Los proyectos de IA fracasan debido a desafíos técnicos, personas que no comprenden lo que es posible y un desarrollo ágil, según una investigación del instituto RAND. La investigación citada por RAND sugiere que hasta el 80% de los proyectos de IA fracasan, lo que es el doble de la tasa de otros proyectos tecnológicos y un problema grave para la industria dados los costos involucrados con la IA. RAND señala que el Departamento de Defensa de Estados Unidos gasta 1.800 millones de dólares al año en aplicaciones militares de IA. Los investigadores de RAND entrevistaron a 65 expertos en IA y revelaron cinco causas clave de fracaso, lo que el instituto de investigación llama «antipatrones de IA». Como suele suceder, aunque algunos de los desafíos se relacionan con la tecnología en sí, otros tienen más que ver con las personas. «Los proyectos de IA tienen dos componentes: la tecnología como plataforma (es decir, el desarrollo, uso e implementación de IA para completar un conjunto de tareas comerciales) y la organización del proyecto (es decir, el proceso, la estructura y el lugar en la organización general)», señala el informe. «Estos dos elementos permiten que las organizaciones y las herramientas de IA trabajen juntas para resolver problemas comerciales urgentes». Los proyectos de TI fracasan por muchas razones más allá de la tecnología, señala RAND, apuntando a una ejecución deficiente, problemas con la forma en que los usuarios interactúan con los resultados finales y problemas para cumplir con las altas expectativas. Reciba nuestras últimas noticias, actualizaciones de la industria, recursos destacados y más. «Sin embargo, la IA parece tener características de proyecto diferentes, como costosas necesidades de mano de obra y capital y una alta complejidad de algoritmos, que la hacen diferente a un sistema de información tradicional», afirma el informe.»La naturaleza de alto perfil de la IA puede aumentar el deseo de las partes interesadas de comprender mejor qué impulsa el riesgo de los proyectos de TI relacionados con la IA». Cinco puntos de fallaPara empezar, RAND informa que el problema que se debe resolver mediante IA no siempre se comprende o comunica bien, por lo que las personas simplemente no abordan el desafío real. Debido a que el liderazgo carece de las habilidades técnicas detalladas y el equipo de ciencia de datos no tiene el contexto comercial completo, se pueden desarrollar modelos que son lo suficientemente fuera de lugar como para ser inútiles».[They] «No se dan cuenta de que las métricas que miden el éxito del modelo de IA no representan verdaderamente las métricas de éxito para su propósito previsto», señala el informe. Como ejemplo, el informe describe a los líderes empresariales que desean un algoritmo para establecer el precio de un producto, pero lo que realmente necesitan es saber el precio que ofrece el mayor margen de beneficio en lugar de vender la mayor cantidad de artículos. «El equipo de ciencia de datos carece de este contexto empresarial y, por lo tanto, puede hacer suposiciones equivocadas», dice el documento. Los proyectos fracasan porque carecen de datos suficientes para entrenar adecuadamente un modelo de IA. Las organizaciones pueden recopilar datos para el cumplimiento o para rastrear las cifras de ventas, pero ese puede no ser el tipo correcto de datos para alimentar los muchos campos de un algoritmo de comportamiento, por ejemplo. «Por ejemplo, un sitio web de comercio electrónico puede haber registrado en qué enlaces hacen clic los usuarios, pero no una lista completa de los elementos que aparecieron en la pantalla cuando el usuario seleccionó uno o qué consulta de búsqueda llevó al usuario a ver ese artículo en primer lugar», dice el documento. De manera similar, las organizaciones se centran más en utilizar la tecnología «más reciente y mejor» que en resolver el problema en cuestión, que puede necesitar una tecnología diferente o tal vez no requieren la solución más actualizada.»No todos los problemas son lo suficientemente complejos como para requerir una solución de ML: como explicó un entrevistado, a veces se les indicaba a sus equipos que aplicaran técnicas de IA a conjuntos de datos con un puñado de características o patrones dominantes que podrían haberse capturado rápidamente con unas pocas reglas simples de si-entonces», dijeron los investigadores. El cuarto problema destacado en el informe de RAND se centra en el hecho de que las organizaciones pueden carecer de la infraestructura para administrar datos e implementar un modelo de IA, condenando el proyecto al fracaso. La infraestructura de soporte puede incluir personal con las habilidades adecuadas, así como infraestructura de operaciones para garantizar una implementación rápida y sencilla. «Algunos entrevistados señalaron que habían observado casos en los que los modelos de IA no se podían implementar desde entornos de prueba a entornos de producción porque los entornos de producción eran incompatibles con los requisitos del modo», decía el informe. Y, por último, a veces la IA simplemente no puede resolver el problema. Los líderes de alto nivel tienen «expectativas infladas» de lo que la IA es realmente capaz de hacer, exacerbadas por los discursos exagerados de los vendedores. «En realidad, optimizar un modelo de IA para el caso de uso de una organización puede ser más difícil de lo que estas presentaciones lo hacen parecer», dijeron los investigadores, y agregaron que muchos líderes esperan que los proyectos de IA tomen semanas en lugar de meses o más para completarse, lo que significa que muchos se entregan parcialmente completos. El enigma del desarrollo ágil en los proyectos de IA Más allá de esas cinco preocupaciones generales, RAND también planteó problemas con el desarrollo ágil, una metodología de desarrollo de software que divide los proyectos en fases para trabajar de manera flexible. Los investigadores dijeron que una gran cantidad de entrevistados dijeron que el desarrollo de software ágil puede ser una mala opción para los proyectos de IA. Eso se debe en parte a la rigidez con la que algunas empresas interpretan los procesos ágiles, pero también a la corta escala de tiempo para desarrollar aspectos de un sistema, conocidos como sprints. El desarrollo de IA puede no encajar en los cronogramas de gestión de proyectos existentes porque las fases iniciales de exploración y experimentación de datos tienen una «duración impredecible», dijeron los investigadores. «Interpretaciones rígidas «Los procesos de desarrollo de software existentes rara vez se adaptan a la cadencia de un proyecto de IA», descubrieron los investigadores. «En lugar de obligar a los equipos de proyecto a seguir un conjunto uniforme de procedimientos diseñados para un tipo diferente de ingeniería, las organizaciones deberían capacitar a sus equipos para adaptar sus procesos para que se ajusten a sus cargas de trabajo. En última instancia, las organizaciones necesitarán redescubrir cómo hacer que el proceso de desarrollo de software ágil sea adaptativo y, verdaderamente, ágil». ¿Qué hacer? Algunos de los desafíos son prácticos. Las asociaciones en materia de datos podrían garantizar que haya suficiente para entrenar un modelo correctamente, mientras que la inversión en infraestructura ayudará a respaldar los proyectos de IA. Además, RAND aconseja a los líderes que sean pacientes: los equipos deberán estar comprometidos con un proyecto durante al menos un año para ver resultados. En términos más generales, las organizaciones deben asegurarse de comprender las limitaciones de la IA, comunicar claramente la intención y el propósito de un proyecto, centrarse en el problema a resolver y elegir la tecnología adecuada en lugar de subirse al carro de la IA.