Acelere su transformación digital con este marco de 6 pasos para adoptar la IA

De acuerdo con un artículo en The Economic Times, casi el 90% del mundo depende de algoritmos a diario, desde pedir pizza or un Uber a encontrar un programa en Netflix. Vivimos en un mundo donde la inteligencia artificial (IA) y el aprendizaje automático (ML) están a nuestro alrededor. Y de todos los cambios y avances económicos y tecnológicos que están en marcha, la IA puede tener el mayor impacto económico en el mundo, según Matt Wolodarsky en El búho rico, un blog de inversiones.

Muy pocas tecnologías a lo largo de la historia han tenido este nivel de impacto social y económico. Estamos hablando de Internet, la electricidad, la máquina de vapor y el impacto a nivel de imprenta. En 2018, The McKinsey Global Institute pronosticó que la IA generaría 13 billones de dólares de actividad económica incremental para 2030. Sus pronósticos prevén un 1.2% adicional de crecimiento del producto interno bruto (PIB) adicional por año hasta 2030. El doble del crecimiento, en comparación, con el crecimiento de la productividad de la máquina de vapor del 0.3% anual entre 1850 y 1910, y el aumento del 0.6% de la tecnología de la información en la década de 2000. 

Esta proyección es bastante posible cuando se piensa en las aplicaciones que tendrán las tecnologías de inteligencia artificial, como la visión por computadora, el lenguaje natural, los asistentes virtuales, la automatización de procesos robóticos y el aprendizaje automático en todas las industrias. Las oportunidades se pueden clasificar en cuatro áreas principales:

• Aumentar la forma en que se realizan los procesos o las tareas en la actualidad
• Automatización de tareas de trabajo manual repetitivas
• Ampliar o innovar productos y servicios a través de la personalización personal, como ejemplo.
• Incrementar la competitividad de una empresa (o país) debido a una mejor IA y / o datos

Transformación forzada por pandemia

La pandemia ha acelerado fundamentalmente el proceso de transformación digital en todas las industrias. Como resultado, las empresas equipadas con tecnología digital son más resistentes y capaces de adaptarse más rápido. Debido al impacto de COVID-19, International Data Corporation (IDC) pronostica que el 65% del PIB mundial se digitalizará para 2022. Lo que íbamos a pensar durante 2030 probablemente será cierto en 2025, Satya Nadella, El CEO de Microsoft, declaró durante una charla con el CEO de Flipkart Group, Kalyan Krishnamurthy. Como resultado, Previsiones de IDC La inversión directa en transformación digital crecerá a una tasa de crecimiento anual compuesta (CAGR) del 15.5% a nivel mundial entre 2020 y 2023.

Ahora es el momento de empezar a invertir en IA. Ciertas industrias ya han sido y seguirán siendo completamente interrumpidas por operadores establecidos nuevos o innovadores que aplican la IA de manera transformadora. Si necesita más pruebas, Apple acaba de anunciar está construyendo un nuevo campus y un centro de ingeniería en Carolina del Norte. La medida crearía al menos 3,000 puestos de trabajo en ML, IA e ingeniería de software.

Tomemos el ejemplo de un nuevo disruptor y puesta en marcha de seguros, Lemonade. La compañía salió a bolsa en 2020 y está cambiando toda la industria de seguros mediante el uso de Algoritmos de IA para cuantificar el riesgo con mayor precisión al suscribir pólizas de seguro. Su tecnología está generando ganancias sustanciales en la rentabilidad que les permiten socavar fácilmente a las compañías de seguros tradicionales. Y, como limonada recopila más datos para alimentar sus algoritmos, los proveedores de seguros tradicionales se quedan en el polvo.

Muchas corporaciones están explorando procesos que les permitirían comenzar a probar y explorar el potencial de la IA para ofrecer un valor comercial mejorado (como aumentar la detección de fraudes, brindar mejores recomendaciones a los clientes, etc.) o una prueba de concepto a corto plazo. Los casos de uso tienden a ser limitados, y los desarrolladores suelen aprovechar las herramientas de análisis de datos exploratorios (EDA) y los servicios de IA y ML listos para usar para pruebas de concepto y creación de prototipos. Dos ejemplos son el uso de un servicio de visión por computadora prediseñado para detectar texto impreso y escrito a mano y el uso de análisis descriptivo para crear un modelo de segmentación de clientes.

Las organizaciones están invirtiendo en la mejora de los procesos comerciales y creando un nuevo valor con el aprendizaje automático. Las empresas pueden comenzar explorando casos de uso de aprendizaje automático implementados por otras empresas.

También es importante evaluar la viabilidad de los casos de uso de aprendizaje automático, para poder identificar los requisitos para crear, entrenar y evaluar un modelo de aprendizaje automático y definir las características de los datos y los sesgos que afectan la calidad de los modelos de aprendizaje automático. Después de identificar las consideraciones clave para administrar proyectos de AA, puede comenzar a crear un caso de uso de AA personalizado que pueda tener un impacto significativo en su negocio.

Aprenda cómo comenzar a implementar aplicaciones de inteligencia artificial que pueden desbloquear un valor sostenido (de cientos de millones a miles de millones de dólares por año) a partir de costos reducidos, mayores ingresos y mayores márgenes. 

Identificación del valor comercial para el uso de AA  

ML es una forma de utilizar algoritmos estándar para analizar datos para derivar conocimientos predictivos y tomar decisiones repetidas. Cuando discuta el valor comercial con su equipo ejecutivo, responder las siguientes preguntas lo ayudará a identificar el valor que tendrá el aprendizaje automático en sus procesos comerciales.

• Análisis de beneficios: ¿Cómo mejoraría o beneficiaría la solución de este problema a la empresa, los clientes y / o las personas en general?
• Valor agregado: ¿Cómo clasificaría el proyecto: ganancia rápida, desarrollo a largo plazo o transformación completa?
• Recursos y aceptación: ¿Tenemos algún presupuesto, experiencia y / o apoyo de liderazgo?

¿Quién usará y cómo usará los datos y procesos facilitados por AI y ML? Evalúe los casos de uso de AA según dos criterios:

• Metas de dificultad: deben ser desafiantes, pero no imposibles.
• Metas de especificidad: deben ser claras pero no demasiado específicas.  

Es importante que los gerentes y ejecutivos aprendan a traducir los problemas comerciales en casos de uso de aprendizaje automático y examinen su viabilidad e impacto.

Definiendo el AA como práctica

La clave para un modelo de AA exitoso es una gran cantidad de datos. Los marcos y tecnologías de Big Data Cloud facilitan a las empresas la adopción de ML. Los profesionales de negocios en roles no técnicos tienen una oportunidad única de liderar o influir en proyectos de aprendizaje automático. Hay varios tipos de problemas de aprendizaje automático. Es importante aprender a diferenciar entre los más comunes; Desarrolle el vocabulario clave para apoyarse a sí mismo cuando trabaje con expertos en ML; y poder identificar los beneficios a corto y largo plazo al resolver esos problemas de LA.  

El mayor impacto que puede tener el aprendizaje automático es el uso de datos a escala. La PDF del marco de adopción de IA de Google Cloud cita un ejemplo de cómo un sitio de subastas reinventa su proceso de valoración de automóviles con ML. Un proceso que solía tomar 20 minutos, que ahora usa aprendizaje automático, se reduce a dos o tres minutos.

Donde hay datos, hay oportunidades de aprendizaje automático. Una institución financiera puede usar ML para ayudar a evaluar: 

• ¿Es esta transacción con tarjeta de crédito fraudulenta?
• ¿Debo ofrecer a este cliente un préstamo o una cuenta de ahorros?
• ¿Cuánto depositará este cliente actual durante los próximos 10 años?
• ¿Por qué este cliente está llamando al banco ahora?

Las barreras de entrada han caído

• Aumento del poder y la disponibilidad de hardware y software informáticos
• Aumento de la madurez y la sofisticación de los algoritmos de aprendizaje automático
• Mayor disponibilidad de datos

Otro ejemplo de ML que resuelve un problema es ¿cómo ayudamos a detener el uso de ML de COVID-19?  

Construyendo y evaluando modelos de AA

Para preparar datos para ML, necesitará conjuntos de datos etiquetados o ejemplos. El documento técnico de Google Cloud utiliza los atributos de una hoja como ejemplo.

Las etiquetas son los resultados que buscamos.  

Los tipos de etiquetas pueden ser números, categorías o frases.    

A veces, los datos etiquetados no están tan fácilmente disponibles, se sugiere que usted: 

• Utilice etiquetas de datos históricos (unidos)
• Usa una etiqueta de proxy
• Construye un sistema de etiquetado
• Utilice un servicio de etiquetado

3 pasos para formular el problema del AA

1. Elige un objetivo
2. Elija características de entrada
3. Obtener etiquetas

El informe de Google Cloud afirma que "entrenar el modelo suele ser el paso más fácil en el aprendizaje automático". Los modelos de mejor rendimiento se entrenan continuamente con nuevos datos. Siempre evalúe un modelo antes de usarlo en producción. Google tiene algunas prácticas recomendadas para tener en cuenta:

• Involucrar experimentación
• Comience simple
• No use sus datos de prueba durante la experimentación
• Pruebe sus proyectos de AA con usuarios finales

Usar ML de manera responsable y ética

Google tiene un conjunto de principios de inteligencia artificial pero recientemente ha sido objeto de críticas después de despedir a dos investigadores de ética en IA. Timnit Gebru, líder del equipo de IA ética de Google, dijo que había sido despedida por la empresa en diciembre de 2020 tras criticar su enfoque (en un trabajo de investigación) a la contratación de minorías, así como su enfoque del sesgo en la IA. The New York Times reportaron en febrero de 2021, otra investigadora de inteligencia artificial, Margaret Mitchell, dijo que la despidieron después de criticar la forma en que ha tratado a los empleados que estaban trabajando en formas de abordar el sesgo y la toxicidad en sus sistemas de inteligencia artificial. La Veces El artículo también destacó un creciente conflicto en la industria de la tecnología sobre sesgo en IA, que está entrelazado con preguntas relacionadas con la contratación de comunidades subrepresentadas.

Los sistemas de IA de hoy en día pueden tener sesgos humanos porque los investigadores e ingenieros que construyen estos sistemas son a menudo hombres blancos, y muchos se preocupan de que los investigadores no estén prestando a este problema la atención que necesita. Según un artículo de Josh Feast, publicado en el Harvard Business Review, existen muchas incidencias de que la IA adopte el sesgo de género de los humanos. El artículo de HBR cita un ejemplo de procesamiento del lenguaje natural (NLP) que está presente en Alexa de Amazon y Siri de Apple. Un artículo en Día Internacional de la Mujer Sobre Nosotros Abordar el sesgo de género en la IA, sugiere que "las empresas de inteligencia artificial necesitan atraer a más mujeres en trabajos tecnológicos, para diversificar el flujo de trabajo y la fuerza laboral que crean estas nuevas tecnologías".

Como resultado de la creciente necesidad de mujeres líderes en tecnología, lancé un grupo de aprendizaje entre pares y redes privadas examinado llamado Mujeres líderes en datos e inteligencia artificial (WLDA) para mujeres líderes ejecutivas que trabajan en tecnología, datos e inteligencia artificial para ayudar a orientar a más mujeres y ayudarles a avanzar en sus viajes hacia puestos de tecnología C-suite.

Descubriendo casos de uso de AA en el día a día de los negocios

¿Cómo comienza una empresa a encontrar casos de uso en los que el aprendizaje automático se puede utilizar en su negocio? Todas las empresas tienen problemas y, afortunadamente, el aprendizaje automático es otra herramienta en su conjunto de herramientas para la resolución de problemas. Entonces, ¿qué tipo de problemas son buenos candidatos para el aprendizaje automático? Por lo general, los problemas que requieren una serie de decisiones y tienen datos relevantes son los mejores. Después de todo, eso es lo que hace el aprendizaje automático: automatiza las decisiones utilizando datos relevantes. Habrá diferentes casos de uso empresarial para el aprendizaje automático según la industria en la que se encuentre su empresa. (Consulte las industrias y los ejemplos identificados en un publicar en el blog Squadex.)  

Administrar proyectos de AA con éxito

Los casos prácticos de uso de IA definirán su negocio. Necesita la experiencia, los datos, las herramientas, la tecnología, el ecosistema de socios y la economía adecuados para desarrollar y poner en funcionamiento su inteligencia artificial. Cada caso de uso de aprendizaje automático es diferente en diseño, arquitectura, herramientas y optimización. Para colmo, la disponibilidad de datos, la calidad de los datos, el almacenamiento de datos, la potencia de procesamiento y muchos otros factores juegan un papel importante.  

Las consideraciones clave para administrar con éxito proyectos de AA incluyen: 

• Valor de negocio - ¿Cómo mejoraría o beneficiaría la solución de este problema al negocio, clientes y / o personas en general? ¿Cómo clasificaría el proyecto: ganancia rápida, desarrollo a largo plazo o transformación completa? ¿Tenemos algún presupuesto, experiencia y / o apoyo de liderazgo?
• Estrategia de datos - ¿Están diseñados los sistemas para que tenga más datos el próximo año? ¿Puede romper los silos de datos? ¿Ha realizado la transición de los lagos de datos a los almacenes de datos? Querrá ejecutar modelos de AA en datos en tiempo real para extraer el mayor valor.
• Gobierno - El acceso a los datos siempre debe equilibrarse con la seguridad. Entrene modelos en subconjuntos o datos anónimos. A veces, la información más importante también es la más privada. Las preocupaciones sobre la privacidad deben abordarse antes de que los datos se compartan con los equipos de ciencia de datos. Los objetivos del AA y la privacidad son: identificar datos confidenciales, protegerlos, crear documentación de gobernanza pública.
• Equipo (experiencia) - Los roles de ciencia de datos más importantes son: ingenieros de datos, ingenieros de ML, analistas de datos. Al contratar, asegúrese de que los científicos de datos conozcan su dominio. Aproveche las plataformas de aprendizaje para mejorar las habilidades de su equipo (por ejemplo, Coursera, Qwiklabs o Pluralsight).
• Cultura - Algunos principios clave: centrarse en el usuario, pensar 10 veces, lanzar e iterar.

La inteligencia artificial y el aprendizaje automático están en constante evolución. Una cosa que esta pandemia nos ha enseñado a todos es que la transformación digital es imprescindible.

¿Su empresa ha analizado el uso de la IA para mejorar sus procesos, productos o la experiencia del cliente? ¿Qué problemas ha encontrado en su campo?