La IA no tiene que ser demasiado complicada ni costosa para su negocio

La mayoría de las empresas no tienen un camino claro hacia el éxito. Pero eso podría cambiar con un nuevo enfoque, centrado en los datos de AI.
A IA não precisa ser muito complicada ou cara para a sua empresa
A IA não precisa ser muito complicada ou cara para a sua empresa

A pesar del enorme potencial de la inteligencia artificial (IA), no se ha afianzado en la mayoría de las industrias. Claro que ha transformado empresas de Internet de consumo como Google, Baidu y Amazon, todas masivas y ricas en datos, con cientos de millones de usuarios. Pero para las proyecciones que la IA creará 13 billones de dólares de valor al año para hacerse realidad, industrias como la manufactura, la agricultura y la sanidad todavía necesitan encontrar formas de hacer que esta tecnología funcione para ellos. Este es el problema: El manual de jugadas que utilizan estas empresas de Internet de consumo para crear sus sistemas de IA, donde un único sistema de IA que se adapta a todos los tamaños puede servir a un gran número de usuarios, no funcionará para estos otros sectores.

En cambio, estas industrias heredadas necesitarán un gran número de soluciones a medida que se adapten a sus diversos casos de uso. Sin embargo, esto no significa que la IA no funcione para estas industrias. Solo significa que necesitan adoptar un enfoque diferente.

Para salvar esta brecha y liberar todo el potencial de la IA, los ejecutivos de todos los sectores deberían adoptar un nuevo enfoque centrado en los datos para crear IA. Específicamente, deberían tratar de crear sistemas de IA prestando especial atención a garantizar que los datos transmitan claramente lo que necesitan que la IA aprenda. Esto requiere centrarse en los datos que cubren casos importantes y que estén etiquetados de forma coherente, para que la IA pueda aprender de estos datos lo que se supone que debe hacer. En otras palabras, la clave para crear estos valiosos sistemas de IA es que necesitamos equipos que puedan programar con datos en lugar de programar con código.

Por qué adoptar la IA fuera de la tecnología puede ser tan difícil

¿Por qué no se utiliza ampliamente la IA fuera de las empresas de Internet de consumo? Los principales desafíos que enfrenta la adopción de IA en otros sectores incluyen:

  1. Conjuntos de datos pequeños. En una empresa de internet de consumo con un gran número de usuarios, los ingenieros tienen millones de puntos de datos de los que su IA puede aprender. Sin embargo, en otros sectores, los tamaños de los conjuntos de datos son mucho más pequeños. Por ejemplo, ¿puede crear un sistema de IA que aprenda a detectar un componente automotriz defectuoso después de ver solo 50 ejemplos? ¿O para detectar una enfermedad rara después de haber aprendido de tan solo 100 diagnósticos? Las técnicas creadas para 50 millones de puntos de datos no funcionan cuando solo tienes 50 puntos de datos.
  2. Costo de personalización. Las empresas de Internet de consumo emplean a decenas o cientos de ingenieros cualificados para crear y mantener sistemas de IA monolíticos que generan un valor tremendo, por ejemplo, un sistema publicitario en línea que genera más de 1.000 millones de dólares en ingresos al año. Pero en otras industrias, hay numerosos proyectos de 1 a 5 millones de dólares, cada uno de los cuales necesita un sistema de IA personalizado. Por ejemplo, cada fábrica que fabrica un tipo diferente de producto podría requerir un sistema de inspección personalizado y cada hospital, con su propia forma de codificar los registros médicos, podría necesitar su propia IA para procesar los datos de sus pacientes. El valor agregado de estos cientos de miles de estos proyectos es enorme; pero la economía de un proyecto individual podría no apoyar la contratación de un gran equipo de IA dedicado para construirlo y mantenerlo. Este problema se ve agravado por la continua escasez de talento de IA, lo que aumenta aún más estos costos.
  3. Brecha entre la prueba de concepto y la producción. Incluso cuando un sistema de IA funciona en el laboratorio, se necesita una gran cantidad de ingeniería para implementarlo en producción. No es raro que los equipos celebren una prueba de concepto exitosa, solo para darse cuenta de que aún tienen otros 12 a 24 meses de trabajo antes de poder desplegar y mantener el sistema.

Para que la IA pueda aprovechar todo su potencial, necesitamos un enfoque sistemático para resolver estos problemas en todos los sectores. El enfoque centrado en los datos de la IA, respaldado por herramientas diseñadas para crear, implementar y mantener aplicaciones de IA, denominadas plataformas de operaciones de aprendizaje automático (MLOP), lo hará posible. Las empresas que adopten este enfoque más rápido tendrán un paso hacia arriba en relación con los competidores.

Desarrollo de IA centrado en datos

Los sistemas de IA se componen de software (el programa informático que incluye un modelo de IA) y datos, la información utilizada para entrenar el modelo. Por ejemplo, para crear un sistema de IA para la inspección automatizada en la fabricación, un ingeniero de IA podría crear software que implemente un algoritmo de aprendizaje profundo, que luego se muestra un conjunto de datos que incluye imágenes de piezas buenas y defectuosas, para que pueda aprender a distinguirlas.

Durante la última década, gran parte de la investigación de IA se basó en un desarrollo centrado en el software (también llamado desarrollo centrado en modelos) en el que se fijan los datos, y los equipos intentan optimizar o inventar nuevos programas para aprender bien de los datos disponibles. Muchas empresas tecnológicas tenían grandes conjuntos de datos de millones de consumidores y lo utilizaron para impulsar una gran innovación en la IA.

Sin embargo, al nivel actual de sofisticación de la IA, el cuello de botella de muchas aplicaciones está obteniendo los datos adecuados para alimentar al software. Hemos oído hablar de los beneficios de big data, pero ahora sabemos que para muchas aplicaciones, es más fructífero centrarse en asegurarnos de que tenemos buenos datos — datos que ilustran claramente los conceptos que necesitamos que la IA aprenda. Esto significa, por ejemplo, que los datos deben ser razonablemente completos en cuanto a su cobertura de casos importantes y etiquetados de forma coherente. Los datos son alimento para la IA, y los sistemas modernos de IA no solo necesitan calorías, sino también nutrición de alta calidad.

Cambiar el enfoque del software a los datos ofrece una ventaja importante: depende de las personas que ya tiene en el personal. En una época de gran escasez de talento de IA, un enfoque centrado en los datos permite que muchos expertos en la materia que tienen un amplio conocimiento de sus respectivos sectores contribuyan al desarrollo del sistema de IA.

Por ejemplo, la mayoría de las fábricas tienen trabajadores altamente cualificados para definir e identificar lo que cuenta como defecto (¿un rasguño de 0,2 mm es un defecto? o es tan pequeño que no importa?). Si esperamos que cada fábrica pida a sus trabajadores que inventen un nuevo software de IA para obtener a esa fábrica la solución personalizada que necesita, el progreso será lento. Pero, en cambio, creamos y proporcionamos herramientas para capacitar a estos expertos de dominio a diseñar los datos, permitiéndoles expresar sus conocimientos sobre la fabricación proporcionando datos a la IA, sus probabilidades de éxito serán mucho mayores.

Hacer que la creación y el uso de IA sean sistemáticos y repetibles

El cambio hacia el desarrollo de IA centrado en los datos está siendo habilitado por el campo emergente de los MLOP, que proporciona herramientas que facilitan la creación, la implementación y el mantenimiento de sistemas de IA más fáciles que nunca. Las herramientas orientadas a ayudar a producir conjuntos de datos de alta calidad, en particular, son la clave para abordar los desafíos de los pequeños conjuntos de datos, el alto costo de personalización y el largo camino hacia la introducción de un proyecto de IA en producción descrito anteriormente.

¿Cómo, exactamente? En primer lugar, garantizar datos de alta calidad significa que los sistemas de IA podrán aprender de los conjuntos de datos más pequeños disponibles en la mayoría de los sectores. En segundo lugar, al permitir que los expertos en el dominio de una empresa, en lugar de expertos en IA, diseñen los datos, la capacidad de utilizar la IA será más accesible para todos los sectores. Y en tercer lugar, las plataformas MLOP proporcionan gran parte del software de andamiaje necesario para llevar un sistema de IA a producción, por lo que los equipos ya no tienen que desarrollar este software. Esto permite a los equipos implementar sistemas de IA y cerrar la brecha entre la prueba de concepto y las semanas o meses de producción en lugar de años.

La gran mayoría de los valiosos proyectos de IA aún no se han imaginado. E incluso para los proyectos en los que los equipos ya están trabajando, la brecha que lleva al despliegue en la producción sigue sin superarse; de hecho, Accenture estima que 80% a 85% de las empresas Los proyectos de IA se encuentran en fase de prueba de concepto.

Estas son algunas cosas que las empresas pueden hacer ahora mismo:

  1. En lugar de centrarse simplemente en el cantidad de los datos que recopila, tenga en cuenta también la calidad, asegúrate de que ilustra claramente los conceptos que necesitamos que la IA aprenda.
  2. Asegúrese de que su equipo considere adoptar un enfoque centrado en los datos en lugar de un enfoque centrado en el software. Muchos ingenieros de IA, incluidos muchos con sólidos antecedentes académicos o de investigación, recibieron formación para adoptar un enfoque centrado en el software; les instamos a que adopten también técnicas centradas en los datos.
  3. Para cualquier proyecto de IA que pretenda llevar a producción, asegúrese de planificar el proceso de implementación y proporcionar herramientas de MLOP para respaldarlo. Por ejemplo, incluso mientras se crea un sistema de prueba de concepto, inste a los equipos a que comiencen a desarrollar un plan a más largo plazo para la gestión de datos, la implementación y el monitoreo y mantenimiento del sistema de IA.

Es posible que la IA se convierta en un activo próspero fuera de las empresas de Internet de consumo ricas en datos, pero aún no ha alcanzado su paso en otros sectores. Pero debido a esto, la mayor oportunidad sin explotar para la IA puede ser llevarla a estas otras industrias. Así como la electricidad ha transformado todas las industrias, la IA también está en camino de hacerlo. Pero los próximos pasos en ese camino requerirán un cambio en nuestro libro de jugadas para determinar cómo creamos e implementamos sistemas de IA. Específicamente, una nueva mentalidad centrada en los datos, junto con las herramientas de MLOP que permiten a los expertos en dominios del sector participar en la creación, implementación y mantenimiento de sistemas de IA, garantizará que todos los sectores puedan aprovechar las recompensas que la IA puede ofrecer.

Related Posts
La búsqueda del enfoque del cliente

La búsqueda del enfoque del cliente

Cada compañía quiere estar cerca de sus clientes, pero deseando no lo hace así. Nuevos investigación identifica cuatro etapas de la orientación al cliente y mapas de los cambios organizativos necesarios para navegar de una etapa a la siguiente.
Leer más