Cómo configurar su proyecto de IA para el éxito

Preguntas y respuestas con Marco Casalaina, el jefe del programa Einstein AI de Salesforce.
Como configurar seu projeto de IA para o sucesso
Como configurar seu projeto de IA para o sucesso

Elegir el proyecto de IA adecuado para su empresa a menudo se reduce a tener los ingredientes correctos y a saber cómo combinarlos. Así, al menos, es como Marco Casalaina de Salesforce tiende a pensarlo. El veterano experto en inteligencia artificial y científico de datos supervisa Einstein, la tecnología de IA de Salesforce, y ha hecho una carrera al hacer que las tecnologías emergentes sean más intuitivas y accesibles para todos. Con Einstein, trabaja para ayudar a los clientes de Salesforce, desde pequeñas empresas hasta organizaciones sin fines de lucro y empresas de la lista Fortune 50, a aprovechar todos los beneficios de la IA. HBR hablé con Casalaina sobre lo que implica un proyecto de IA exitoso, cómo comunicarse como científico de datos y la única pregunta que realmente debe preguntar antes de lanzar un piloto de IA.

Llevas mucho tiempo trabajando en IA. Trabajó para Salesforce hace años, luego en otras empresas y ahora ha vuelto a liderar. ¿Cómo describirías lo que haces en este trabajo?

Llevo el aprendizaje automático a las cosas que la gente usa todos los días, y lo hago de manera que se alinee con su intuición. El problema con el aprendizaje automático y la IA, que son dos caras de la misma moneda, es que la mayoría de la gente no sabe lo que significa realmente. A menudo tienen una idea desbordante sobre lo que puede hacer la IA, por ejemplo. Y, por supuesto, la IA siempre está cambiando y es algo poderoso, pero sus poderes son limitados. No es omnisciente.

El argumento que estás haciendo sobre cómo la imaginación puede afiANzarse explica muchos de los problemas a los que se toparán las empresas con la IA. Por lo tanto, cuando piensas en el tipo de problemas que es la IA bueno en la resolución, ¿qué consideras?

Cuando hablo con los clientes, me gusta dividirlo en ingredientes. Si piensas en un taco de comida rápida, hay seis ingredientes principales: carne, queso, tomate, frijoles, lechuga y tortillas. La IA no es tan diferente: hay un menú de ciertas cosas que puede hacer. Cuando tienes una idea de lo que son, te da una idea de cuáles son sus poderes.

¡Estoy intrigado! Entonces, ¿cuáles son los ingredientes de la IA?

El primer ingrediente son las preguntas «sí» y «no». Si te envío un correo electrónico, ¿lo vas a abrir o no? Esto te da una probabilidad de si va a suceder algo. Obtenemos mucho kilometraje con preguntas de «sí» o «no». Son como el queso para nosotros, ponemos eso en todo.

El segundo ingrediente es la predicción numérica. ¿Cuántos días tardarás en pagar tu factura? ¿Cuánto tardaré en arreglar el refrigerador de esta persona?

Luego, en tercer lugar, tenemos clasificaciones. Puedo tomar una foto de esta reunión en la que estamos en este momento y preguntar: «¿Hay personas en esta foto?» «¿Cuántas personas hay en esta foto?» También hay clasificaciones de texto, que verás si alguna vez interactúas con un chatbot.

El cuarto ingrediente son las conversiones. Podría ser transcripción de voz, podría ser traducción. Pero básicamente, solo estás tomando información y traduciéndola de un formato a otro.

La tortilla, si seguimos nuestra analogía, son las reglas. Casi todos los sistemas de IA funcionales que existen en el mundo actual funcionan mediante algún tipo de reglas que están codificadas en el sistema. Las reglas, como la tortilla, mantienen todo unido.

Entonces, ¿cómo aplica esto personalmente en su trabajo en Salesforce? Porque creo que la gente a menudo se esfuerza por averiguar por dónde empezar con un proyecto de IA.

Las preguntas que hago son: «¿Qué datos tenemos?» Y, «¿Qué problemas concretos puedo resolver con él?»

En este trabajo en Salesforce, comencé con algo que todos los vendedores rastrean como una parte natural de su trabajo: categorizar un cliente potencial dándole una puntuación de la probabilidad de que se cierre.

Los conjuntos de datos como estos son una fuente clave de verdad a partir de la cual desarrollar un proyecto basado en IA. La gente quiere hacer todo tipo de cosas con las capacidades de IA, pero si no tienes los datos, entonces tienes un problema.

Al pasar a la siguiente fase de esto, hablemos del ciclo de vida de encontrar un proyecto e implementarlo. ¿Cuáles son las preguntas que se hacen al pensar en cómo ir del piloto al lanzamiento?

Qué problema intentas resolver: esa es la primera pregunta que debes responder.¿Intento priorizar el tiempo de la gente? ¿Intento automatizar algo nuevo? Luego, confirma que tiene los datos de este proyecto o que puede obtenerlos.

La siguiente pregunta que debes hacer es:¿Es un objetivo razonable? Si estás diciendo: Quiero automatizar el 100% de mis consultas de servicio al cliente, no va a suceder. Te estás preparando para el fracaso. Ahora, si el 25% de sus consultas de servicio al cliente son solicitudes para restablecer una contraseña, y desea automatizarla y quitarla de la placa de sus agentes, es un objetivo razonable.

Otra pregunta es:¿Puede hacerlo un humano? La mayoría de las veces, la IA no puede hacer nada que los humanos no puedan hacer.

Supongamos que es una compañía de seguros y quiere usar una imagen de un automóvil abollado para averiguar cuánto va a costar arreglarlo. Si esperas razonablemente que Joe en el taller de carrocería pueda mirar la imagen y decir que esto va a costar $1,500, entonces probablemente podrías entrenar a la IA para que lo haga también. Si no pueden, bueno, entonces una IA probablemente tampoco pueda hacerlo.

¿Cuánto tiempo quieres pasar en una fase piloto? Porque mucho de lo que haces, otras personas también lo intentan hacer.

Los proyectos de IA tienden a tener períodos piloto incómodamente largos, y deberían hacerlo. Hay dos razones para ello.

Primero, para determinar si realmente funciona como debería. ¿La gente confía en él? ¿Se explica lo suficiente por el peso del problema? En un extremo, hay cosas como un diagnóstico médico impulsado por la IA, que puede tener un gran impacto en la vida de una persona. Será mejor que me digas exactamente por qué crees que tengo cáncer, ¿no? Pero si una IA recomienda una película que no me gusta, no me importa por qué me dice eso. Muchos problemas de negocios caen en algún punto intermedio. Necesitas compartir la explicación suficiente para que tus usuarios confíen en ella. Y necesita este período piloto para verificar que sus usuarios lo entiendan.

En segundo lugar, debe medir el valor de la solución de IA en comparación con la interacción humana de referencia. Piense en automatizar las consultas de servicio al cliente. Para los clientes que utilizan el chatbot, ¿cuántos de ellos responden realmente a las preguntas correctas? Si uso el chatbot del DMV y digo: «He perdido mi licencia» y dice: «Complete este formulario y obtendrá un reemplazo», bueno, eso es lo que estaba solicitando. Pero si tu chatbot no puede responder a las preguntas de tus clientes, terminarás con clientes frustrados que odian tu chatbot y terminan hablando con un humano de todos modos.

Al girar un segundo aquí, has estado en este trabajo durante algunos años en este punto. ¿Cuáles son algunas de las grandes cosas que has aprendido durante ese tiempo?

Hemos aprendido a encontrar y utilizar conjuntos de datos para resolver problemas. Ahora, ayudamos a las personas a entender cómo los datos que están introduciendo en sus sistemas empresariales, solo en virtud de hacer su trabajo, se pueden utilizar para desarrollar el aprendizaje automático que les ayude a resolver los problemas de manera más eficiente. Pero también hemos aprendido lo importante que desempeña la intuición en ese proceso.

¿Cómo es así?

Por lo tanto, lanzamos un producto llamado constructor de predicciones de Einstein hace unos dos años. Muchos clientes lo utilizan ahora, pero no tenía la misma curva de adopción rápida que algunos de los servicios más autoexplicativos, como la puntuación de clientes potenciales.

El generador de predicciones de Einstein le permite crear una predicción personalizada para preguntas como: «¿Mi cliente pagará su factura con retraso o no?» Nos dimos cuenta de que para llegar a esa predicción, la gente tiene que dar un salto mental: Me gustaría saber la respuesta a esta pregunta, así que quiero hacer una predicción sobre eso.

Fue difícil para muchos clientes. Ahora, tenemos un nuevo producto, un creador de recomendaciones. Se explica un poco más por sí mismo, porque también estamos introduciendo un sistema de plantillas. Por ejemplo, recomendará qué piezas colocar en el camión cuando se envíe a un representante de campo para arreglar un refrigerador. Llevaremos al caballo al agua, claro, desde la perspectiva de Salesforce, al tener el paso automatizado allí, y trabajaremos con los clientes para comprender qué piezas pueden necesitar para los escenarios a los que se enfrentan.

Como científicos de datos en el campo de la IA, tenemos una tendencia a pensar en algoritmos, o tal vez en abstracciones de nivel ligeramente superior. He aprendido que realmente necesitamos meternos en la cabeza de nuestros clientes y expresar la solución al problema en términos con los que se relacionen. Entonces, no solo hago una recomendación, sino que recomiendo específicamente la parte que va en un proyecto; no solo hago una predicción, estoy respondiendo específicamente a la pregunta, ¿vas a pagar tu factura o no?

Y luego tienes que decidir, si hago esa predicción, te doy la probabilidad de que el tipo pague tarde, ¿qué vamos a hacer al respecto?

Si estás hablando con líderes que están pensando en esto, parece que parte de lo que estás hablando es la necesidad de mantener la tierra a la hora de considerar qué problemas debes tratar de resolver con la IA y lo que tienes a mano que puede ayudarte a lograrlo.

Bien, volvemos a la pregunta de: ¿puede hacerlo un humano? Si pueden, vale, tal vez la IA sea una excelente manera de quitarle esa tarea al ser humano para liberarlo para otras cosas mágicas.


Elegir el proyecto de IA adecuado para su empresa a menudo se reduce a tener los ingredientes correctos y a saber cómo combinarlos. Así, al menos, es como Marco Casalaina de Salesforce tiende a pensarlo. El veterano experto en inteligencia artificial y científico de datos supervisa Einstein, la tecnología de IA de Salesforce, y ha hecho una carrera al hacer que las tecnologías emergentes sean más intuitivas y accesibles para todos. Con Einstein, trabaja para ayudar a los clientes de Salesforce, desde pequeñas empresas hasta organizaciones sin fines de lucro y empresas de la lista Fortune 50, a aprovechar todos los beneficios de la IA. HBR hablé con Casalaina sobre lo que implica un proyecto de IA exitoso, cómo comunicarse como científico de datos y la única pregunta que realmente debe preguntar antes de lanzar un piloto de IA.

Llevas mucho tiempo trabajando en IA. Trabajó para Salesforce hace años, luego en otras empresas y ahora ha vuelto a liderar. ¿Cómo describirías lo que haces en este trabajo?

Llevo el aprendizaje automático a las cosas que la gente usa todos los días, y lo hago de manera que se alinee con su intuición. El problema con el aprendizaje automático y la IA, que son dos caras de la misma moneda, es que la mayoría de la gente no sabe lo que significa realmente. A menudo tienen una idea desbordante sobre lo que puede hacer la IA, por ejemplo. Y, por supuesto, la IA siempre está cambiando y es algo poderoso, pero sus poderes son limitados. No es omnisciente.

El argumento que estás haciendo sobre cómo la imaginación puede afiANzarse explica muchos de los problemas a los que se toparán las empresas con la IA. Por lo tanto, cuando piensas en el tipo de problemas que es la IA bueno en la resolución, ¿qué consideras?

Cuando hablo con los clientes, me gusta dividirlo en ingredientes. Si piensas en un taco de comida rápida, hay seis ingredientes principales: carne, queso, tomate, frijoles, lechuga y tortillas. La IA no es tan diferente: hay un menú de ciertas cosas que puede hacer. Cuando tienes una idea de lo que son, te da una idea de cuáles son sus poderes.

¡Estoy intrigado! Entonces, ¿cuáles son los ingredientes de la IA?

El primer ingrediente son las preguntas «sí» y «no». Si te envío un correo electrónico, ¿lo vas a abrir o no? Esto te da una probabilidad de si va a suceder algo. Obtenemos mucho kilometraje con preguntas de «sí» o «no». Son como el queso para nosotros, ponemos eso en todo.

El segundo ingrediente es la predicción numérica. ¿Cuántos días tardarás en pagar tu factura? ¿Cuánto tardaré en arreglar el refrigerador de esta persona?

Luego, en tercer lugar, tenemos clasificaciones. Puedo tomar una foto de esta reunión en la que estamos en este momento y preguntar: «¿Hay personas en esta foto?» «¿Cuántas personas hay en esta foto?» También hay clasificaciones de texto, que verás si alguna vez interactúas con un chatbot.

El cuarto ingrediente son las conversiones. Podría ser transcripción de voz, podría ser traducción. Pero básicamente, solo estás tomando información y traduciéndola de un formato a otro.

La tortilla, si seguimos nuestra analogía, son las reglas. Casi todos los sistemas de IA funcionales que existen en el mundo actual funcionan mediante algún tipo de reglas que están codificadas en el sistema. Las reglas, como la tortilla, mantienen todo unido.

Entonces, ¿cómo aplica esto personalmente en su trabajo en Salesforce? Porque creo que la gente a menudo se esfuerza por averiguar por dónde empezar con un proyecto de IA.

Las preguntas que hago son: «¿Qué datos tenemos?» Y, «¿Qué problemas concretos puedo resolver con él?»

En este trabajo en Salesforce, comencé con algo que todos los vendedores rastrean como una parte natural de su trabajo: categorizar un cliente potencial dándole una puntuación de la probabilidad de que se cierre.

Los conjuntos de datos como estos son una fuente clave de verdad a partir de la cual desarrollar un proyecto basado en IA. La gente quiere hacer todo tipo de cosas con las capacidades de IA, pero si no tienes los datos, entonces tienes un problema.

Al pasar a la siguiente fase de esto, hablemos del ciclo de vida de encontrar un proyecto e implementarlo. ¿Cuáles son las preguntas que se hacen al pensar en cómo ir del piloto al lanzamiento?

Qué problema intentas resolver: esa es la primera pregunta que debes responder.¿Intento priorizar el tiempo de la gente? ¿Intento automatizar algo nuevo? Luego, confirma que tiene los datos de este proyecto o que puede obtenerlos.

La siguiente pregunta que debes hacer es:¿Es un objetivo razonable? Si estás diciendo: Quiero automatizar el 100% de mis consultas de servicio al cliente, no va a suceder. Te estás preparando para el fracaso. Ahora, si el 25% de sus consultas de servicio al cliente son solicitudes para restablecer una contraseña, y desea automatizarla y quitarla de la placa de sus agentes, es un objetivo razonable.

Otra pregunta es:¿Puede hacerlo un humano? La mayoría de las veces, la IA no puede hacer nada que los humanos no puedan hacer.

Supongamos que es una compañía de seguros y quiere usar una imagen de un automóvil abollado para averiguar cuánto va a costar arreglarlo. Si esperas razonablemente que Joe en el taller de carrocería pueda mirar la imagen y decir que esto va a costar $1,500, entonces probablemente podrías entrenar a la IA para que lo haga también. Si no pueden, bueno, entonces una IA probablemente tampoco pueda hacerlo.

¿Cuánto tiempo quieres pasar en una fase piloto? Porque mucho de lo que haces, otras personas también lo intentan hacer.

Los proyectos de IA tienden a tener períodos piloto incómodamente largos, y deberían hacerlo. Hay dos razones para ello.

Primero, para determinar si realmente funciona como debería. ¿La gente confía en él? ¿Se explica lo suficiente por el peso del problema? En un extremo, hay cosas como un diagnóstico médico impulsado por la IA, que puede tener un gran impacto en la vida de una persona. Será mejor que me digas exactamente por qué crees que tengo cáncer, ¿no? Pero si una IA recomienda una película que no me gusta, no me importa por qué me dice eso. Muchos problemas de negocios caen en algún punto intermedio. Necesitas compartir la explicación suficiente para que tus usuarios confíen en ella. Y necesita este período piloto para verificar que sus usuarios lo entiendan.

En segundo lugar, debe medir el valor de la solución de IA en comparación con la interacción humana de referencia. Piense en automatizar las consultas de servicio al cliente. Para los clientes que utilizan el chatbot, ¿cuántos de ellos responden realmente a las preguntas correctas? Si uso el chatbot del DMV y digo: «He perdido mi licencia» y dice: «Complete este formulario y obtendrá un reemplazo», bueno, eso es lo que estaba solicitando. Pero si tu chatbot no puede responder a las preguntas de tus clientes, terminarás con clientes frustrados que odian tu chatbot y terminan hablando con un humano de todos modos.

Al girar un segundo aquí, has estado en este trabajo durante algunos años en este punto. ¿Cuáles son algunas de las grandes cosas que has aprendido durante ese tiempo?

Hemos aprendido a encontrar y utilizar conjuntos de datos para resolver problemas. Ahora, ayudamos a las personas a entender cómo los datos que están introduciendo en sus sistemas empresariales, solo en virtud de hacer su trabajo, se pueden utilizar para desarrollar el aprendizaje automático que les ayude a resolver los problemas de manera más eficiente. Pero también hemos aprendido lo importante que desempeña la intuición en ese proceso.

¿Cómo es así?

Por lo tanto, lanzamos un producto llamado constructor de predicciones de Einstein hace unos dos años. Muchos clientes lo utilizan ahora, pero no tenía la misma curva de adopción rápida que algunos de los servicios más autoexplicativos, como la puntuación de clientes potenciales.

El generador de predicciones de Einstein le permite crear una predicción personalizada para preguntas como: «¿Mi cliente pagará su factura con retraso o no?» Nos dimos cuenta de que para llegar a esa predicción, la gente tiene que dar un salto mental: Me gustaría saber la respuesta a esta pregunta, así que quiero hacer una predicción sobre eso.

Fue difícil para muchos clientes. Ahora, tenemos un nuevo producto, un creador de recomendaciones. Se explica un poco más por sí mismo, porque también estamos introduciendo un sistema de plantillas. Por ejemplo, recomendará qué piezas colocar en el camión cuando se envíe a un representante de campo para arreglar un refrigerador. Llevaremos al caballo al agua, claro, desde la perspectiva de Salesforce, al tener el paso automatizado allí, y trabajaremos con los clientes para comprender qué piezas pueden necesitar para los escenarios a los que se enfrentan.

Como científicos de datos en el campo de la IA, tenemos una tendencia a pensar en algoritmos, o tal vez en abstracciones de nivel ligeramente superior. He aprendido que realmente necesitamos meternos en la cabeza de nuestros clientes y expresar la solución al problema en términos con los que se relacionen. Entonces, no solo hago una recomendación, sino que recomiendo específicamente la parte que va en un proyecto; no solo hago una predicción, estoy respondiendo específicamente a la pregunta, ¿vas a pagar tu factura o no?

Y luego tienes que decidir, si hago esa predicción, te doy la probabilidad de que el tipo pague tarde, ¿qué vamos a hacer al respecto?

Si estás hablando con líderes que están pensando en esto, parece que parte de lo que estás hablando es la necesidad de mantener la tierra a la hora de considerar qué problemas debes tratar de resolver con la IA y lo que tienes a mano que puede ayudarte a lograrlo.

Bien, volvemos a la pregunta de: ¿puede hacerlo un humano? Si pueden, vale, tal vez la IA sea una excelente manera de quitarle esa tarea al ser humano para liberarlo para otras cosas mágicas.



TS
Thomas Stackpole is a senior editor at Harvard Business Review.
Related Posts