Superar el Hype: Operativizar la IA y el ML para Resultados Empresariales

Por: Krishnan Venkata, Director de Clientes de la firma de análisis digitales LatentView Analytics.

Durante más de una década, las empresas que van desde pequeñas startups hasta grandes corporaciones han hablado sobre la promesa de la inteligencia artificial (IA) y el aprendizaje automático (ML). Según estas profecías, la IA y el ML transformarían el trabajo moderno, automatizando procesos cotidianos y permitiendo a los empleados humanos centrarse en tareas de nivel superior.

Diez años después, para muchas empresas, la promesa de la IA ha resultado ser solo eso, una promesa, y nada más. Mientras que muchas de estas organizaciones han tomado medidas para acelerar sus esfuerzos de transformación digital, algunos obstáculos comunes a menudo dejan que el sueño de la IA/ML no se haga realidad.

¿Cuáles han sido algunos de los factores más importantes que han frenado el potencial transformador de la IA y el ML?

• Falta de organización: El primer paso para una estrategia de IA exitosa es recopilar datos. Pero igualmente importante es planificar la organización de esos datos; las empresas que amasan un tesoro de datos sin un plan para cómo organizarlos, analizarlos y ponerlos a trabajar se quedan con un recurso no refinado, prácticamente inutilizable. ¿Cuál es el valor de descubrir petróleo si no tienes forma de sacarlo del suelo o refinarlo para su uso?
• Adopción fragmentada: Mientras que las transformaciones digitales prometen ahorros de costos a largo plazo, la etiqueta de precio inicial para adoptar nueva tecnología puede ser alta. Este choque de precio lleva a algunas empresas a adoptar un enfoque fragmentado para integrar herramientas de IA, sin considerar cómo esa solución individual se ajustará a una hoja de ruta más amplia.
• Falta de procesos/disciplina: Las soluciones de IA y ML naturalmente serán promovidas e introducidas por líderes específicos dentro de la empresa, pero su éxito depende del compromiso institucional de arriba a abajo. Los primeros adoptantes necesitan preparar la pista de aterrizaje para una adopción más amplia, inculcando la disciplina y las rutinas necesarias para que la integración de nuevas herramientas sea lo más suave posible.

El año pasado ha demostrado que no hay tiempo que perder en términos de transformación digital y automatización de rutinas a través de la IA y el ML. Según Fortune Business Insights, el mercado global de inteligencia artificial se espera que alcance $267 mil millones para 2027, lo que representa un crecimiento casi diez veces mayor que el valor de $27 mil millones en 2019. Un cambio a largo plazo hacia el trabajo remoto provocado por la pandemia de COVID-19 ha empujado a las empresas a adoptar nuevas soluciones; el Informe de participación digital de COVID-19 de Twilio encontró que el 97% de los ejecutivos dijo que la pandemia aceleró sus esfuerzos de transformación digital.

¿Qué se necesitará para superar el hype de la IA y el ML y realmente operativizar estas herramientas? Algunas tecnologías y estrategias pueden marcar la diferencia entre un triunfo o un fracaso:

1. AIOps, MLOps, DataOps

Adjuntar -Ops a una tecnología o aplicación es una receta segura para un nuevo término de moda, pero no todas estas soluciones emergentes son vaporware. De hecho, estrategias como AIOps, MLOps y DataOps pueden ofrecer la solución al desafío de organizar todos esos datos que se recopilan dentro de una empresa. Estas herramientas aplican los principios de gestión ágil a la IA, el aprendizaje automático y la gestión de datos, respectivamente, simplificando dramáticamente el conocimiento y el esfuerzo necesarios para derivar valor de nuevas soluciones. Para las empresas que dan sus primeros pasos en la IA/ML y buscan ponerse al día, estas estrategias son imprescindibles.

2. Low Code/No Code

Los modelos de ML más complejos y matizados siempre requerirán desarrolladores y científicos de datos dedicados para garantizar su éxito. Sin embargo, los desafíos que enfrentan muchas empresas no son nearly tan complicados y pueden resolverse con soluciones de IA más simples y genéricas. Las plataformas de low-code y no-code reducen la barrera de entrada para los empleados con poca o ninguna experiencia en desarrollo de software. Las herramientas no-code permiten a cualquier empleado construir soluciones como motores de recomendación a través de plataformas intuitivas y de arrastrar y soltar, mientras que las plataformas de low-code pueden realizar tareas complejas con solo unas pocas líneas de código.

3. AutoAI y AutoML

Si la inteligencia artificial y el aprendizaje automático automatizan los procesos empresariales, ¿por qué necesitarían ser automatizados ellos mismos? Un aspecto crucial del éxito de la IA y el ML es la idea de refinamiento: a medida que estas herramientas aprenden en el trabajo y integran más datos, pueden refinar constantemente su rendimiento y ofrecer resultados mejorados. AutoAI y AutoML realizan este proceso de refinamiento sin requerir ninguna entrada humana, creando un ciclo virtuoso interminable. Los humanos pueden verificar el rendimiento del modelo para prevenir sesgos y confirmar que la herramienta está sirviendo a las necesidades de la empresa, pero AutoML permite a los empleados asumir otros desafíos durante el día a día.

A medida que los fabricantes de chips y las empresas de software rompen nuevos récords con el procesamiento de lenguaje natural, el campo de la IA/ML está llegando a un punto de inflexión que verá una explosión de nuevos casos de uso. Las empresas deben estar preparadas para reaccionar a estas tecnologías emergentes; aquellos que no tengan su casa en orden ahora serán superados por los competidores que sí lo hagan.