Por: Krishnan Venkata, Director de Clientes de la firma de análisis digital Análisis de vista latente.
Durante más de una década, empresas que van desde pequeñas empresas emergentes hasta grandes corporaciones han hablado sobre la promesa de la inteligencia artificial (IA) y el aprendizaje automático (ML). Según estas profecías, AI y ML transformarían el trabajo moderno, automatizando los procesos cotidianos y permitiendo que los empleados humanos se centren 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. Si bien muchas de estas organizaciones han tomado medidas para acelerar sus esfuerzos de transformación digital, algunas trampas comunes a menudo dejan el sueño de AI/ML sin realizar.
¿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 la planificación para la organización de esos datos; las empresas que acumulan un tesoro de datos sin un plan sobre cómo organizarlos, analizarlos y ponerlos a trabajar se quedan con un recurso sin refinar, prácticamente inutilizable. ¿Cuál es el valor de descubrir petróleo si no tienes forma de sacarlo de la tierra o refinarlo para su uso?
- Adopción gradual: si bien las transformaciones digitales prometen ahorros de costos a largo plazo, el precio inicial para adoptar una nueva tecnología puede ser elevado. Este shock de etiqueta lleva a algunas empresas a adoptar un enfoque gradual para integrar herramientas de IA, sin considerar cómo encajará esa solución única en una hoja de ruta más amplia.
- Procesos/disciplina faltantes: las soluciones de IA y ML naturalmente serán defendidas e introducidas por líderes específicos dentro de la empresa, pero su éxito depende de la aceptación institucional de arriba a abajo. Los primeros usuarios deben preparar la pista para una adopción más amplia, inculcando la disciplina y las rutinas necesarias para que la integración de nuevas herramientas sea lo más fluida posible.
El año pasado demostró que no hay tiempo que perder en términos de transformación digital y automatización de rutinas a través de AI y ML. De acuerdo a Perspectivas de negocios de Fortune, se espera que el mercado mundial de inteligencia artificial alcance los 267.000 millones de dólares para 2027, lo que representa un crecimiento de casi diez veces desde un valor de 27.000 millones de dólares 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; de Twilio Informe de compromiso digital COVID-19 encontró que el 97% de los ejecutivos dijeron que la pandemia aceleró sus esfuerzos de transformación digital.
Entonces, ¿qué se necesita para superar la exageración de AI y ML y realmente poner en funcionamiento 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 infalible para una nueva y brillante palabra 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 los datos que se recopilan dentro de una empresa. Estas herramientas aplican los principios de la gestión Agile a la IA, el aprendizaje automático y la gestión de datos, respectivamente, lo que simplifica drásticamente el conocimiento y el esfuerzo necesarios para obtener valor de las nuevas soluciones. Para las empresas que dan sus primeros pasos en AI/ML y buscan ponerse al día, estas estrategias son imprescindibles.
2. Código bajo/Sin código
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 tan complicados y se pueden resolver con soluciones de IA más simples y únicas. Las plataformas de código bajo y sin código reducen la barrera de entrada para los empleados con poca o ninguna experiencia en desarrollo de software. Las herramientas sin código permiten a cualquier empleado crear soluciones como motores de recomendación a través de plataformas intuitivas de arrastrar y soltar, mientras que las plataformas de código bajo 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 comerciales, ¿por qué deberían automatizarse ellos mismos? Un aspecto crucial del éxito de AI y ML es la idea de refinamiento: a medida que estas herramientas aprenden en el trabajo e integran más datos, pueden perfeccionar su rendimiento de manera constante y ofrecer mejores resultados. AutoAI y AutoML realizan este proceso de refinamiento sin necesidad de intervención humana, lo que crea un ciclo virtuoso interminable. Los humanos pueden verificar el rendimiento del modelo para evitar sesgos y confirmar que la herramienta satisface 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 abren nuevos caminos con el procesamiento del lenguaje natural, el campo AI/ML está alcanzando un punto de inflexión que verá una explosión de nuevos casos de uso. Las empresas deben estar preparadas para reaccionar ante estas tecnologías emergentes; aquellos que no tienen su casa en orden ahora serán dejados atrás por los competidores que sí lo tienen.