Planificación, prueba de concepto y producción de una solución empresarial exitosa impulsada por IA

Las empresas están acelerando sus iniciativas de inteligencia artificial (IA) a un ritmo acelerado. Un estudio de Algoritmia mostró que el 76 por ciento de los CIO están priorizando y aumentando sus presupuestos de TI para centrarse más en las soluciones de inteligencia artificial y aprendizaje automático (ML). Las organizaciones también están reconociendo la importancia de los datos y la mayoría está aceptando el hecho de que el 80 por ciento de los datos empresariales no están estructurados por naturaleza.

Los datos no estructurados se producen y crecen a un ritmo alarmante en el entorno empresarial. La unidad de medida ha pasado de terabytes a petabytes. Como resultado, los profesionales de TI, los CDO y los CIO deben afrontar nuevos desafíos para satisfacer la creciente demanda de datos utilizables e información práctica. A pesar del enorme potencial de la IA para transformar cualquier sector, solo... El 15 por ciento de las soluciones de IA implementadas para fines de 2022 tendrán éxito, y menos de ellos generarán un ROI positivo.

El mayor problema es que la mayoría de las soluciones empresariales de IA no ven la luz del día debido a la desalineación de las expectativas. Continúa habiendo conceptos erróneos sobre las posibilidades de la IA y los proyectos continúan siendo concebidos en modelos impulsados ​​por la exageración. La mayoría de los productos o modelos están lejos de la realidad real de las operaciones empresariales del día a día. Otros factores que impulsan las tasas de éxito más bajas incluyen: sobrecostos, falta de Centros de Excelencia (CoE) de IA, talento sin experiencia, falta de disponibilidad de datos y políticas obsoletas, por nombrar algunos.

La planificación allana el camino para el éxito de la IA empresarial

Los datos no estructurados son datos que carecen de un modelo de datos predefinido e incluyen todo, desde documentos y sitios web con mucho texto hasta imágenes, archivos de video, chatbots, transmisiones de audio y publicaciones en redes sociales. Con la creciente cantidad de datos no estructurados en la arquitectura empresarial, es fundamental contar con un plan eficiente e incremental que se alinee con los objetivos de todas las partes interesadas corporativas. Los objetivos típicos a nivel organizacional pueden incluir: automatización de procesos, detección de fraudes, mejora de la experiencia del cliente, mejora de la seguridad, aumento de las ventas, etc. Si bien algunos de estos objetivos se pueden lograr con bastante eficacia, debido a la naturaleza estructurada de los datos, la planificación en torno a datos no estructurados puede ser un desafío.

Por lo general, la planificación comienza con la identificación de áreas de oportunidad dentro de una organización. Si bien puede haber una gran visión de IA en el nivel de gestión ejecutiva, es fundamental identificar un área que tenga un alto impacto, un bajo riesgo y un crecimiento continuo de los datos. Un buen ejemplo de tal caso de uso sería la función de procesamiento de préstamos en la industria bancaria y financiera. La originación de préstamos para el servicio está plagada de procesos manuales en los que la información se ingresa a mano en los sistemas de manera repetitiva. La diligencia debida de las solicitudes de préstamo implica una cantidad significativa de presentación de documentos, lo que plantea varios riesgos. Sin embargo, la IA se puede aplicar en varias áreas del flujo de trabajo, incluido el procesamiento de documentos y la detección de fraudes. Esta es también un área donde hay un crecimiento continuo de datos año tras año.

Otros pasos críticos a considerar durante esta fase de planificación incluyen la definición de criterios de éxito medibles, la formulación de una estrategia de datos coherente, la capacitación y la retroalimentación continuas, y la evaluación de la experiencia del usuario, la escalabilidad y la infraestructura.

Definición de criterios de éxito medibles (¡y evitar el momento del carrito antes del caballo!)

El éxito inicial de Google a menudo se atribuye a que la empresa instituyó los resultados clave objetivos (OKR). Si bien este enfoque es algo que se puede aplicar a cualquier aspecto de los objetivos comerciales o personales, adoptar este enfoque comprobado hacia su estrategia de IA podría generar algunos resultados prometedores. Sin embargo, cuando se trata de datos no estructurados, es un problema en evolución que la industria en general está tratando de resolver. Dados los desafíos, los líderes empresariales deben hacer varias preguntas para determinar el 'qué' y el 'por qué'. Por ejemplo, si aumentar la productividad es el objetivo clave, dos preguntas que podrían responderse son:

• ¿Debo planear mejorar el rendimiento mediante la automatización? o
• ¿Debo planear resolver el 80 por ciento del problema para el 100 por ciento de todos los casos presentados?

Responder a estas preguntas conduce a dos caminos de implementación diferentes y es importante decidir cuál sería el adecuado para su empresa.

Con datos no estructurados, otra área de medición ambigua es exactitud. En el ejemplo del procesamiento de préstamos, hay tanta variabilidad en los documentos presentados por los clientes que es fundamental que los líderes empresariales y tecnológicos lleguen a un consenso sobre cómo se mide la precisión de la solución de IA. Si la productividad es uno de los objetivos de instituir una solución de IA, entonces sería necesario identificar otras áreas que afecten la productividad. Esto se puede lograr observando de cerca el proceso actual tal como está y reinventando el proceso con la automatización de IA. A menudo, la nueva automatización conduce a nuevos pasos en el proceso, como la gestión manual de excepciones, anotaciones, capacitación, etc. Con estos pasos implementados, sería más fácil determinar cómo medir la precisión.

Los datos son el alma de todas las empresas

Los datos no estructurados tienen un alto grado de variabilidad en la forma en que se estructura y presenta la información. Las empresas están plagadas de información presentada en documentos, que por naturaleza tienen estructuras complejas que consisten en párrafos, oraciones y, lo que es más importante, estructuras de tablas multidimensionales. Además de los documentos, las organizaciones están invirtiendo cada vez más en bots de chat, monitoreando datos de redes sociales y otras formas de datos no estructurados como noticias, imágenes y videos.

La mayoría de las organizaciones subestiman la cantidad de datos disponibles y accesibles. A menudo, el desafío es tan simple como superar las restricciones de cumplimiento y compartir datos dentro de la organización. Sin embargo, tener datos limpios y de alta variabilidad permite una mejor evaluación de un problema y el diseño de una solución óptima.

Otro factor importante a considerar es el resultado esperado de estos datos no estructurados. Esto garantizará una cantidad precisa de datos de verificación, entrenamiento y pruebas. Volviendo al ejemplo del procesamiento de préstamos, si el resultado de esta solución de IA es determinar los saldos diarios promedio de los solicitantes, los datos de verificación y entrenamiento pueden centrarse en los extractos bancarios. Sin embargo, si el objetivo es identificar solicitantes fraudulentos a través de los extractos bancarios presentados, será necesario acceder a una gama más amplia de documentos para obtener los datos de verificación y entrenamiento necesarios.

Escalado de PoC a Producción

Embarcarse en una prueba de concepto (PoC) medible garantiza que todas las partes interesadas entiendan los desafíos, los resultados y la propuesta de valor de una solución de IA. Sin embargo, una PoC no es lo mismo que una solución lista para producción. Una PoC permite a una organización identificar brechas, estimula el pensamiento de diseño para una solución de producción y agiliza los objetivos y los resultados clave que deben lograrse. Para pasar de PoC a una solución escalable, las organizaciones deben planificar escenarios de datos complejos que incluyen cambios constantes de datos, falta de disponibilidad de datos etiquetados y un alto grado de variación en forma y formatos. Igualmente importante es reimaginar el flujo de trabajo, volver a capacitar a su fuerza laboral y determinar la infraestructura, los costos, el rendimiento, la arquitectura de datos, la seguridad de la información y los acuerdos de nivel de servicio (SLA) correctos.

Es absolutamente imperativo evaluar todo el flujo de trabajo y el proceso comercial para obtener los mejores resultados de cualquier solución de IA. Siguiendo el ejemplo de la economía del comportamiento, es fundamental comparar el resultado con un punto de referencia existente (también conocido como "dependencia de referencia"), en cuyo punto se pueden anticipar mejores eficiencias antes de la producción a través del pensamiento de diseño y la reasignación de procesos.

Este escenario asume que tanto los líderes empresariales como los técnicos han acordado un enfoque de aprendizaje profundo o MI basado en la PoC. Algunas declaraciones de problemas pueden ser deterministas y se puede adoptar un enfoque estadístico para resolver el problema, mientras que otros desafíos pueden requerir una combinación de MI y enfoques basados ​​en redes neuronales para lograr los resultados deseados.

Algunas soluciones de IA requieren la incorporación de Procesamiento del Lenguaje Natural (NLP). Si bien los modelos de lenguaje general sirven como paso fundamental, la mayoría de los modelos no están diseñados para satisfacer las necesidades únicas de cada planteamiento de problema empresarial y requerirían un ajuste fino. Al mismo tiempo, es probable que la mayoría de los ejecutivos se entusiasmen con modelos enormes como GPT3, que exigen una potencia computacional significativa y pueden tener una influencia directa en el retorno de la inversión de una empresa. Lo más probable es que estos modelos no sean adecuados para su empresa.

Su PoC impulsado por IA es solo el comienzo de un largo proceso, así que tenga en cuenta lo siguiente:

• No elija un problema complejo para resolver en la etapa de PoC
• Aplique el pensamiento de diseño y revise su proceso de extremo a extremo; predecir y gestionar los riesgos de forma temprana
• La precisión no es la única medida; diseñar y planificar para crear una solución impulsada por el valor en lugar de lograr el 100 por ciento de precisión
• Evalúe su enfoque de IA; no planee modelos impulsados ​​por exageraciones, elija el enfoque más óptimo que sea de naturaleza modular
• Gestionar las expectativas de todas las partes interesadas para garantizar el resultado más exitoso
• Diseñe su solución y arquitectura para escalar con el crecimiento de sus datos para obtener el ROI más óptimo

Mejores prácticas para soluciones impulsadas por IA

Hoy en día, la mayoría de las empresas emprenden uno o más proyectos de IA. A pesar de las excelentes intenciones y el arduo trabajo, muchos programas empresariales de IA no cumplen con las expectativas, no escalan y no generan el ROI deseado. Tomará tiempo integrar la inteligencia artificial como un componente comercial central, sin embargo, algunas de las mejores prácticas seguidas por organizaciones exitosas incluyen:

• Comience con IA CoE: Muchas grandes corporaciones, incluso las que no son tecnológicas, han establecido Centros de Excelencia de IA (AI CoE) para maximizar las posibilidades de éxito. Un AI CoE reúne la experiencia, los recursos y las personas necesarios para permitir iniciativas de transformación basadas en IA. Los principales beneficios incluyen:
  • Consolidar el aprendizaje, los recursos y el talento de la IA en un solo lugar
  • Desarrollar una visión unificada de IA y una estrategia comercial
  • Estandarización de enfoques, plataformas y procesos de IA
  • Identificación de nuevas oportunidades de ingresos para la IA y la innovación
  • Escalar los esfuerzos de ciencia de datos al hacer que la IA esté disponible para todas las funciones comerciales
• Compra ejecutiva: Una estrategia de IA es más exitosa a través de un enfoque de arriba hacia abajo. Escalar los pilotos en toda una organización requiere la aceptación del liderazgo, las habilidades y los datos necesarios, y el establecimiento de una estructura organizativa que garantice que los modelos se mantengan precisos a lo largo del tiempo.
• Disponibilidad de datos: La mayoría de las organizaciones tienen datos en silos por varias razones de cumplimiento. Sin embargo, los datos son el elemento vital de cualquier solución de IA y el aprovisionamiento de estos datos es fundamental. Junto con el aprovisionamiento, la clasificación y limpieza de datos es esencial. El desarrollo de datos reales y de entrenamiento precisos puede hacer o deshacer una solución de IA.
• arquitectura: Aprovechar la IA es un cambio de paradigma para cualquier organización, lo que requiere nuevas formas de pensar y planificar. Diseñar una arquitectura técnica y operativa óptima aumenta sus posibilidades de éxito. Esto incluye tener nuevas funciones como operaciones de aprendizaje automático, operaciones de datos, capacitación iterativa y anotaciones, entre otras.
• Modularidad y flexibilidad: Las soluciones impulsadas por IA aún se encuentran en sus etapas iniciales, especialmente cuando las organizaciones manejan datos pesados ​​​​no estructurados. Es fundamental diseñar y construir una solución modular y flexible que pueda escalar con el negocio y sus crecientes desafíos.

Establecer y embarcarse en una estrategia de IA tiene un gran potencial para la mayoría de las organizaciones, y los casos de uso son infinitos. Las soluciones de aprendizaje automático y profundo tocan todos los aspectos de una organización, desde las ventas y el marketing hasta las operaciones diarias. Sin embargo, al igual que construir un cohete o inventar un nuevo dispositivo, el éxito no se logrará de una sola vez. Las soluciones impulsadas por IA deben abordarse por etapas y basarse en ganancias más pequeñas a lo largo del tiempo.