Constatamos que el acercamiento a la Inteligencia Artificial (IA) se hace, de forma general, a partir de tres equívocos: los algoritmos son inteligentes; la IA y el Big Data es lo mismo; y los proyectos de implementación empresarial de esta tecnología son largos y costosos. Merece la pena reflexionar sobre cada uno de los puntos para aterrizar en una realidad que –sin apriorismos– es más prosaica del que se puede pensar. Vamos.
Algoritmos e inteligencia
Podemos concebir la Inteligencia Artificial (IA) como la tecnología invisible porque la encontramos por todas partes. Cuando el móvil nos muestra propuestas de compra o el navegador del vehículo nos propone rutas, solemos atribuir la inteligencia a ambos dispositivos. Pero la realidad es que el responsable último de las recomendaciones son los algoritmos.
El uso más extendido y habitual de los algoritmos se basa en el Machine Learning (ML) o aprendizaje automático de los datos, que puede lograr un nivel de detalle muy superior a la capacidad humana. Y también tiene más de matemáticas que de inteligencia. Las aplicaciones del ML realizan una tarea concreta de una forma muy precisa. En consecuencia, las aplicaciones más prácticas de la IA no son espectaculares ni vistosas porque están embebidas en los procesos de las compañías. Hacen tareas que no pueden o no quieren llevar a cabo las personas y dejan más libertad a su creatividad liberándolas de las tareas rutinarias.
Big Data e IA
Big Data es un término del que se ha abusado en gran medida y que, a menudo, se ha asimilado a la Inteligencia Artificial. Sin embargo, puede existir Big Data sin Inteligencia Artificial e IA sin Big Data. Este término hace referencia en una tecnología que se empra para tratar grandes volúmenes de datos. Pero también hay el concepto analítica avanzada, mucho más próxima al negocio. El Big Data no sería más que una sopa de bits sin la aplicación de la analítica referenciada.
Muy pocos procesos en el seno de las compañías requieren del uso de Big Data para afrontar con éxito proyectes de analítico avance o Inteligencia Artificial. En cambio, el Machine Learning está a disposición de compañías pequeñas y medias a unos costes muy razonables.
Hay una gran cantidad de procesos operativos dentro de las compañías que trabajan con un volumen de datos suficiente como para generar algoritmos que mejoren su eficiencia
Hay una gran cantidad de procesos operativos dentro de las compañías que trabajan con un volumen de datos suficiente como para generar algoritmos que mejoren su eficiencia operativa o comercial, sin la necesidad de procesar terabytes de información. Pensamos en los procesos de marketing y comerciales: desde el compromiso del cliente hasta los procesos de fidelización, pasando por la venta cruzada y la venta adicional, o los procesos de clasificación comercial de clientes.
Otros procesos que funcionan muy bien con ML son los relacionados con la detección de anomalías, es decir, la detección de fraude, la predicción de la morosidad y el cálculo de riesgos financieros. En consecuencia, la aplicación de la Inteligencia Artificial no requiere de grandes inversiones en infraestructura para el almacenamiento y la manipulación de la información.
Implementación larga y costosa para la empresa
Una creencia común es considerar que los proyectos de IA requieren de un enorme esfuerzo y duran varios años. Pero es posible llevar a cabo proyectos de Machine Learning que ofrecen resultados importantes en el muy corto plazo.
¿Los proyectos de IA requieren de un enorme esfuerzo y duran varios años?
En este ámbito el gran error suele ser afrontar estos proyectos por fases. En una primera fase se acostumbra a provisionar una enorme infraestructura, que como ya hemos visto no resulta necesaria en muchos casos. En una segunda fase se plantea un proyecto de consultoría para decidir como extraer valor de este gran almacén de datos que se ha provisionado. Y en una tercera fase se hace la hoja de ruta de proyectos y de implantación de las soluciones. Pero cuando se llega a esta tercera fase, o la tecnología ha quedado obsoleta o los datos no son las necesarias.
Este enfoque clásico de cascada es erróneo por varios motivos. Pero el cierto es que cuando pretendemos guardar absolutamente toda la información el proyecto se puede volver inabordable (en el que podríamos denominar "efecto Diógenes" de los datos).
Por el contrario, el enfoque de arriba abajo (o top-down ) es el más acertado. Es decir, en primer lugar vamos a buscar oportunidades y retos de nuestro negocio que se pueden resolver mediante el analítico avance. Podemos valernos de la metodología Lean Startup: vamos a probar y a equivocarnos rápido y, gracias a esto, seremos capaces de responder a las preguntas adecuadas.
Como en el método científico, hasta que no realizamos los experimentos no sabemos si los datos son buenos o malas, suficientes o insuficientes, para responder a estas preguntas. Si no lo son, habremos ganado un tiempo precioso para modificar nuestros procesos y sistemas. Y si lo son habremos generado una ventaja competitiva vital respecto de nuestra competencia.
