Chris Hillman, director internacional de ciencia de datos de la empresa de gestión de datos Teradata, ha visto recientemente más atención dirigida al costo de los equipos de ciencia de datos e IA, 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 del negocio las que frustran proyectos de IA exitosos cuando no comprenden cómo funcionan los modelos de IA o no logran convertir las recomendaciones de los modelos en acciones.
“En el mundo de la ciencia de datos, todo es un problema técnico y lo resolvemos con tecnología”, explicó Hillman. “Pero creo firmemente que gran parte de la razón por la que esto no se incorpora a los procesos comerciales 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 promover y lograr el éxito del proyecto.
- Los ejecutivos aprenden mejor a través de ejemplos de casos de uso que de cursos de “ciencia de datos 101”.
- Las empresas deben realizar evaluaciones de impacto antes de comenzar los proyectos de IA.
Cultura, política y personas: obstáculos para el éxito de los proyectos de IA
Hillman sostiene que el fracaso de los proyectos de IA a menudo puede ser causado por las partes interesadas comerciales:
- No confiar en los resultados del modelo de IA porque no fueron parte del proceso.
- No tomar los resultados del modelo y convertirlos en procesos y acciones reales.
Hillman explicó que, siempre que los datos se proporcionen a un equipo de ciencia de datos e inteligencia artificial, el problema de la inteligencia artificial no es técnico. En cambio, es más frecuente que surjan dificultades con las partes interesadas del negocio para comprender esta tecnología y convertir los resultados de la inteligencia artificial en acciones comerciales.
Los ejecutivos de empresas deberían participar en el proceso de desarrollo de IA
Mientras los datos estén ahíEl equipo de Hillman puede entrenar, probar y evaluar con éxito modelos de IA.
“Escribimos el resultado de ese modelo en algún lugar y ya está hecho el trabajo”, dijo. “La producción es ese modelo que se ejecuta todos los meses y se coloca algo en una tabla 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 en realidad?
VER: Evidencia de la innovación australiana en la búsqueda de una IA generativa a gran escala
“Si la señal es bloquear el pago y deciden hacerlo, alguien tiene que hacerlo. En muchas empresas, eso significa tener al menos tres o cuatro equipos involucrados: los ingenieros y científicos de datos, los dueños de la empresa y los desarrolladores de aplicaciones”.
Esto puede convertirse en un proceso disfuncional, donde los equipos no logran comunicarse de manera efectiva, la IA no logra influir en los procesos de negocios y la IA no logra crear el valor deseado.
Los dueños de negocios 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 deben guiar el proceso”, explicó. “Son ellos quienes deben preguntarse: ‘¿Qué significa esto para mi cliente o para mis procesos comerciales?’”.
Si bien no es necesario tener conocimientos técnicos de 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 de la empresa deben comprender por qué la precisión de los modelos de IA será diferente a la que se espera de las herramientas de informes de inteligencia empresarial tradicionales.
“Si fuera al director de finanzas con un informe y me preguntaran ‘¿qué tan preciso es?’ y yo respondiera ‘alrededor del 78 % de precisión’, probablemente me echarían”, dijo Hillman. “Pero que un modelo de IA tenga una precisión del 78 % es bueno. Cuando tiene una precisión de más del 50 %, ya estás ganando.
“Algunos clientes nos han pedido que nos digan: ‘Queremos este modelo y queremos una precisión del 100 % sin falsos positivos’. Y nosotros tenemos que decirles: ‘Bueno, no podemos hacerlo porque es imposible’. Y si consigues ese tipo de modelo, has hecho algo mal”.
Casos de uso: herramientas eficaces para capacitar a ejecutivos de negocios en modelos de IA
Hillman no cree que los dueños de negocios deban recibir cursos de “ciencia de datos 101”, que podrían resultarles “inútiles” en la práctica. En cambio, dijo Casos de uso de IA se puede aprovechar para demostrar cómo funcionan los modelos de IA para la gente de negocios de manera mucho más efectiva.
“Creo que el enfoque basado en casos de uso es definitivamente mejor para las personas del lado comercial 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 dueños de empresas se aseguren de que sus proyectos de IA avancen desde la idea y la prueba de concepto hasta la producción:
Realizar una evaluación de impacto
Se debe realizar una evaluación de impacto de antemano. Esta evaluación debe incluir consideraciones clave, como por qué la empresa está llevando adelante el proyecto de IA y los beneficios comerciales concretos.
“Rara vez veo eso en las especificaciones originales”, señaló Hillman.
Por el contrario, las evaluaciones de impacto suelen iniciarse cuando un proyecto está en marcha o después de que se ha realizado el trabajo técnico, lo que puede contribuir a que los proyectos se archiven y no lleguen a producción.
Elija los casos de uso adecuados
Aunque los modelos de transformadores estaban ganando popularidad antes de ChatGPT, el revuelo causado por el lanzamiento del chatbot de OpenAI llevó a las empresas a poner en marcha proyectos de IA generativa para seguir siendo relevantes. Esto ha dado lugar a algunas selecciones de casos de uso que pueden ser erróneas.
VER: 9 casos de uso innovadores de IA en empresas australianas en 2024
Hillman suele preguntar a las empresas si pueden “elaborar un informe en su lugar”, ya que normalmente hay formas más sencillas de lograr los objetivos empresariales que crear un modelo de IA. Afirma que los modelos de IA suelen fracasar en su lanzamiento debido a la falta de una evaluación de impacto o porque el caso de uso era incorrecto.
Tener un patrocinador empresarial fuerte
Los proyectos de IA funcionan mejor cuando cuentan con un patrocinador empresarial sólido que los impulsa. Un líder empresarial puede garantizar que otros equipos de la empresa comprendan el impacto potencial de un proyecto de IA y que trabajen juntos para implementar los datos de IA en los procesos.
“El área de TI puede tener el presupuesto para la tecnología, y alguien más puede tener los datos y la seguridad y privacidad, pero en realidad, el impulso siempre tiene que venir del lado comercial”, dijo Hillman.
