoritmos de oferta publicitaria, resúmenes de contenido.

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

Presión para “IA”

Por supuesto, hoy en día hay mucha presión para “estar en el nivel 3”. Pero eso depende en gran medida de los recursos, activos, capacidades centrales, conocimientos y personas de su empresa. El mejor enfoque es comenzar donde tenga sentido, incluso si es en el Nivel 1.

En este momento, hay millones de artículos en línea que lo bombardean con ideas para la IA. Pero las ideas no traen resultados. Según Adobe, solo 12% de las empresas tienen actualmente soluciones de IA que demuestran un ROI claro. La mayoría de estas aún se encuentran en fases de prueba, evaluando la efectividad o enfrentando desafíos para ampliar las iniciativas de IA. Muchos equipos luchan por identificar dónde se puede integrar la IA de manera significativa en sus flujos de trabajo y, incluso cuando se identifica un caso de uso, muchas organizaciones carecen de las capacidades internas para crear herramientas de IA personalizadas o encontrar soluciones externas confiables.

Vamos a centrarnos en aplicaciones realistas. Hay excelentes formas de desarrollar un uso gradual de la IA en elementos realistas del trabajo para los líderes que están listos para ampliar responsablemente.

¿Qué se puede automatizar cuando se crea análisis para un producto de comercio electrónico/SaaS?

En mi opinión, hay dos procesos comunes dentro de los equipos de ingeniería de análisis exitosos que son excelentes candidatos para construir la madurez de la IA:

1. IA para la Gestión del Conocimiento y la Incorporación
2. IA para la Automatización de la Auditoría y el Control de Calidad

1. IA para la Gestión del Conocimiento y la Incorporación

La documentación es una herramienta clave para llevar un registro de sistemas complejos. Según el Marco de Proceso, el SDR (Referencia de Diseño de Solución) necesita documentar cada uno de los cinco pasos. Podría parecerse a esto:

• Proceso #1: Documentar los resultados esperados.
• Proceso #2: Llevar un registro de las historias de recopilación de datos que se verifican regularmente.
• Proceso #3: Anotar la historia de los requisitos de datos de los socios tecnológicos de terceros.
• Proceso #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 un poco de IA a esto.

Nivel 1

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

Muchas empresas ahora tienen chatbots internos que se pueden entrenar con documentación exclusiva. Si no tiene un chatbot interno, puede usar el modo incógnito o redactar su documentación antes de alimentarla al bot.

Alimente a su bot con sus SDR, manuales de QA, convenciones de nomenclatura y estándares de implementación.

Después de una versión exitosa, alimente a su proyecto de IA con notas o planes de implementación para agregar a la documentación. Luego, hágale al IA las siguientes preguntas:

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

El resultado de este proceso es que se pasa menos tiempo revisando documentos o enviando mensajes a los compañeros de trabajo, los nuevos miembros del equipo pueden servirse las respuestas por sí mismos y el conocimiento tribal se vuelve escalable.

Hay algunas advertencias aquí. Este método realmente funciona si se hace un buen trabajo de mantener actualizada la documentación, y solo se vuelve escalable si se entrena y se requiere a las personas que utilicen la herramienta.

Nivel 2

Si esto funciona para su departamento, piense en ampliarlo conectando su chatbot directamente a su tecnología. Puede automatizar la automatización.

Nivel 3

Estoy seguro de que el cielo es el límite aquí. La dirección que perseguiría sería construir una IA proactiva que marque las inconsistencias y ofrezca mejoras. La realidad es que pocas empresas están alcanzando este nivel, y estoy escribiendo este artículo para la mayoría de nosotros, que todavía estamos aprendiendo los conceptos básicos.

2. IA para la Automatización de la Auditoría y el Control de Calidad

Auditar regularmente los métodos de recopilación de datos es una de las mejores prácticas del Marco de Proceso. Muy a menudo, el auditor será un equipo de QA o, alternativamente, se puede utilizar una herramienta de auditoría. Por ejemplo, ObservePoint es una herramienta muy personalizable que le permite crear flujos de auditoría muy intrincados. Incluso con un robot, siempre se puede utilizar un poco más de IA, ¿verdad?

Nivel 1

Comencemos por automatizar los aspectos técnicos. Construir trayectos en herramientas de auditoría robotizadas como ObservePoint a menudo es técnico y requiere mucho apoyo. Para automatizar algunas de estas tareas técnicas repetitivas mientras se construyen trayectos de auditoría, puede pedir ayuda a un chatbot de IA. Hágale al IA las siguientes preguntas:

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

“Escribe código personalizado que se suscriba automáticamente a todas las cookies.”

El resultado de esto debería ser una mayor facilidad de uso al trabajar con herramientas técnicas muy personalizadas, una resolución de problemas y solución de problemas más rápida y menos dependencia del soporte y los desarrolladores frontend.

Algunas advertencias aquí son que si no utiliza un robot de auditoría para sus auditorías de datos, puede estar utilizando un equipo de QA. El equipo de QA puede adoptar automatizaciones para pasos comunes. Comience de a poco, aumente una vez que esté listo; sus próximos pasos solo se vuelven más claros una vez que dé el primer paso.

Nivel 2

Para el uso de la IA de Nivel 2, busque integrar su chatbot con la herramienta directamente, evitando la activación manual de un chatbot.

Nivel 3

Finalmente, para el uso de la IA de Nivel 3, el cielo es nuevamente el límite. Descubra cómo puede hacer que sus automatizaciones sean más proactivas para detectar mejoras y recomendar soluciones. Solo siga este camino si se siente cómodo navegando en el Nivel 2.

Qué No Automatizar (Aún)

Consideremos la Mejor Práctica #3: Colaborar con socios tecnológicos de terceros. Esto es algo que los humanos todavía hacen mejor. Puede utilizar la IA para prepararse para llamadas a proveedores, resumir contratos o bosquejar esquemas de integración. Pero por ahora, la construcción de relaciones sigue siendo humana.

Pensamientos Finales

Incluso si no tiene un presupuesto para el desarrollo de IA personalizado, puede comenzar con las herramientas que ya tiene. Un buen proceso y un buen chatbot pueden llegar muy lejos.

Comience de a poco, con el Nivel 1 o 2, y déjele a su equipo que se sienta cómodo. Una vez que vea dónde la IA está ahorrando tiempo y aumentando la coherencia, sabrá dónde invertir en herramientas más avanzadas. La parte más difícil de la adopción de la IA a menudo es simplemente determinar dónde se necesita en primer lugar. Una vez que haya establecido esa línea de base, intente mover las cosas a un nivel superior con su equipo y vea cuán más suave puede ser la ingeniería de análisis impulsada por la IA.

¿Quiere aprender más sobre la IA en la ingeniería de análisis y, más específicamente, los mejores procesos para la recopilación de datos limpios? Consulte mi artículo sobre la creación de un Marco de Datos Limpios de Comercio Electrónico.