Chris Hillman, director internacional de ciencia de datos de la empresa de gestión de datos Teradata, ha visto recientemente que se ha prestado más atención al coste de los equipos de ciencia de datos e IA, ya que las empresas buscan demostrar el valor de sus inversiones en tecnología emergente. Sin embargo, cree que los científicos de datos son capaces de crear modelos de IA a nivel técnico y, a menudo, son las partes interesadas de las empresas las que frustran los proyectos de IA exitosos cuando no entienden cómo funcionan los modelos de IA o no consiguen convertir las recomendaciones de los modelos en acciones. «En el mundo de la ciencia de datos, todo es un problema técnico y lo solucionamos con tecnología», explicó Hillman. «Pero creo plenamente que gran parte de la razón por la que esto no se incluye en los procesos empresariales es básicamente un problema cultural, político o de personas, no un problema técnico». Imagen: Dr. Chris Hillman, director sénior de ciencia de datos internacional, Teradata La experiencia de Teradata en la creación de modelos para una variedad de clientes internacionales sugiere: Los ejecutivos de las empresas deben comprender la IA para defender y lograr el éxito del proyecto. Los ejecutivos aprenden mejor a través de ejemplos de casos de uso en lugar de cursos de «ciencia de datos 101». Las empresas deberían realizar evaluaciones de impacto antes de que comiencen los proyectos de IA. Cultura, política y personas: obstáculos para el éxito de los proyectos de IA Hillman sostiene que el fracaso de los proyectos de IA a menudo puede deberse a las partes interesadas del negocio: no confiar en los resultados del modelo de IA porque no formaban parte del proceso, no tomar los resultados del modelo y convertirlos en procesos y acciones reales. Mientras los datos se proporcionen a un equipo de ciencia de datos e IA, explicó Hillman, el problema de la IA no es técnico. En cambio, hay más dificultades con las partes interesadas del negocio que comprenden esta tecnología y convierten los resultados de la IA en acciones comerciales. Los ejecutivos de la empresa deben participar en el proceso de desarrollo de la IA Mientras los datos estén ahí, el equipo de Hillman puede entrenar, probar y evaluar con éxito los modelos de IA. «Escribimos el resultado de ese modelo en alguna parte y eso es trabajo hecho», dijo. «La producción es ese modelo ejecutándose todos los meses y pegando algo en una tabla en algún lugar». Sin embargo, aquí es donde puede fallar. «Cae porque los dueños de negocios tienen que estar en el proceso», agregó Hillman. «Tienen que tomar esa puntuación y decidir, ‘¿cuál es la señal?’ Si digo que algo tiene un 90 % de probabilidad de fraude, ¿qué significa eso realmente? VER: Evidencia de innovación australiana en busca de una escala generativa de IA “Si la señal es bloquear el pago, y deciden hacerlo, alguien tiene que hacerlo. En muchas empresas, eso significa tener al menos tres, si no cuatro, equipos involucrados: los ingenieros de datos y los científicos de datos, los dueños de la empresa y los desarrolladores de aplicaciones”. Esto puede convertirse en un proceso disfuncional, donde los equipos no se comunican de manera efectiva, la IA no influye en los procesos comerciales y la IA no crea el valor deseado. Más cobertura de IA de lectura obligada Los dueños de negocios deben comprender cómo funcionan los modelos de IA El auge de la IA significa que todos los ejecutivos de negocios deben saber cómo se crean y funcionan estos modelos, dijo Hillman. “Deben comprender el resultado, porque necesitan guiar el proceso”, explicó. “Son ellos quienes deben preguntarse: ‘¿Qué significa esto para mi cliente o para mis procesos de negocio?’”. Si bien puede que no sea necesario tener conocimientos técnicos de algoritmos, los ejecutivos de negocios deben comprender las matemáticas básicas involucradas en la IA, como la naturaleza probabilística de los modelos de IA. Las partes interesadas de la empresa deben comprender por qué la precisión de los modelos de IA diferirá de lo que se espera de las herramientas de informes de inteligencia empresarial tradicionales. “Si fuera al director de finanzas con un informe y me preguntaran ‘¿qué tan preciso es?’ y yo dijera ‘alrededor del 78% de precisión’, probablemente me echarían”, dijo Hillman. “Pero que un modelo de IA tenga una precisión del 78%, eso es bueno. Cuando tiene una precisión de más del 50%, ya estás ganando. “Hemos tenido algunos clientes que han presentado requisitos diciendo: ‘queremos este modelo y queremos una precisión del 100% sin falsos positivos’. Y tenemos que decirles: ‘bueno, no podemos hacerlo, porque eso es imposible’. Y si obtienes ese tipo de modelo, has hecho algo mal”. Casos de uso: herramientas efectivas para capacitar a ejecutivos de negocios en modelos de IA Hillman no cree que los dueños de negocios deban pasar por cursos de “ciencia de datos 101”, que podrían ser “inútiles” para ellos en la práctica. En cambio, dijo que los casos de uso de IA se pueden aprovechar para demostrar cómo funcionan los modelos de IA para la gente de negocios de manera mucho más efectiva. “Creo que el enfoque impulsado por casos de uso es definitivamente mejor para la gente del lado comercial porque pueden identificarse con él y luego pueden involucrarse en la conversación”, dijo. Consejos para garantizar que su proyecto de IA realmente se ponga en marcha Hillman ofreció varias recomendaciones para que los dueños de negocios se aseguren de que sus proyectos de IA pasen de la idea y la prueba de concepto a la producción: Realice una evaluación de impacto Se debe realizar una evaluación de impacto por adelantado. Esta evaluación debe incluir consideraciones clave, como por qué la empresa está llevando a cabo el proyecto de IA y los beneficios comerciales desarrollados. “Muy rara vez veo eso en las especificaciones originales”, señaló Hillman. Más bien, las evaluaciones de impacto a menudo se inician cuando un proyecto está en marcha o después de que se realiza el trabajo técnico, lo que puede contribuir a que los proyectos se archiven y no lleguen a producción. Elija los casos de uso adecuados Aunque los modelos de transformadores estaban ganando popularidad antes de ChatGPT, el revuelo causado por el lanzamiento del chatbot de OpenAI llevó a las empresas a iniciar proyectos de IA generativa para seguir siendo relevantes. Esto ha dado lugar a algunas selecciones de casos de uso que pueden ser erróneas. VEA: 9 casos de uso innovadores de IA en empresas australianas en 2024 Hillman a menudo pregunta a las empresas si pueden «crear un informe en su lugar», ya que normalmente hay formas más fáciles de lograr los objetivos comerciales que crear un modelo de IA. Dijo que los modelos de IA normalmente no se lanzan debido a la falta de una evaluación de impacto o porque el caso de uso era incorrecto. Tenga un patrocinador empresarial fuerte Los proyectos de IA son mejores cuando tienen un patrocinador empresarial fuerte que los impulsa. Un campeón empresarial puede garantizar que otros equipos de la empresa comprendan el impacto potencial de un proyecto de IA y garantizar que trabajen juntos para implementar los datos de IA en los procesos. «TI puede ser dueño del presupuesto para la tecnología, y alguien más puede ser dueño de los datos, y del lado de la seguridad y la privacidad, pero realmente, el impulso siempre tiene que venir del lado comercial», dijo Hillman.
