jul18_19_81737167
PhotoAlto/Matthieu Spohn/imágenes falsas
Aviso: Traducido con el uso de inteligencia artificial; puede contener errores. Participe en esta encuesta para hacernos llegar sus comentarios y obtenga información en las preguntas frecuentes.
Read in English

UN encuesta reciente de Deloitte de los «adoptantes agresivos» de las tecnologías cognitivas descubrieron que el 76% cree que «transformarán sustancialmente» sus empresas en los próximos tres años. Probablemente no haya habido tanto entusiasmo por una nueva tecnología desde los años del boom de las puntocom a finales de la década de 1990.

Las posibilidades parecerían justificar el bombo. La IA no es solo una tecnología, sino una amplia gama de herramientas, que incluyen una serie de enfoques algorítmicos diferentes, una gran cantidad de nuevas fuentes de datos y avances en el hardware. En el futuro, veremos nuevas arquitecturas informáticas, como computación cuántica y chips neuromórficos, impulsar las capacidades aún más lejos.

Aun así, sigue habiendo una gran brecha entre la aspiración y la realidad. Gartner estima que El 85% de los proyectos de big data fracasan. También ha habido problemas embarazosos, como cuando Dow Jones informó de que Google compraba Apple por 9.000 millones de dólares y los bots se lo tragaron, o cuando el chatbot Tay de Microsoft se volvió loco en Twitter.

Entonces, ¿cómo se asegura de que su organización obtenga mejores resultados en sus esfuerzos de IA?

Primero, tiene que dejar claro su propósito. La IA no existe en el vacío, sino en el contexto de su modelo de negocio, sus procesos y su cultura. Del mismo modo que no contrataría a un empleado humano sin entender cómo encajaría él o ella en su organización, tiene que pensar claramente en cómo una aplicación de inteligencia artificial impulsará los resultados empresariales reales.

Centro de conocimientos

  • Adopción de la IA
    Patrocinado por SAS
    Cómo utilizan las empresas la inteligencia artificial en sus operaciones empresariales.

«La primera pregunta que debe hacerse es qué resultado empresarial intenta impulsar», Roman Stanek, CEO de Buenos datos, me lo dijo. «Con demasiada frecuencia, los proyectos de IA comienzan intentando implementar un enfoque técnico concreto y, no es sorprendente que los gerentes y empleados de primera línea no lo encuentren útil, por lo que no hay una adopción real ni ningún ROI».

Si bien el cambio a menudo se impulsa desde la cima de la organización, la implementación siempre se impulsa de forma descendente. Por eso, es importante comunicar un sentido de propósito con claridad. Si los gerentes y empleados de primera línea creen que la inteligencia artificial les ayudará a hacer mejor su trabajo, se entusiasmarán mucho más y serán más eficaces para que el proyecto sea un éxito.

«Aquellos que son capaces de centrarse en los resultados empresariales están descubriendo que la IA está impulsando los resultados finales a un ritmo que pocos esperaban», dijo Josh Sutton, CEO de Agorai.ai que es, me lo dijo. Señala un estudio reciente de McKinsey que fija el valor económico potencial de las herramientas cognitivas entre 3,5 billones y 5,8 billones de dólares como solo una indicación del posible impacto.

En segundo lugar, elija sabiamente las tareas que automatice. Si bien a muchos les preocupa que las tecnologías cognitivas acepten trabajos humanos, David, autor, un economista del MIT, considera que el cambio principal es entre trabajo rutinario y no rutinario. En otras palabras, la inteligencia artificial automatiza rápidamente los procesos cognitivos rutinarios, al igual que las máquinas de la era industrial, el trabajo físico automatizado.

Para entender cómo puede funcionar esto, vaya a una Apple Store. Evidentemente, Apple es una empresa que entiende perfectamente cómo automatizar los procesos, pero lo primero que ve cuando entra en una Apple Store son varios empleados esperando para ayudarlo. Esto se debe a que ha elegido automatizar las tareas en segundo plano, no las interacciones con los clientes.

Sin embargo, la IA puede ampliar en gran medida la eficacia de los empleados humanos. Por ejemplo, un estudio citado por un Informe de la Casa Blanca durante la administración Obama descubrió que, si bien las máquinas tenían una tasa de error del 7,5% en la lectura de imágenes de radiología y los humanos tenían una tasa de error del 3,5%, cuando los humanos combinaban su trabajo con las máquinas la tasa de error se reducía al 0,5%.

Quizás lo más importante es que este enfoque puede mejorar la moral. Por ejemplo, algunos trabajadores de fábricas tienen colaboró activamente con robots que se programaron ellos mismos para hacer tareas de bajo nivel. En algunos casos, los soldados construyen lazos tan fuertes con los robots que hacen trabajos peligrosos que celebrar funerales para ellos cuando «mueren».

En tercer lugar, elija sus datos con prudencia. Durante mucho tiempo, más datos se consideraron mejores. Las empresas recogerían la mayor cantidad posible de él y luego lo incorporarían a algoritmos sofisticados para crear modelos predictivos con un alto grado de precisión. Sin embargo, ha quedado claro que no es un buen enfoque. Como explica Cathy O'Neil en Armas de destrucción matemática, a menudo no entendemos los datos que ingresamos a nuestros sistemas y el sesgo de datos se está convirtiendo en un problema enorme. Un problema relacionado es el de «sobreajuste». Puede que suene impresionante tener un modelo que tenga un 99% de precisión, pero si no es resistente a las condiciones cambiantes, sería mejor que tuviera uno que fuera un 70% preciso y más sencillo.

Por último, con la implementación de GDPR en Europa y la probabilidad de que se adopte una legislación similar en otro lugar, los datos se están convirtiendo en un pasivo y un activo. Así que debería pensar en qué fuentes de datos está utilizando y crear modelos que los humanos puedan entender y verificar.

Por último, lleve a los humanos a tareas sociales de mayor valor. Un hecho que a menudo se pasa por alto de la automatización es que una vez que automatiza una tarea, se convierte en gran medida en productos básicos y el valor cambia a otro lado. Así que si solo busca utilizar tecnologías cognitivas para reemplazar la mano de obra humana y reducir costes, lo más probable es que se haya equivocado.

Un ejemplo sorprendente de este principio proviene del campo altamente técnico de la ciencia de los materiales. Hace un año, hablaba con Jim Warren, de la Iniciativa sobre el genoma de los materiales sobre la fascinante posibilidad de aplicar algoritmos de aprendizaje automático a la investigación de materiales. Más recientemente, me dijo que este enfoque se ha convertido cada vez más el foco de la investigación de materiales.

Es un cambio extraordinario en un año. Entonces, ¿esperamos ver a muchos científicos de materiales en la oficina de desempleo? Difícilmente. De hecho, dado que gran parte del duro trabajo de investigación se subcontrata a algoritmos, los propios científicos pueden colaborar de manera más eficaz. Como George Crabtree, director de la Centro conjunto de investigación sobre el almacenamiento de energía, que ha sido pionera en la automatización de la investigación de materiales, me dijo: «Solíamos avanzar a la velocidad de publicación. Ahora avanzamos a la velocidad de la próxima pausa para el café».

Y esa es la clave para entender cómo implementar las tecnologías cognitivas de manera eficaz. Los robots no se hacen cargo de nuestros trabajos, sino que se hacen cargo de las tareas. Eso significa que veremos cada vez más un cambio en el valor de las habilidades cognitivas a las habilidades sociales. El futuro de la inteligencia artificial, al parecer, es todo demasiado humano.