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 rápido. Un estudio de Algorithmia mostró que el 76 por ciento de los directores de información están priorizando y aumentando sus presupuestos de TI para tener un mayor enfoque en soluciones de IA y aprendizaje automático (ML). Las organizaciones también están reconociendo la importancia de los datos, y la mayoría están aceptando el hecho de que el 80 por ciento de los datos empresariales son no estructurados por naturaleza.

Los datos no estructurados se están produciendo y creciendo a un ritmo alarmante en una pila empresarial. La unidad de medición ha cambiado de terabytes a petabytes. Como resultado, los profesionales de TI, los directores de datos y los directores de información deben lidiar con algunos nuevos desafíos para satisfacer la creciente demanda de datos utilizables y conocimientos aprovechables. A pesar del enorme potencial de la IA para transformar cualquier industria, solo el 15 por ciento de las soluciones de IA desplegadas para fines de 2022 serán exitosas, y menos de ellas generarán un retorno de la inversión positivo.

El mayor problema es que la mayoría de las soluciones de IA empresariales no ven la luz del día debido a la falta de alineación de expectativas. Siguen existiendo conceptos erróneos sobre las posibilidades de la IA y los proyectos continúan siendo concebidos en modelos impulsados por la publicidad. La mayoría de los productos o modelos están lejos de la realidad diaria de las operaciones empresariales. Otros factores que impulsan las tasas de éxito más bajas incluyen: sobrecostos, falta de Centros de Excelencia de IA (CoE), 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 con mucho texto y sitios web hasta imágenes, archivos de video, chatbots, flujos de audio y publicaciones en redes sociales. Con la creciente cantidad de datos no estructurados en la arquitectura empresarial, es fundamental tener un plan eficiente e incremental que se alinee con los objetivos de todos los grupos de interés corporativos. Los objetivos típicos a nivel organizacional pueden incluir: automatización de procesos, detección de fraude, mejora de la experiencia del cliente, mejora de la seguridad, aumento de las ventas, etc. Mientras que algunos de estos objetivos se pueden lograr de manera bastante efectiva, debido a la naturaleza estructurada de los datos, la planificación alrededor de los datos no estructurados puede ser desafiante.

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

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

Definir Criterios de Éxito Medibles (y Evitar el Momento de “Poner el Carro delante del Caballo”)

El éxito temprano de Google se atribuye a menudo a la institución de Objetivos y Resultados Clave (OKR). Si bien este enfoque es algo que se puede aplicar a cualquier aspecto de los negocios o los objetivos personales, aplicar este enfoque probado a su estrategia de IA podría producir 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:

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

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

Con los datos no estructurados, otra área de medición ambigua es la precisión. 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 impactan la productividad. Esto se puede lograr examinando de cerca el proceso actual tal como es y reimaginando el proceso con la automatización de IA. A menudo, la nueva automatización conduce a nuevos pasos en el proceso, como la gestión de excepciones manuales, la anotación, la capacitación, etc. Con estos pasos en su lugar, sería más fácil determinar cómo medir la precisión.

Los Datos son la Savia de Todas las Empresas

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

La mayoría de las organizaciones subestiman cuántos datos están disponibles y accesibles a mano. 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 con una gran variabilidad permite una mejor evaluación de un problema y el diseño de una solución óptima.

Otro factor importante a considerar es qué resultado se espera de estos datos no estructurados. Esto garantizará una cantidad precisa de datos de verdad y capacitación. 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 verdad y capacitación pueden centrarse en los estados de cuenta bancarios. Sin embargo, si el enfoque es determinar a los solicitantes fraudulentos a través de los estados de cuenta presentados, será necesario acceder a una gama más amplia de documentos para obtener los datos de verdad y capacitación necesarios.

Escalando desde la Prueba de Concepto a la Producción

Emprender una Prueba de Concepto (PoC) medible garantiza que todos los grupos de interés comprendan los desafíos, los resultados y el valor de una solución de IA. Sin embargo, una PoC no es lo mismo que una solución lista para la producción. Una PoC permite a una organización identificar brechas, estimula el pensamiento de diseño para una solución de producción y simplifica los objetivos y resultados clave que deben lograrse. Para ir desde la PoC a una solución escalable, las organizaciones deben planificar escenarios de datos complejos que incluyan cambios constantes de datos, falta de datos etiquetados y un alto grado de variación en la forma y los formatos. Es igualmente importante reimaginar el flujo de trabajo, capacitar a la fuerza laboral y determinar la infraestructura adecuada, los costos, el rendimiento, la arquitectura de datos, la seguridad de la información y los acuerdos de nivel de servicio (SLA).

Es absolutamente imperativo evaluar todo el flujo de trabajo y el proceso empresarial para obtener los mejores resultados de cualquier solución de IA. Tomando una pista de la economía conductual, 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 remapeo del proceso.

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

Algunas soluciones de IA requieren la incorporación del Procesamiento de Lenguaje Natural (NLP). Si bien los modelos de lenguaje generales sirven como un paso fundamental, la mayoría de los modelos no están diseñados para satisfacer las necesidades únicas de cada declaración de problema empresarial y requerirían un ajuste fino. Al mismo tiempo, es probable que la mayoría de los ejecutivos se entusiasmen con grandes modelos como GPT3, que demandan una cantidad significativa de poder computacional y pueden tener una influencia directa en el retorno de la inversión de una empresa. Estos modelos probablemente no son adecuados para su empresa.

Su PoC de IA impulsada 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; prediga y gestione los riesgos temprano
• La precisión no es la única medición; diseñe y planifique para construir una solución impulsada por el valor en lugar de lograr el 100 por ciento de precisión
• Evalúe su enfoque de IA; no planifique en modelos impulsados por la publicidad, sino que elija el enfoque más óptimo que sea modular por naturaleza
• Administre las expectativas en todos los grupos de interés para garantizar el resultado más exitoso
• Diseñe su solución y arquitectura para escalar con el crecimiento de sus datos para el ROI más óptimo

Las Mejores Prácticas para Soluciones Impulsadas por IA

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

• Comience con un Centro de Excelencia de IA (CoE): Muchas grandes corporaciones, incluso las no 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 necesarias para permitir iniciativas de transformación basadas en IA. Los beneficios principales incluyen:
  • Consolidar el aprendizaje de IA, los recursos y el talento en un solo lugar
  • Desarrollar una visión y estrategia de negocios de IA unificada
  • Estandarización de enfoques, plataformas y procesos de IA
  • Identificar nuevas oportunidades de ingresos para la IA y la innovación
  • Escalabilidad de los esfuerzos de ciencia de datos al hacer que la IA esté disponible para todas las funciones comerciales
• Aprobación Ejecutiva: Una estrategia de IA es más exitosa a través de un enfoque de arriba hacia abajo. Escalar pilotos a lo largo de una organización de manera exitosa requiere la aprobación de la gerencia, las habilidades y los datos necesarios, y el establecimiento de una estructura organizativa que garantice que los modelos permanezcan precisos con el tiempo.
• Disponibilidad de Datos: La mayoría de las organizaciones tienen datos segmentados por varias razones de cumplimiento. Sin embargo, los datos son la savia de cualquier solución de IA y la provisión de estos datos es fundamental. Junto con la provisión, la clasificación y la limpieza de los datos son esenciales. Desarrollar datos de verdad y capacitación precisos puede hacer o deshacer una solución de IA.
• Arquitectura: Utilizar 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 están en sus primeras etapas, especialmente cuando las organizaciones lidian con grandes cantidades de datos no estructurados. Es fundamental diseñar y construir una solución modular y flexible que pueda escalar con el negocio y sus crecientes desafíos.

Establecer y emprender 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 de aprendizaje 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 gadget, el éxito no se logrará de la noche a la mañana. Las soluciones impulsadas por IA deben abordarse en etapas y construirse sobre victorias más pequeñas con el tiempo.