Superar obstáculos en el diseño de proyectos integrales de inteligencia artificial

Nota del editor: Este artículo se publicó originalmente en Forbes.

Según un estudio reciente de 451 Research, parte de S&P Global Market Intelligence, “más del 90 % de las organizaciones que han adoptado la inteligencia artificial comenzaron a desarrollar su primer proyecto en este campo en los últimos cinco años”. Aunque son incipientes, cada vez contamos con más soluciones basadas en inteligencia artificial a nuestro alrededor. Sin embargo, muchas de estas iniciativas aún no cumplen con las expectativas, si es que llegan a implementarse.

Para tener éxito, los líderes deben seleccionar y administrar proyectos de inteligencia artificial con una estrategia bien pensada basada en expectativas claras, en la alineación con los objetivos empresariales y en la iteración. Pasemos a explorar los obstáculos comunes que enfrentan las organizaciones para diseñar proyectos integrales de inteligencia artificial de éxito y cómo superar dichos obstáculos.

Equilibrar las expectativas de las soluciones impulsadas por inteligencia artificial

Muchos de los proyectos de inteligencia artificial fallidos actuales nos recuerdan a los proyectos de software empresarial de los años noventa, donde los proyectos de desarrollo fracasaban porque los equipos tenían grandes esperanzas de que las nuevas tecnologías solucionarían sus problemas. Tanto entonces como ahora, uno de los peores errores es tener expectativas exageradas de lo que la solución realmente puede abordar.

Es arriesgado suponer que, al recopilar suficientes datos, de repente todo vaya a ser transparente. O que vaya a ser posible predecir los comportamientos de los clientes o hacer recomendaciones perfectas para anticiparse a sus necesidades. Por desgracia, el mundo es mucho menos predecible de lo que a la gente le gustaría. Si bien surgen patrones útiles, no todos los eventos son causales ni están correlacionados: suceden muchas cosas que solo generan confusión.

Al mismo tiempo, muchas organizaciones ven que sus pares implementan soluciones de inteligencia artificial y sienten la presión de seguirlos. Invertir en inteligencia artificial solo para copiar el comportamiento de los demás puede resultar contraproducente si no comprende qué es lo que verdaderamente está impulsando el éxito de sus pares y si eso funcionará o no para su propia organización. A menudo, las empresas con ventaja en sus proyectos de inteligencia artificial cuentan con estrategias de datos y procesos empresariales que les permiten recopilar y aprovechar los tipos de datos adecuados para la inteligencia artificial.

En última instancia, para equilibrar las expectativas de los proyectos de inteligencia artificial, primero es necesario determinar cuáles de los problemas realmente se pueden resolver con inteligencia artificial.

Elegir los tipos correctos de proyectos de inteligencia artificial para sus problemas

¿Está su estrategia de inteligencia artificial alineada con sus objetivos empresariales? La selección de proyectos es probablemente el mayor desafío que enfrentan las organizaciones con sus iniciativas de inteligencia artificial. Es importante entender realmente la pregunta que está tratando de responder, cómo (y si) responder esa pregunta brindará mejores resultados de negocios y si los recursos que tiene a disposición pueden responderla con éxito y eficiencia.

Supongamos que desea utilizar un modelo predictivo para determinar cuándo y qué tipo de descuento ofrecer a un cliente. ¡Que venga el equipo de ciencia de datos! En realidad, no obstante, se trata de un asunto muy complicado de abordar como un problema de modelo predictivo. En primer lugar, es difícil saber si el cliente compraría o no el producto sin el descuento. Además, a fin de recopilar los datos necesarios con suficiente rigor estadístico para crear un modelo útil, probablemente sea necesario implementar algunos procesos forzados o arbitrarios. Estos pueden incluir, por ejemplo, seleccionar aleatoriamente qué clientes obtienen descuentos o qué representantes de ventas pueden ofrecer descuentos. Todo esto hace que la situación sea mucho más compleja.

Una mejor manera de abordar este problema con inteligencia artificial podría ser explorar modelos de simulación del comportamiento del cliente que podrían esperarse con diferentes opciones de descuentos. En lugar de forzar el sistema para llegar a un pronóstico preciso, la simulación y la planificación de escenarios pueden ayudar a las personas a descubrir qué variables se relacionan entre sí al tomar decisiones de negocios. Pregúntese lo siguiente: ¿qué respuesta del cliente necesitaríamos para que este descuento tuviera sentido? Este tipo de ejercicio para explorar resultados potenciales es mucho más efectivo y ciertamente mucho más fácil que elaborar un experimento complejo de ciencia de datos. 

Preparar a los equipos para el éxito

Comprender para qué se recopilaron y seleccionaron los datos, cómo se usaron en el pasado y cómo se usarán en el futuro es fundamental para llevar a cabo cualquier tipo de iniciativa de inteligencia artificial con los datos. Para entrenar un modelo, es importante contar con datos completos y representativos de lo que hay disponible en el mundo real en el momento en el que se realiza la intervención. Por ejemplo, si cuenta con varias etapas en la canalización de su negocio y desea predecir la probabilidad de que se cierre un negocio durante la quinta etapa, no puede ejecutar el mismo modelo en los negocios que se encuentran en las etapas tres o cuatro y esperar obtener resultados útiles.

Los científicos de datos a menudo experimentan una brecha en la comprensión de los matices de qué representan los datos y cómo se generan. ¿Qué procesos humanos y tecnológicos desempeñan un papel en la generación de los datos y qué significan exactamente los datos en el contexto de su empresa? Aquí es donde los analistas y los usuarios corporativos que trabajan con los datos, y los problemas que intenta resolver con ellos, son increíblemente valiosos. Nos gusta pensar en la inteligencia artificial como un deporte en equipo porque el éxito requiere del contexto comercial además de los conocimientos esenciales de datos y modelos.

Por último, para tener éxito en los proyectos, existen aspectos relacionados con las personas que las organizaciones pueden pasar por alto si se centran demasiado en los datos o la tecnología. A menudo, la inteligencia artificial puede hacer una predicción, pero depende de una persona decidir cómo convertir eso en una acción recomendada. ¿La sugerencia es útil para proporcionar una acción clara y que las demás personas estén dispuestas a seguir? ¿Está creando un entorno en el que estas sugerencias se recibirán de manera efectiva?

Hacer una predicción solo a veces es útil. ¿Está dispuesto a ajustar los precios, los volúmenes de productos o la cantidad de personal, o incluso cambiar su línea de productos? ¿Qué nivel de gestión del cambio se necesita para que las personas adopten la nueva solución y evolucionen sus comportamientos y procesos establecidos? La confianza proviene de un patrón de comportamiento constante y la voluntad de continuar educando a los miembros de la empresa. Si se dispone a realizar un cambio con un impacto radical en cómo las personas hacen su trabajo, debe lograr que estén de acuerdo.

Comenzar con poco e iterar

Para concluir, quisiera brindar algo de orientación basada en lo que hemos visto al trabajar con los clientes.

A menudo, el mejor primer proyecto de inteligencia artificial es el que será más fácil de poner en marcha y en producción con la gestión de cambios menos compleja. Intente crear algo que genere valor lo más rápido posible, incluso si se trata de una mejora incremental muy pequeña. Luego, mantenga a los clientes, los usuarios corporativos y las partes interesadas tan involucradas como sea posible en el proceso de desarrollo. Cree un entorno donde los comentarios sean bienvenidos, tanto en el sentido de recopilar más datos para mejorar iterativamente el modelo como de recibir aportaciones de las partes interesadas para mejorar el proyecto y sus resultados.

Con la inteligencia artificial, siempre existirán casos extremos donde no podrá usar la solución. Sin embargo, es mejor encontrar soluciones que funcionen para la mayoría de sus clientes o empleados que desarrollar una prueba de concepto realmente excepcional que solo funcione para algunos casos de uso personalizados. A fin de cuentas, la inteligencia artificial debería reducir la fricción y facilitar que las personas hagan su trabajo y tomen decisiones informadas.

¿Desea obtener más información? No se pierda nuestra charla sobre proyectos de inteligencia artificial en LinkedIn. Además, obtenga más información sobre el análisis impulsado por inteligencia artificial con Tableau.

Suscribirse a nuestro blog