Crear valor para el negocio con un proyecto de IA

La aplicación de tecnologías de Inteligencia Artificial puede acelerar la transformación de cualquier tipo de organización, así como generar de nuevas fuentes de ingresos. Sin embargo, analistas como Gartner afirman que un 85% de los proyectos actuales relacionados con IA no están siendo capaces de generar ningún valor para el negocio. Si poner en marcha un proyecto de IA requiere afrontar una inversión, no es admisible que esta no se traduzca en una rentabilidad y un valor medibles.

No identificar y formular de forma clara el objetivo que se desea conseguir a la hora de desarrollar la solución impulsada por IA, no disponer de las herramientas apropiadas, no contar con datos de alta calidad o no propiciar la colaboración de los científicos e ingenieros de datos, son algunas de las faltas más comunes a la hora de emprender este tipo de proyectos. Para reducir los riesgos a la hora de emprender un proyecto de IA, es recomendable tener en cuenta una serie de factores.

Definir el problema de negocio con claridad

Quizá el riesgo más típico asociado con los proyectos de IA es no definir correctamente el alcance del proyecto. Resulta crucial comenzar estableciendo un problema de negocio que necesita ser resuelto. De lo contrario, el resultado puede ser una solución que no necesariamente aborde el reto real, lo que conduciría, en todo caso, a que la organización obtuviera un valor limitado.

Ser capaz de articular cuál es el problema, su impacto, dónde y por qué ocurre, es clave para delimitar la dificultad que se está tratando de resolver. No articular el punto crítico con claridad puede derivar, además, en la aparición de otras dificultades a lo largo del proceso de desarrollo de la solución impulsada por IA.

Establecer objetivos claros para la solución de IA

El éxito de una solución impulsada por IA nunca debe definirse y medirse, únicamente, en términos técnicos, sino también en términos de valor para el negocio. El ROI de una solución de IA es significativamente más fácil de determinar y calcular cuando el problema empresarial se ha identificado claramente.

Sin embargo, no todos los casos de uso son fáciles de evaluar. Especialmente cuando se está creando un nuevo servicio. En estas ocasiones, es complicado establecer y medir la diferencia y el impacto de un servicio que antes no existía, por lo que el cálculo del ROI debería basarse en un conjunto de suposiciones formuladas en objetivos y KPI medibles.

Ordenar los datos

Un proyecto de IA suele comenzar con una infraestructura moderna de datos y ML. Existe un consenso general de que los datos de alta calidad son el activo clave para construir modelos de IA de buen rendimiento.

La mala calidad de los datos es una de las principales razones por las que las soluciones de IA no ofrecen valor empresarial. Gartner la ha identificado como una de las tres principales barreras para la adopción de la inteligencia artificial. Abordar la calidad de los datos desde el principio aumentará significativamente las posibilidades de que la solución impulsada por IA pueda ofrecer un valor medible.

Cuando los científicos de datos exploran la información para crear modelos y validar hipótesis para afrontar un objetivo de negocio determinado, normalmente experimentan uno o más de los siguientes retos:

• A menudo es difícil acceder a los datos porque están enterrados en sistemas complejos.
• Los datos tienen problemas de calidad y, por lo tanto, requieren un esfuerzo sustancial de limpieza y preprocesamiento.
• Grandes y diversos volúmenes de datos almacenados utilizando una tecnología que no es adecuada para soportar el análisis y casos de uso de IA, lo que suele ser costoso de revertir o cambiar.
• El entrenamiento del modelo a menudo se desarrolla y ejecuta en máquinas locales sin ninguna infraestructura adecuada para escalar.

Aprovechar las tecnologías cloud existentes

La forma en la que cada empresa configura su pila tecnológica tiene un gran impacto en la rapidez con la que podrán desarrollar soluciones impulsadas por IA. En algunos casos, tiene sentido crear de forma interna herramientas que aborden las necesidades únicas de cada organización, especialmente cuando se dispone de suficientes recursos para mantener y desarrollar estas herramientas. Sin embargo, aprovechar las tecnologías y los servicios existentes y probados de la nube puede ayudar a acelerar el desarrollo de soluciones impulsadas por IA y, por lo tanto, supone una buena estrategia para la mayor parte de las organizaciones.

Si bien hay muchos servicios cloud disponibles, en algunos casos falta conocimiento sobre su existencia y capacidades. Asimismo, muchas empresas prefieren desarrollar sus propias soluciones porque temen acabar dependiendo de las decisiones de los proveedores cloud. A pesar de esto, los beneficios de las tecnologías cloud superan los posibles riesgos y, por lo tanto, vale la pena considerarlos para acelerar los procesos.

El alcance de los desafíos relacionados con la falta de herramientas es visible en la investigación de Gartner, que señala en su informe que solo el 53% de los proyectos de IA pasan de la fase de prototipo a la de producción.

Ordenar la casa

Configurar la organización para alcanzar el éxito con un proyecto de IA requiere tener en cuenta no solo los datos, la tecnología, el negocio y la estrategia, sino también las personas.

Una de los principales obstáculos para la adopción de IA y aprendizaje automático son las habilidades del personal. Según Gartner, el 56% de las empresas afirma que este factor está limitando su madurez en IA, por lo que no es sorprendente que un número cada vez mayor de organizaciones esté acelerando sus proyectos de IA con la ayuda de expertos externos.

La diversidad de los equipos, con científicos e ingenieros de datos trabajando juntos, y el apoyo incondicional de los directivos de la empresa son características compartidas por las organizaciones que están teniendo éxito con sus proyectos de inteligencia artificial. 

Una solución siempre actualizada

Una solución de IA en producción solo ofrecerá valor mientras siga siendo relevante, las necesidades de mantenimiento se aborden sin demora y los costes continuos de funcionamiento de la plataforma de datos estén optimizados. Esto se puede lograr fácilmente automatizando las tareas de supervisión y gestión del modelo de datos, algo que garantiza también que los usuarios finales de las soluciones impulsadas por IA reciban resultados relevantes que les permitan crear valor para la organización.

Firmado: José Manuel Marina, director general de Crayon