Índice del artículo
En este podcast abordamos las principales fallas en los proyectos de inteligencia artificial y ofrecemos algunos tips para maximizar el Retorno de Inversión (ROI) en las empresas. Escucha a Hugo Domínguez, líder de Comunicación de Gesta Labs.
iVoox
Spotify
El ejercicio era muy interesante: desarrollar un algoritmo de inteligencia artificial para crear sabores de helados sorprendentes y deliciosos, para lo cual un equipo de científicos de datos, dirigido por la experta en la materia Janelle Shane, alimentó un algoritmo con la información de 1,600 sabores de helados existentes. ¿Qué podía salir mal?
Basura de calabaza, baba de mantequilla de maní, enfermedad de crema de fresa… Fueron algunos de los sabores que creó el algoritmo. Sorprendentes, sin duda, pero lejos de ser deliciosos o deseables.
¿La inteligencia artificial no funcionó? Lejos de eso. De hecho, cumplió su objetivo.
1. Datos: calidad y cantidad
Los datos son el combustible con el que corre la IA, por lo que debes asegurarte de tenerlos en suficiente cantidad y representatividad. Es común que los equipos y sensores generen una enorme cantidad de datos, pero las empresas carecen de la infraestructura para almacenarlos. Y esto no es todo: muchas veces esos datos no son los mejores por errores en los procesos de digitalización. Sin datos no hay paraíso.
2. Sobredimensionar a la IA
Cuando una empresa incorpora esta tecnología, lo hace con la visión de convertirse en el Uber de su industria, pero esto puede ser demasiado aspiracional al principio. ¿Realmente todos los problemas del negocio deben ser resueltos con IA? Para nada; al menos no en un principio.
La IA no puede hacerlo todo y tampoco es recomendable como solución a todo. El problema justifica la implementación siempre y cuando sea relevante en términos de impacto económico y frecuencia con la que sucede. Después de ello debes evaluar si tu problema admite cierto grado de error —un sistema de IA gana precisión con el tiempo, pero al comienzo esto puede ser tortuoso— o si tienes los datos para resolverlo.
3. El reto de integrarlo a la operación diaria
Google desarrolló un modelo de Computer Vision para detectar la retinopatía diabética, el cual tenía una precisión de 90% en ambiente de pruebas. Una vez que la empresa lo probó en hospitales, fue un desastre, pues las condiciones reales -pésimo internet, mala recolección de datos, fotografías de mala calidad, etc- impidieron que la tecnología tuviera la misma respuesta. Cuando creas un modelo, debes considerar las condiciones en las que se desempeñará, pues no es lo mismo un ambiente de pruebas que está simulado y controlado, que uno real con todas las condiciones e imponderables a los que se enfrenta.
Este artículo se publicó originalmente en Mexico Industry