Índice del artículo
En este artículo te explicamos las fases clave para transitar de un proyecto piloto a una implementación en ambiente real en un proyecto de inteligencia artificial.
Por Jair Pérez, CEO de Gesta Labs
jair@gestalabs.com
Inteligencia artificial, un proceso de investigación y desarrollo
Todo proyecto de inteligencia artificial necesita un nuevo enfoque por parte de la alta dirección que se base en la disposición a experimentar. Es necesario entender que esta tecnología se parece mucho más a un proceso de investigación y desarrollo —que exige iteración constante, mejora continua del producto o de la solución y una disposición absoluta a fallar— que a una implementación de TI.
Esto es un todo un reto una vez que decides pasar de la etapa de proyecto piloto a una implementación en productivo, en ambiente real.
Al ser un proyecto experimental, muchos factores tienen que ver para que un modelo de IA funcione adecuadamente y tenga potencial para escalar en el negocio: Escenarios no previstos, una usabilidad compleja de la solución o, incluso, una baja adopción del modelo por parte de los operadores.
El objetivo del proyecto piloto con Inteligencia Artificial
En los proyectos de IA, los proyectos piloto o pruebas de concepto sirven para establecer un objetivo o resultado y ver si el proyecto tiene potencial. Establecemos una hipótesis y buscamos validarla. Es una fase experimental y con mucha incertidumbre, en la que los equipos involucrados —TI, Producción y Ciencia de datos— realizan múltiples iteraciones sobre la validez de los datos para explotar el caso de uso.
“Una prueba de concepto generalmente se ejecuta en un ambiente controlado, con data histórica, sin las preocupaciones que implica su puesta en productivo; no hay operaciones diarias que puedan ser interrumpidas o desafiadas”, explica la consultora Emerj AI.
El reto de implementar en ambiente real
Este es el primer reto que conlleva la implementación en el negocio: no considerar escenarios reales que suceden todos los días y que afectan directamente el desempeño del modelo. Hay escenarios en el set de datos que no se consideran en el entrenamiento y que ocurren afuera, en la operación —imagina un ambiente fabril que complica la gestión de datos para el modelo o dificulta su integración a otros sistemas—. El reto es establecer uno o más reentrenamientos de los modelos, que sucedan de forma ágil y rápida, a fin de mantenerlo funcionando y que la operación no lo olvide.
También es de utilidad establecer una fase de incubación antes de la implementación en la que fijamos un objetivo numérico y vemos si lo cumplimos —lo que indica que la etapa fue exitosa— o, en su defecto, ir por nueva data o corregir el modelo.
Usabilidad del modelo
Un segundo factor es la usabilidad. El modelo arrojará recomendaciones o predicciones para establecer mejoras en la operación y para el usuario tiene que ser sencilla la interacción con la solución, de tal forma que pueda aplicar las sugerencias. Los talleres de Design Thinking suelen ser muy efectivos para entender las expectativas y necesidades de los usuarios / operadores y facilitar el uso de la solución.
Un elemento adicional para facilitar la transición de proyecto piloto a la implementación es una buena estrategia de gestión del cambio y de seguimiento de los KPIs. Resulta clave para asegurarse de que los operadores adopten la solución como parte de sus labores y que el modelo tiene un impacto en la operación —el indicador clave mejora cuando el operador usa el modelo, así de simple—.
No nos olvidemos de algo importante: el liderazgo es clave en esta transición. “¿Tienes un líder de equipo o champion que entiende las bases de la inteligencia artificial y está dispuesto a asumir riesgos e iterar?”, son otras preguntas que ayudan a facilitar este paso, sugiere Emerj AI.
Este artículo se publicó originalmente en Mexico Industry