Índice del artículo
Hay algunas malas prácticas en los proyectos de inteligencia artificial que reducen la tasa de Retorno de Inversión. Acá te decimos algunas.
Por Rafael R. Páez Yrigoyen, cofundador de Gesta Labs y vAIsor
Mail: rafael@gestalabs.com
Vamos a ser sinceros: nadie va a implementar inteligencia artificial en su negocio si no lo hace a través de un sólido caso de uso que tenga potencial para ser escalado y con un claro retorno de inversión en la organización. La realidad es que es irresponsable hacer proyectos de implementación tecnológica sin parámetros ni un objetivo claramente definido.
Incluso, puedo decir que un proyecto de transformación tecnológica que no tiene resultados económicos, es un proyecto que no fue correctamente elegido.
Los empresarios queremos ver el impacto de la inteligencia artificial con un buen retorno de inversión
Hace poco, un empresario me decía muy claro que a los tomadores de decisión del negocio lo que realmente les importa es que la ciencia de datos impacte en la organización, no que los equipos hagan mucha analítica avanzada. Esto es completamente cierto. Al final, la Inteligencia Artificial -o cualquier otra tecnología emergente- es un medio, no un fin en sí, y debe usarse para obtener beneficios para el negocio.
Ahora las empresas que experimentan con inteligencia artificial están tratando de encontrar la manera de mejorar el Retorno de Inversión que obtienen en sus proyectos. Es importante lograrlo de forma rápida y, desde nuestra experiencia, hemos visto algunas malas prácticas que son recurrentes en quienes aún no tienen el mejor resultado. Más vale tenerla en cuenta para comenzar a darle la vuelta a la situación.
El caso de uso correcto
Lo primero que debemos hacer es preguntarnos si estamos eligiendo el caso de uso adecuado para nuestro negocio. Recordemos que cada empresa tiene problemáticas y procesos peculiares, y es clave entender todos los elementos del problema para definir si la inteligencia artificial es la mejor herramienta para resolverlo. Por ejemplo: ¿el problema admite algún margen de error? ¿tengo datos históricos suficientes en cantidad y calidad para entrenar algún algoritmo? ¿estoy calculando el impacto económico del problema a resolver, así como la frecuencia con la que sucede?
De piloto a implementación real
Y de aquí se desprenden otros factores, como el hecho de que los modelos no sean lo suficientemente precisos. Algo que es muy común cuando se busca transitar de una fase piloto a una implementación a escala porque muchas veces desestimamos esas condiciones en las que se desarrollará el modelo —variabilidad de la data, procesos de recolección de información, calidad de los datos, etc—.
Otros problemas que llegan a suceder tienen que ver con el entendimiento de los resultados de los modelos. Es importante que las herramientas que se usen de IA sean didácticas y tener la capacidad de interpretarlas. La IA no es una caja negra a la que le arrojas datos y te devuelve eficiencias y ahorros para el negocio.
Es importante que consideres esto para que pongas cualquier proyecto de IA en su justa dimensión y tengas la paciencia para desarrollarlo. Recuerda que un proyecto con esta tecnología no es similar a cualquier implementación de TI, sino que se parece más a un proyecto de Investigación y Desarrollo que tiene una alta carga de incertidumbre. Es clave lidiar con ella para evitar cualquier frustración.
Este artículo se publicó originalmente en Cluster Industrial