La inteligencia artificial ha revolucionado el mundo desde su llegada. En la actualidad se ha avanzado mucho en esta área desde el punto de vista investigativo, pero pocas empresas han incorporado la IA a lo largo de su cadena de valor. Por ello, desde la multinacional española Stratesys, hub tecnológico entre Europa y América, hacen una recomendación de cuáles son los 5 puntos claves para incorporar la IA en la cadena de valor de una empresa de manera eficaz:
Incorporar la Inteligencia Artificial en el ADN de la empresa: La fase más importante y el primer paso, es mostrarle a los c-levels cómo el uso de la IA puede ayudar a cada unidad de negocio de la compañía. Se debe entender que la IA es “cross” a todas las áreas que conforman una organización y que puede apoyar en la toma de decisiones de los expertos, ofreciendo hasta 10 veces más eficacia mientras eleva la productividad hasta un 40%. Hoy en día, la tendencia de empresas líderes es crear un departamento de IA para aumentar significativamente la productividad y, en consecuencia, sus ingresos y/o márgenes.
Datos de calidad: Se pueden encontrar grandes volúmenes de datos dentro una empresa utilizando las mejores tecnologías para gestionarlos, pero si éstos carecen de calidad no será viable la creación de modelos de IA eficaces. La calidad de los datos se debe gestionar conjuntamente entre Negocio, Arquitectura y Científicos de Datos, dónde la voz cantante la deben llevar los equipos de Negocio como máximos conocedores de los datos y los problemas a resolver. Los modelos aprenden de lo que se les enseña, si los datos son de baja calidad, los modelos de IA también lo serán.
Metodología de desarrollo: Una de las fases más importantes para crear un departamento de IA, es tener una metodología sólida de desarrollo de modelos de IA. En esta fase debe incluirse un equipo multidisciplinar conformado por personas de negocio, ingenieros de datos, arquitectos de tecnología y científicos de datos; mientras se coordinan a través del “business translator”. Siendo este último la piedra angular para entender el problema desde el punto de vista de negocio y llevarlo al lenguaje de los equipos técnicos en IA. Además, el “business translator” debe entender los resultados de los modelos creados y traducirlos a los KPIs de la empresa.
Plataformas de Inteligencia Artificial: Hoy en día se necesitan plataformas de IA que nos ayuden a agilizar, gestionar y automatizar los modelos de forma eficaz y eficiente. La plataforma seleccionada debe tener la capacidad de democratizar la IA hacia aquellas áreas de la empresa dónde no se tienen científicos de datos. La plataforma debe proveer funcionalidades de low-code para que expertos en negocio puedan crear sus propios modelos de IA con sólo la supervisión de científicos de datos. Esto puede provocar la creación de dos a tres veces más modelos de IA en toda la empresa. La idea que hay detrás de esta democratización es también que una nueva cultura permee en las organizaciones a través de la aplicación de estas nuevas técnicas generando una profunda diferenciación con la competencia
Inteligencia Artificial Explicativa. Una parte fundamental de crear modelos de IA es entender que ha hecho el modelo y cómo toma las decisiones. Además, entender qué decisiones provee el modelo ante casos atípicos ayuda tanto a los expertos en negocio como a los científicos de datos a entender la veracidad del modelo cuando realiza las predicciones. Actualmente, se están dictando regulaciones en varios sectores, por ejemplo, el sector financiero, para utilizar sólo aquellos modelos que puedan proveer una explicación de las predicciones. Por tanto, crear modelos explicativos debe estar sobre la mesa desde la concepción del caso de uso.
“Una empresa AI-first debe incluir la aplicabilidad de la IA en su ADN, contar con datos de calidad, una metodología de desarrollo eficaz, una plataforma eficiente y generar modelos explicativos”, explica Octavio Loyola, Executive Manager & Head of Machine Learning en Stratesys.
