Chris Hillman, director internacional de ciencia de datos de la firma de gestión de datos Teradata, ha visto recientemente que se presta más atención al costo de los equipos de ciencia de datos e inteligencia artificial, a medida que las empresas buscan demostrar el valor de sus inversiones en tecnología emergente.
Sin embargo, cree que los científicos de datos son capaces de construir modelos de IA a nivel técnico y, a menudo, son las partes interesadas de las empresas las que frustran proyectos de IA exitosos cuando no entienden cómo funcionan los modelos de IA o no logran convertir las recomendaciones del modelo en acción.
“En el mundo de la ciencia de datos, todo es un problema técnico y lo solucionamos con tecnología”, explicó Hillman. “Pero creo plenamente que gran parte de la razón por la que estas cosas no entran en los procesos de negocio es básicamente un problema cultural, político o de personas, no un problema técnico”.
La experiencia de Teradata en la creación de modelos para una variedad de clientes internacionales sugiere:
- Los ejecutivos de negocios deben comprender la IA para defender y lograr el éxito del proyecto.
- Los ejecutivos aprenden mejor a través de ejemplos de casos de uso en lugar de cursos de “ciencia de datos 101”.
- Las empresas deberían realizar evaluaciones de impacto antes de que comiencen los proyectos de IA.
Cultura, política y personas: obstáculos para el éxito de un proyecto de IA
Hillman sostiene que el fracaso de los proyectos de IA a menudo puede deberse a las partes interesadas del negocio:
- No confiar en los resultados del modelo de IA porque no formaban parte del proceso.
- No tomar los resultados del modelo y convertirlos en procesos y acciones reales.
Mientras los datos se proporcionen a un equipo de ciencia de datos e inteligencia artificial, explicó Hillman, el problema de la inteligencia artificial no es técnico. En cambio, cada vez hay más dificultades para que las partes interesadas en las empresas comprendan esta tecnología y conviertan los resultados de la IA en acciones comerciales.
Los ejecutivos empresariales deberían participar en el proceso de desarrollo de la IA
Mientras los datos estén ahí, el equipo de Hillman puede entrenar, probar y evaluar con éxito modelos de IA.
“Escribimos el resultado de ese modelo en alguna parte y listo”, dijo. “La producción es ese modelo que se ejecuta todos los meses y coloca algo en una mesa en algún lugar”.
Sin embargo, aquí es donde puede fallar.
“Esto fracasa porque los dueños de negocios tienen que estar en el proceso”, agregó Hillman. “Tienen que tomar esa puntuación y decidir: ‘¿cuál es la señal?’ Si digo que algo tiene un 90% de probabilidad de fraude, ¿qué significa eso realmente?
VER: Evidencia de la innovación australiana en la búsqueda de una escala de IA generativa
“Si la señal es bloquear el pago y deciden hacerlo, alguien tiene que hacerlo. En muchas empresas, eso significa tener al menos tres, si no cuatro, equipos involucrados; los ingenieros y científicos de datos, los propietarios de empresas y los desarrolladores de aplicaciones “.
Esto puede convertirse en un proceso disfuncional, en el que los equipos no logran comunicarse de manera efectiva, la IA no logra influir en los procesos comerciales y la IA no logra crear el valor deseado.
Los propietarios de empresas deben comprender cómo funcionan los modelos de IA
El auge de la IA significa que todos los ejecutivos de negocios deben saber cómo se crean y funcionan estos modelos, dijo Hillman.
“Deben comprender el resultado, porque necesitan guiar el proceso”, explicó. “Ellos son los que deben preguntarse: ‘¿Qué significa esto para mi cliente o mis procesos comerciales?’”
Si bien puede que no sea necesaria una comprensión técnica de los algoritmos, los ejecutivos de negocios deben comprender las matemáticas básicas involucradas en la IA, como la naturaleza probabilística de los modelos de IA. Las partes interesadas del negocio deben comprender por qué la precisión de los modelos de IA diferirá de lo que se espera de las herramientas tradicionales de generación de informes de inteligencia empresarial.
“Si fuera al director de finanzas con un informe y me preguntaran ‘¿qué tan exacto es?’ y dije, ‘alrededor del 78% de precisión’, probablemente me expulsarían”, dijo Hillman. “Pero que un modelo de IA tenga una precisión del 78%, eso es bueno. Cuando la precisión es superior al 50%, ya estás ganando.
“Algunos clientes nos pusieron requisitos que decían: ‘queremos este modelo y queremos 100% de precisión sin falsos positivos’. Y tenemos que decirles: ‘bueno, no podemos hacerlo, porque eso es imposible’. Y si obtienes ese tipo de modelo, has hecho algo mal”.
Casos de uso: herramientas efectivas para capacitar a ejecutivos de negocios en modelos de IA
Hillman no cree que los propietarios de empresas deban recibir cursos de “ciencia de datos 101”, que podrían resultarles “inútiles” en la práctica. En cambio, dijo que los casos de uso de la IA se pueden aprovechar para demostrar cómo los modelos de IA funcionan para los empresarios de manera mucho más efectiva.
“Creo que el enfoque basado en casos de uso es definitivamente mejor para las personas del lado empresarial porque pueden identificarse con él y luego pueden involucrarse en la conversación”, dijo.
Consejos para garantizar que su proyecto de IA realmente se ponga en marcha
Hillman ofreció varias recomendaciones para que los propietarios de empresas se aseguren de que sus proyectos de IA vayan desde la idea y la prueba de concepto hasta la producción:
Realizar una evaluación de impacto
Se debe realizar una evaluación de impacto por adelantado. Esta evaluación debe incluir consideraciones clave, como por qué la empresa está llevando a cabo el proyecto de IA y los beneficios comerciales desarrollados.
“Rara vez veo eso en las especificaciones originales”, señaló Hillman.
Más bien, las evaluaciones de impacto a menudo se inician cuando un proyecto está en marcha o una vez finalizado el trabajo técnico, lo que puede contribuir a que los proyectos se posterguen y no lleguen a producirse.
Elija los casos de uso correctos
Aunque los modelos de transformadores estaban ganando popularidad antes de ChatGPT, el revuelo causado por el lanzamiento del chatbot por parte de OpenAI llevó a las empresas a iniciar proyectos de IA generativa para seguir siendo relevantes. Esto ha resultado en algunas selecciones de casos de uso que pueden ser equivocadas.
VER: 9 casos de uso innovadores de IA en empresas australianas en 2024
Hillman a menudo pregunta a las empresas si pueden “crear un informe”, ya que normalmente hay formas más fáciles de lograr los objetivos comerciales que crear un modelo de IA. Dijo que los modelos de IA generalmente no se lanzan debido a la falta de una evaluación de impacto o porque el caso de uso era incorrecto.
Tener un patrocinador comercial fuerte
Los proyectos de IA salen ganando cuando cuentan con un patrocinador empresarial sólido que los impulse. Un líder empresarial puede garantizar que otros equipos de la empresa comprendan el impacto potencial de un proyecto de IA y garantizar que trabajen juntos para implementar datos de IA en los procesos.
“La TI puede ser dueña del presupuesto para la tecnología, y alguien más puede ser dueño de los datos, y de la seguridad y la privacidad de los mismos, pero en realidad, el impulsor siempre tiene que venir del lado empresarial”, dijo Hillman.
