Asociarse con la IA

Democratización de la inteligencia artificial

Los logros de IA que aparecen en toda la industria son sorprendentes: basta con mirar los proyectos de Google Deep Mind para predecir las estructuras de proteínas 3D y controlar los reactores de  fusión, o el sistema de NVIDIA para crear instantáneamente fotos 3D basadas en objetos 2D. Pero lo que es realmente interesante es cómo la innovación en IA y ML está "permeando" y ahora está al alcance del resto de nosotros. Nunca antes estos campos habían exhibido tanto potencial o aplicabilidad general. Las empresas están utilizando soluciones de IA para escanear recibos físicos, detectar fraudes, recomendar productos a los clientes e incluso entregar las interacciones a portavoces sintéticos.

Vemos que la IA y la ML se vuelven aún más accesibles, más integradas en el negocio     y más productivas. Los proveedores de la nube como AWS ahora ofrecen herramientas de gestión de datos y modelos de ML preformados que pueden proporcionar a cualquier empresa una ventaja en la creación de valor a través de ML. Algunos proveedores incluso ofrecen servicios de IA donde las empresas simplemente pueden alimentar datos en un modelo listo para usar para obtener una respuesta o resultado.

La creciente aparición de soluciones "listas para usar" tiene la capacidad de nivelar el campo de juego y hacer que más y más soluciones sean habilitadas para IA o ML. Sin embargo, las empresas que hacen mejor IA/ML, y con los datos de más alta calidad, conservarán una ventaja. Eso hace que sea importante seguir esforzándose por desarrollar el conocimiento, las capacidades y el talento de la IA/LD.

Las señales incluyen

Un mercado de IA empresarial en rápida expansión. Gartner predice que el mercado de software de IA se acercará a los 135 mil millones de dólares en 2025, con un crecimiento que se duplicará hasta el 31%   un ritmo considerablemente más rápido que el mercado de software en su conjunto. 

Productos de consumo que incorporan IA como una cuestión de rutina y sin mucha fanfarria. Las características impulsadas por IA que podrían haber generado una emoción significativa hace solo unos años ahora son un problema estándar en dispositivos como el iPhone de Apple, que utiliza IA para detectar, ordenar y mejorar las imágenes a menudo sin que los usuarios aprecien la intelifente tecnología subyacente. 

Más organizaciones que nombran oficiales jefes de datos y, en algunos casos, oficiales jefes de análisis (u oficiales jefes de análisis de datos). Según el especialista en reclutamiento Korn Ferry, hace apenas una década apenas el 10% de las grandes empresas tenían este tipo de  papeles; la tasa ahora entre las empresas "intensivas en datos" está más cerca de las tres cuartas partes.

Líderes de IA como Meta disolviendo grupos de IA dedicados en favor de la incorporación de expertos en IA en equipos de productos u otras partes de la empresa. Esto indica que la IA se convierte en una parte integrada de las operaciones comerciales diarias, en lugar de una práctica especializada e independiente.

Los profesionales creativos se toman las herramientas de IA mucho más en serio y las utilizan como ayudantes que ahorran tiempo para crear ilustraciones, arte, artículos, blogs y correos electrónicos, e incluso código de programa.

Las oportunidades

Uso de la IA para generar valor comercial real. Con la IA y la ML ahora en un alcance más fácil para muchas organizaciones, y más empresas capaces de integrar capacidades de IA/ML en operaciones o productos, hay una variedad de rutas para explorar. Hay diferentes maneras de obtener valor de la IA y el LD. Por ejemplo, las empresas están aplicando la IA para mejorar la eficiencia y, en última instancia, reducir los costos. En algunos casos, la IA incluso se está aprovechando para crear productos completamente nuevos y galardonados, al aumentar la creatividad humana y la toma de decisiones. En otros casos, ML se está utilizando de maneras mucho menos dramáticas para eliminar la fricción de las experiencias del usuario.

Desbloquear la capacidad de innovación sin explotar, liberando a las personas para que se centren en el panorama general. Existe una percepción desafortunada pero aún común de que la adopción de IA/ML inevitablemente significa automatizar los trabajos. Pero cuando se aplica de la manera correcta, AI/ML reduce la cantidad de tiempo que las personas necesitan dedicar a tareas mundanas, dándoles espacio para enfocarse en funciones de mayor valor. Al contribuir al conocimiento del negocio y del cliente, la IA puede proporcionar información adicional que allana el camino para decisiones productivas y una mayor satisfacción del cliente. El verdadero objetivo de una implementación de IA/ML debe ser apoyar y aumentar la inteligencia humana, no volverla obsoleta.

Responder a las grandes preguntas en todas partes. El poder computacional y la comprensión algorítmica que se ofrecen a las organizaciones hoy en día significa que pueden resolver problemas que antes eran insuperables. Críticamente, estos algoritmos se pueden ejecutar en más y más lugares. Los teléfonos celulares con hardware de IA integrado pueden ser tan potentes como un computador de escritorio. Los dispositivos Edge con procesadores restringidos pueden usar técnicas TinyML para ejecutar IA en casi cualquier lugar, incluso sin necesidad de conectividad de red. Todo esto crea un potencial sin precedentes para extraer y analizar datos de diferentes fuentes para generar información e informar la toma de decisiones, donde sea necesario. 

Responder a las pequeñas preguntas a escala. Para algunas decisiones, es posible sacar a los humanos del ciclo de ejecución y proporcionar respuestas rápidas a escala. Por ejemplo, usar precios dinámicos para aumentar la ocupación de las habitaciones de hotel. Con este estilo de IA, los seres humanos todavía están involucrados en el monitoreo de los resultados para garantizar que el sistema se mantenga dentro de los parámetros previstos.

Tendencias que mirar

Adoptar

Plataformas ML. Una plataforma de ML sólida proporciona una base sólida para todo el ciclo de vida de ML, desde la ingesta de datos hasta su preparación para su uso en modelos y el monitoreo de los resultados. Esto puede mejorar sustancialmente la productividad (y la satisfacción) de los analistas de datos, que ya no tienen que preocuparse por los aspectos más mundanos de hacer que los datos sean adecuados para su propósito. Las plataformas de ML también allanan el camino para un software de ML más consistente y efectivo, lo que permite a la organización poner su mejor pie adelante con la automatización.

Analizar

Marketplaces de IA. Todos los principales proveedores de la nube ofrecen mercados para soluciones de IA en sus plataformas. También han surgido mercados de proveedores más pequeños o con fines especializados, como los modelos médicos. Las empresas de todos los tamaños, así como las personas, pueden aprovechar los modelos gratuitos  de capacitación y aprendizaje automático reutilizables, autónomos para obtener precios basados en suscripciones.

Anticipar

Seguridad y regulación de IA. A medida que los desafíos éticos creados por la IA se vuelven más evidentes, los gobiernos y los reguladores están tomando medidas para desarrollar reglas y códigos de conducta que las empresas que buscan aplicar la IA/LD tendrán que tener en cuenta. Los primeros ejemplos incluyen una hoja de ruta para un ecosistema de aseguramiento de IA que formará parte de la Estrategia Nacional de IA del Reino Unido, la Declaración de Derechos de IA revelada por la Oficina de Política Científica y Tecnológica de la Casa Blanca y la Ley de IA de la UE.

Consejos para usuarios

Asegurarse de que la IA y la ML formen parte de su caja de herramientas empresarial. DeepMind tiene personas que observan los problemas algorítmicos más complejos del mundo: plegamiento de proteínas  control del reactor de fusión plasma con campos magnéticos y preguntando "¿podríamos resolver esto con IA?" El mundo de los negocios necesita adoptar un enfoque similar cuando se enfrenta a desafíos más mundanos. Tomar medidas para crear conciencia sobre la gama de herramientas y servicios de IA/LD que están disponibles, de modo que cuando los equipos se enfrenten a un problema, se pueda considerar la posibilidad de aplicar estas soluciones. En general, los servicios de IA "listos para usar" pueden abordar problemas indiferenciados, como el reconocimiento de imágenes o el discurso a texto, mientras que los modelos personalizados son más apropiados en casos en los que sus datos serán muy diferentes de los de los competidores, como la rotación de clientes y la previsión de ventas.

Apoyar los esfuerzos de ML con una plataforma de datos subyacente o data mesh. Incluso si tienen el mismo modelo o producto de IA que la competencia, los buenos datos y la capacidad de aprovecharlos de manera efectiva pueden ser un diferenciador masivo. Por ejemplo, si se usa un servicio de IA para predecir la demanda del cliente de sus productos, proporcionar datos históricos de mayor calidad en una gama más amplia de puntos de datos le dará respuestas más precisas, incluso si la competencia está utilizando el mismo servicio de IA en la nube. Los mejores datos pueden ser la diferencia entre el uso efectivo o ineficaz incluso de modelos empaquetados, y las buenas plataformas de datos mejorarán la productividad de sus equipos.

Evitar establecer "centros de excelencia" de IA o simplemente decirle a su equipo que "vaya a hacer IA". Todo esto da la impresión de que la IA es algo que se diferencia, cuando lo que realmente se necesita es orientación sobre el modelo correcto para infundir IA en toda la organización. Al igual que la seguridad o DevOps, la IA funciona mejor cuando los profesionales trabajan directamente con personas en toda la empresa, ayudando a otros a aprender.

Reconocer que los sistemas de IA/ML se enfrentarán a una curva de adopción y posible falta de confianza, más allá de los desafíos de operacionalizar la IA desde un nivel técnico. Cortar la implementación en pequeños experimentos en proyectos impactantes puede minimizar las posibilidades de una interrupción masiva al tiempo que ayuda a construir comodidad y aceptación. Los avances en la IA explicable y las tecnologías que mejoran la privacidad pueden ayudar a aumentar la confianza con el tiempo.

Esforzarse por medir el impacto de los productos y servicios infundidos con IA/ML. Medir el valor siempre es difícil, pero es importante al menos tratar de demostrar que hay un caso de negocio claro para el cambio. Estimar el valor adicional creado mediante el uso de IA y ML sobre un software más simple con lógica if/then/else, o el valor creado liberando a las personas de las tareas manuales y permitiéndoles pensar en problemas más complejos.

Recordar que la IA también tiene manifestaciones negativas y consecuencias. Junto con las preocupaciones justificables sobre el aumento de la vigilancia impulsada por IA y el sesgo  inherente en los algoritmos, hay crecientes preocupaciones sobre las soluciones de IA que facilitan la adicción digital. La capacitación de modelos grandes también puede consumir grandes cantidades de energía, lo que va en contra de los esfuerzos de sostenibilidad. Es recomendable mantenerse sensible a estas preocupaciones y pensar en las posibles consecuencias no deseadas de aplicar la IA a un proceso u objetivo comercial, no solo por razones de reputación y regulatorias, sino porque es lo correcto.

Tener una mente abierta. Prepararse para que por medio de la IA se aprendan cosas que no se esperaban aprender, o hacia un enfoque que no necesariamente consideraste originalmente. Al mismo tiempo, porque las personas a veces llaman a las cosas IA que no son de hecho IA, y se hacen afirmaciones sobre la IA que son difíciles de verificar, mantener un grado de escepticismo y reconocer que la IA/ML no es la respuesta a todos los problemas comerciales.