De los datos a la sabiduría: Tonia Sideri de Novo Nordisk

Tonia Sideri era una científica de datos antes de asumir su cargo como directora del Centro de Excelencia de IA y Análisis de Novo Nordisk.

Ahora pone su experiencia al servicio de la empresa farmacéutica danesa que desea desarrollar medicamentos y sistemas de administración para tratar la diabetes y otras enfermedades crónicas, como la hemofilia, la obesidad y los trastornos del crecimiento.

En un sector muy regulado en el que los fracasos son costosos, la filosofía de Tonia es fracasar rápidamente mediante lo que ella llama “sprints de datos a sabiduría”.

Medicina de precisión en la industria farmacéutica: Frank Nestle de Sanofi

Estos hackathons de dos semanas permiten a su grupo probar rápidamente la viabilidad de nuevas ideas de productos con la aportación de sus colegas en el ámbito empresarial.

Tonia se une a este episodio del podcast Me, Myself, and AI para hablar sobre el enfoque de su equipo en cuanto a la comprobación de hipótesis, los beneficios de incorporar el pensamiento de diseño en la creación de datos y productos de IA, y por qué cree que la empatía es la habilidad más importante que puede tener un científico de datos.

Lee más sobre nuestro programa y sigue la serie en https://sloanreview.mit.edu/aipodcast.

Suscríbete a Me, Myself, and AI en Apple Podcasts, Spotify o Google Podcasts.

Da tu opinión en esta encuesta de dos preguntas.

Transcripción

Sam Ransbotham: Es posible que no se escuchen a menudo términos como “empatía” y “pensamiento de diseño” cuando se habla de proyectos de IA.

Pero en el episodio de hoy, descubre cómo el centro de excelencia de IA de una empresa farmacéutica adopta un enfoque holístico en los proyectos tecnológicos.

Tonia Sideri: Soy Tonia Sideri, de Novo Nordisk, y están escuchando Me, Myself, and AI.

Sam Ransbotham: Bienvenidos a Me, Myself, and AI, un podcast sobre la inteligencia artificial en los negocios.

En cada episodio les presentamos a alguien que está innovando con la IA.

Soy Sam Ransbotham, profesor de analítica en el Boston College. También soy el editor invitado de IA y estrategia empresarial del MIT Sloan Management Review.

Shervin Khodabandeh: Y yo soy Shervin Khodabandeh, socio senior de BCG, y co-dirijo la práctica de IA de BCG en Norteamérica.

Juntos, el MIT SMR y BCG han estado investigando y publicando sobre la IA durante seis años, entrevistando a cientos de profesionales y encuestando a miles de empresas sobre lo que se necesita para construir y desplegar y escalar las capacidades de la IA y realmente transformar la forma en que operan las organizaciones.

Sam Ransbotham: Hoy, Shervin y yo estamos acompañados por Tonia Sideri, directora del centro de excelencia de IA de Novo Nordisk. Tonia, gracias por acompañarnos. Bienvenida. Vamos a empezar.

En primer lugar, ¿podrías explicarnos a qué se dedica Novo Nordisk?

Tonia Sideri: Somos una empresa farmacéutica mundial. Tenemos nuestra sede en Dinamarca y nos centramos en la producción de medicamentos y en el apoyo a los pacientes con enfermedades crónicas como la diabetes, la obesidad, la hemofilia y los trastornos del crecimiento.

Somos una empresa centenaria, pero seguimos creciendo mucho y seguimos muy comprometidos con los valores originales de la empresa y con nuestras responsabilidades sociales.

Hay más de 34 millones de pacientes con diabetes que utilizan nuestros productos, y producimos más del 50% del suministro mundial de insulina.

Sam Ransbotham: Actualmente, diriges el centro de excelencia de IA. ¿Qué es un centro de excelencia de IA? ¿Cuál es tu función en él? ¿Qué significa eso?

Big Data en la agricultura: Teddy Bekele de Land O’Lakes

Tonia Sideri: Un centro de excelencia de IA puede tener diferentes funciones en diferentes empresas, pero esencialmente somos un equipo central ubicado en la TI global de la empresa.

Somos un grupo de científicos de datos, ingenieros de aprendizaje automático y desarrolladores de software que trabajan a través de un modelo de centro y radios en toda la empresa.

Así que queremos minimizar la distancia con nosotros mismos y con nuestros expertos en la empresa (nuestros expertos en datos y en dominios) trabajando en equipos interfuncionales en toda la empresa.

Y también queremos aumentar la velocidad con la que pasamos de un POC (prueba de concepto) de modelo de aprendizaje automático a la producción.

Y por eso tenemos socios analíticos que trabajan en toda la empresa, y también tenemos un equipo de producto de MLOps (operaciones de aprendizaje automático) que se centra en la creación de microservicios en todo el ciclo de vida del modelo de aprendizaje automático.

Queremos tomar todos los petabytes de datos que consumimos como empresa, desde la identificación de nuestras moléculas hasta los ensayos clínicos, pasando por la ejecución comercial y la producción y el envío de los productos, y sacarlos de la base de datos, de los archivos planos, del almacenamiento en la nube y convertirlos en algo que, en última instancia, sea útil para la empresa y que apoye la vida de los pacientes.

Y para eso estamos aquí: Queremos dar vida a estos datos.

Tenemos alrededor de un año y medio como equipo, y ya tenemos proyectos en toda la empresa.

Estamos trabajando con nuestra I+D, por ejemplo, utilizando gráficos de conocimiento para identificar moléculas para la resistencia a la insulina; hemos desplegado diferentes enlaces de modelos de marketing mix y modelos de recomendaciones de aumento de ventas en nuestras diferentes regiones comerciales; y por último, pero no menos importante, hemos desplegado recientemente un modelo de aprendizaje automático de aprendizaje profundo que utiliza la inspección por visión en nuestras líneas de inspección, y eso es muy importante, porque es una optimización en un proceso existente.

Sin embargo, nos ha aportado muchos conocimientos sobre cómo tener modelos de aprendizaje automático en vivo en una configuración muy regulada, que es una configuración GMP, (lo que significa) buenas prácticas de fabricación.

Sam Ransbotham: ¿Cómo funciona eso? Cuéntanos más sobre eso. Parece muy interesante.

Tonia Sideri: En los últimos 20 años ya hemos utilizado la inspección visual a partir de un enfoque basado en reglas que hemos optimizado, y ahora hemos utilizado diferentes modelos de aprendizaje profundo para mejorarlo.

Y, por supuesto, con el aprendizaje profundo, estamos aumentando la precisión y la eficiencia del proceso de inspección visual y, por lo tanto, aumentando la calidad y reduciendo la cantidad de producto bueno que se desperdicia debido a que las partículas se identifican erróneamente como defectuosas.

Por lo tanto, ahorramos producto y optimizamos nuestros productos de ese modo de una manera más eficiente, y también producimos menos residuos de cartuchos buenos que van a la basura.

Pero lo más importante es que lo que conseguimos con este proyecto es la capacidad necesaria para realizar el aprendizaje automático en espacios muy regulados, por ejemplo, la fabricación de productos farmacéuticos.

Shervin Khodabandeh: Tonia, has sido una gran defensora del pensamiento de diseño en la creación de productos de datos, productos de IA. Cuéntanos más sobre lo que significa y por qué es importante.

Tonia Sideri: Sí. Creo que empezó, en primer lugar, porque yo misma era una científica de datos.

Así que a veces me encontraba trabajando en proyectos que deberían haber muerto antes.

Así que mi interés fue cómo acelerar el fracaso, y es por eso que, cuando empezamos el área (y eso fue hace un año y medio) realmente nos comprometimos a idear lo que hoy llamamos un sprint de datos a la sabiduría.

¡Mi jefe es un robot! Empresa nombra a Inteligencia Artificial como su CEO

Se trata básicamente de un hackathon en el que trabajamos con nuestros colegas de la empresa durante un periodo de dos semanas para tratar de ver lo que podemos encontrar a partir de los datos sobre la base de hipótesis específicas.

Y al final de estas dos semanas, nos preguntamos si hay algo que valga la pena rescatar. ¿Son los datos lo suficientemente buenos? ¿Tenemos la tecnología necesaria para ampliarla? ¿Hay algún valor empresarial en todo esto?

Y si la respuesta es afirmativa, pasamos al siguiente paso, en el que hacemos una POC, luego pasamos a la fase de implementación y, por supuesto, a la de operaciones.

Pero si la respuesta es negativa, en dos semanas (muy rápidamente) deberíamos ser capaces de acabar con ella.

Y en esas dos semanas utilizamos, con ayuda de entrenadores ágiles, algunas técnicas de pensamiento de diseño.

Pero para mí, es el resultado del pensamiento de diseño: cómo utilizar el pensamiento de diseño como una forma de trabajar de forma transversal y como una forma de fracasar rápidamente.

Shervin Khodabandeh: Eso es genial. No hay sabiduría, te matan.

Tonia Sideri: Exactamente.

Shervin Khodabandeh: Algo así como la selección natural, ¿no? Bromas aparte, creo que es una gran idea porque, Sam, ¿cuántas veces vemos eso en nuestros datos?.

Cuando encuestamos a estas miles de empresas, o en nuestras conversaciones con los ejecutivos donde están haciendo cientos de POCs y pilotos, a veces no encuentran ningún valor.

Y lo siguen intentando pero esto los lleva (a lo que yo llamo) la fatiga de la IA en toda la organización. Porque en estas pruebas es como si toda la empresa se convirtiera en un laboratorio de posgrado en donde todos dicen: “Vamos a probar esto; vamos a tratar aquello”.

Así que me encanta la idea de acabar con las pruebas e intentos que no funcionan para centrarse en un puñado de ideas que realmente son valiosas.

Tonia Sideri: Exactamente. Y para mí, aquellas ideas que no funcionan también brindan aprendizajes, porque normalmente la razón por la que no funcionan está relacionada con los datos.

Así que, al menos, probamos los datos durante dos semanas en función de lo que queremos conseguir, y así obtenemos algunos aprendizajes: Si queremos hacer este modelo en el futuro, ¿qué tenemos que arreglar en nuestros datos para conseguirlo?

Sam Ransbotham: Ooh, eso es fabuloso, porque eso es en realidad la vinculación y el aprendizaje. No es solamente una excusa para decir: “Muy bien, no vamos a seguir vertiendo el dinero en esto si no va a funcionar”, más allá de ello, este tipo de datos les sirven a los demás científicos y profesionales a comenzar un proyecto con un aprendizaje, con algo de sabiduría.

En un nuevo proyecto los desarrolladores pueden preguntar cosas como: ¿De qué tipo de cifras estamos hablando? ¿Cuánta sabiduría hay? ¿Hay un 2% de sabiduría, un 20% de sabiduría, un 97% de sabiduría?

Tonia Sideri: Creo que es muy peligroso intentar cuantificar algo así, ¿verdad?.

Pero una es la sabiduría de los datos, y la otra, por supuesto, es la sabiduría de la gestión del cambio, porque trabajamos juntos a través de este hackathon con nuestros expertos en negocios, así que incluso si algo falla, ellos entienden la forma de trabajar, y también obtenemos una visión de su realidad y ellos obtienen una visión de lo que puede ser posible.

Y creo que esta sabiduría es aún más difícil de cuantificar porque tendrá un efecto más bien ondulatorio en el futuro en toda la empresa.

Shervin Khodabandeh: Si nos fijamos en el paradigma totalmente opuesto de lo que estás hablando, es la forma de cascada de la vieja escuela de construir estas piezas tecnológicas gigantescas, ¿verdad?.

Era como el desarrollo tecnológico de hace 20 años, donde recuerdo que hicimos un proyecto y observamos a 100 empresas que construían estos productos tecnológicos masivos, y creo que el 80% de estas empresas estaban construyendo características y funcionalidades que, o bien nadie necesitaba, o bien no se podían utilizar con el resto de la tecnología, pero eso lo descubrirían después de 18 meses de haber comenzado el proyecto.

Lamentablemente, todavía hay muchas organizaciones que operan con ese viejo paradigma, y pasan meses en la recopilación de requisitos de negocio y la planificación y todo eso.

La inteligencia artificial responsable permite el tipo de innovación que importa

Y creo que lo que estás diciendo es: tengamos una buena idea.

Empecemos a hacer pruebas. Si tiene algo, entonces doblamos y lo hacemos grande. Pero si no es así, entonces hemos aprendido algo.

Y si ese proyecto, esa idea, era importante, entonces podríamos arreglarlo. Y me gusta mucho, mucho, tu punto sobre que no es sólo la parte técnica, es también la gestión del cambio, y lo que se necesita para que funcione. Es muy, muy bueno.

Tonia Sideri: Exactamente. Y al decir… que por adelantado, entonces no tenemos riesgo de fracaso, porque es como trabajamos.

Tenemos dos semanas, así que no va a ser nuestra reputación la que esté en juego si el proyecto no sigue adelante.

Y teniendo pasos cerrados también, después incluso de la fase de MVP (producto mínimo viable), también tenemos la capacidad de destruir algo allí. Y creo que eso ayuda, y también marca la diferencia en el presupuesto.

La razón por la que muchas empresas tienen estos proyectos tan largos es porque tienen grandes presupuestos asignados a esto.

Pero en nuestro caso, también evaluamos si hay voluntad de pago por parte de nuestro negocio. ¿Es lo que hacemos lo suficientemente útil como para que nuestra empresa esté dispuesta a invertir en ello?

Shervin Khodabandeh: Establecer las expectativas por adelantado. Sam, imagina que tus estudiantes vienen y te dicen: “Profesor, le advierto por adelantado: Voy a dejar de venir en dos semanas”.

Sam Ransbotham: No, no. En realidad, es lo contrario, Shervin. Voy y digo: “El 90% de ustedes va a fracasar”. No, no creo que eso vaya muy bien.

Tonia, ¿cómo transfieres estos aprendizajes? Has mencionado que lo haces. ¿Hay un proceso para eso? ¿Cómo se codifican, cómo se hacen explícitas estas cosas y no sólo se convierten en un saber popular?

Tonia Sideri: Es una buena pregunta. Mientras crecemos, todavía tenemos que averiguar cuál es el nivel adecuado de cuantificación que no sea burocrático.

Pero lo que hacemos es, en primer lugar, durante estas dos semanas, hacer dos demostraciones en toda la organización, y especialmente con la unidad de negocio en la que estamos trabajando.

Así que, al menos, esa es la parte de la gestión del cambio desde una perspectiva más amplia, no solo de las personas que trabajan en el equipo de producto.

Y luego, en lo que respecta a las mejoras de los datos o de la tecnología, las devolvemos a nuestros equipo de análisis de datos, a los propietarios de los datos o a nuestra organización tecnológica.

Sam Ransbotham: BIEN. Eso tiene sentido. Una de las cosas de las que has hablado; y algo que Shervin y yo, creo, estamos viendo en general; es que hay, digamos, un aumento en la madurez que estamos viendo.

No sé, Shervin; tal vez estoy leyendo demasiado en los comentarios improvisados que la gente está haciendo.

Pero estoy viendo que se está poniendo en marcha un proceso mucho más amplio en torno a lo que solía ser muy ad hoc, y tal vez tú estás un par de pasos por delante de esto, mirando a tus enfoques de bloques de construcción para hacer diferentes servicios consumibles.

¿Puedes explicar cómo funciona y cómo está desarrollando estos bloques de construcción, y cómo los utilizan otras personas?

Tonia Sideri: Sí. Así que, por supuesto, estos bloques de construcción y la idea de proporcionar servicios MLOps o, en general, los servicios de datos vienen mucho del enfoque de malla de datos que ahora es el nuevo bombo, pero especialmente para el trabajo MLOps.

Lo que puedo decir es que, sobre la base de nuestro aprendizaje de cuánto tiempo se tardó en obtener un modelo de enseñanza automático validado, ahora estamos creando microservicios, envolviendo los servicios existentes, ya sea de código abierto o de nuestros proveedores de la nube; todo el camino de cómo hacemos la versión del modelo, la supervisión del modelo, la validación del modelo, la validación del almacenamiento; y luego validar estos servicios como sistemas calificados de un entorno farmacéutico.

Por qué las empresas deben adoptar prácticas responsables con la Inteligencia Artificial

Y de esta manera, reducimos el tiempo de comercialización desde que necesitamos validar un modelo GxP (buen proceso farmacéutico), porque entonces no esperamos que ningún científico de datos de la organización construya sus propias soluciones en la nube; para llevar el modelo a la producción, porque al utilizar estos servicios de validación precalificados, pueden simplemente centrarse en la ciencia de los datos y utilizarlos como componentes.

Y nosotros solo estamos construyendo el primer servicio basado en nuestro aprendizaje de este modelo de inspección visual.

Shervin Khodabandeh: Este es un gran punto.

Si nos fijamos en un típico científico de datos en una empresa, habrá una gran variación en la cantidad de su tiempo realmente gastado en lo que llamas la extracción de la sabiduría, o los patrones o la construcción de modelos y pruebas, frente a todas las otras cosas que es el trabajo de preparación y la creación del medio ambiente y la ingeniería de características y las cosas que alguien ya ha hecho, pero en otra parte de la organización.

Quiero preguntarte, Tonia, sobre el talento. Quiero decir, estás hablando de una forma de trabajar que está impulsada por el pensamiento de diseño, el fracaso rápido, altamente interconectado con el negocio. ¿Cuál es el perfil de los conjuntos de habilidades correctas desde una perspectiva de científico de datos/ingeniería que va a tener éxito en ese entorno?

Tonia Sideri: Esa es una buena pregunta. Creo que las habilidades técnicas, por supuesto, deberían ser un hecho allí, y también puedo ver que el mercado con el tiempo es cada vez más maduro, por lo que es fácil encontrarlas.

Pero lo que es más difícil son esas otras habilidades más suaves que te convierten en un buen traductor de valores y en un colaborador.

Para mí, la habilidad más importante de un científico de datos es la empatía, algo que no se espera de la gente de un campo técnico.

Es la capacidad de entrar en la mente del empresario y preguntarse: “Si yo fuera un vendedor, si fuera un operador de producción y tuviera que hacer el trabajo todos los días, y tuviera los problemas que tengo, ¿cómo utilizaría los datos para algo que me fuera útil?”.

Para poder dar este salto mental se necesita mucha comprensión de cuál es la realidad de la otra persona y la capacidad también de comunicarse.

Así que la empatía y, por supuesto, la curiosidad por la aplicación de tus modelos de aprendizaje automático y la otra persona. Y esas son habilidades muy difíciles de cuantificar o de entrevistar. Es más bien un rasgo cultural o de carácter.

Sam Ransbotham: Es interesante, Shervin: Estamos viendo tal vez este primer indicio de que es cada vez más fácil encontrar estas habilidades técnicas. Creo que es una transición interesante.

Shervin Khodabandeh: Sí. Eso se ha convertido en algo más; como decías, Tonia; en lo que se necesita para empezar, pero el valor real son las habilidades más suaves y la empatía.

Esto se relaciona bien, Sam, con lo que estamos viendo también, que es, cuando miramos la evolución de las empresas que están invirtiendo en la IA, y vemos que la tecnología y los datos sólo los van a llevar hasta cierto punto, pero ese gran salto es todo en torno al aprendizaje organizacional, la interactividad con el negocio, el cambio de procesos…

Tonia Sideri: Al menos, para ser justos sobre los científicos de datos, todavía hay mucha escasez para los ingenieros de aprendizaje automático o ingenieros de datos o desarrolladores de software, pero para la ciencia de datos, porque se vuelve más madura como un campo técnicamente, son todas las otras habilidades que pueden diferenciar a alguien.

Sam Ransbotham: Tonia, ¿qué es lo próximo que te entusiasma? ¿Qué viene con la inteligencia artificial? Es decir, nos centramos en la IA y el aprendizaje automático. ¿Qué te entusiasma? ¿Qué se avecina?

Tonia Sideri: En realidad, me entusiasman los datos. No, no está tan relacionado con la IA, pero creo que es relevante para una nueva tendencia que ahora se basa en los datos; como, para arreglar nuestra inteligencia artificial y optimizar, vamos a optimizar nuestros datos primero.

También estamos invirtiendo más en el concepto de malla de datos, por ejemplo, tratando los datos como un producto, lo que significa que cada vez que queramos hacer un nuevo modelo de marketing mix, por ejemplo, no tenemos que pasar por todo el proceso de extracción, transformación y carga.

Shervin Khodabandeh: Una vez hice un estudio hace 10 años, un grupo pequeño, tal vez un par de cientos de personas en una empresa, pero como el 80% de su tiempo de los científicos de datos se gastó en ETL, y sin embargo tenían un grupo de ingeniería de datos.

Y la ironía de esto era, estás hablando de la optimización de la mezcla de marketing, esto era en realidad para el departamento de marketing que tienes científicos de datos uno al lado del otro en dos cubículos trabajando en algo, usando exactamente la misma tubería de datos, pero construyéndola desde cero, ambos sin saber que están usando las mismas características fundamentales y… sí, eso es un gran problema.

Medicina de precisión en la industria farmacéutica: Frank Nestle de Sanofi

Sam Ransbotham: Tonia, sé que estás entusiasmada con eso, porque hablas de eso en términos de indulgencia tecnológica; parece muy relacionado allí. ¿Ese “efecto Ikea”, quizás?

Tonia Sideri: Sí, la indulgencia tecnológica. Sí.

Para mí, ese es realmente el peor pecado que cometemos como gente técnica, porque el efecto Ikea es la capacidad, creo, de dar un mayor valor a algo que construyes tú mismo.

Y a veces tendemos a quedarnos en un proyecto porque lo hemos construido nosotros mismos o porque nos parece genial probar el nuevo algoritmo de aprendizaje automático.

Y para mí, esta indulgencia tecnológica es el mayor peligro que se puede tener, y por eso es importante evitar este riesgo trabajando más cerca del negocio y trabajando realmente con los equipos de producto, desde un hackathon hasta un equipo de producto operativo.

Shervin Khodabandeh: Me encanta ese término, indulgencia tecnológica.

Sam Ransbotham: Tonia, tenemos un segmento en el que te hacemos una serie de preguntas rápidas. Así que responde lo primero que se te ocurra. ¿Cuál es el momento de mayor orgullo de la IA?

Tonia Sideri: Creo fue cuando resolvimos el problema de la inspección visual que mencioné. No sólo por el impacto en el negocio, sino sobre todo por las capacidades que el equipo tuvo que desarrollar; desde aprender a utilizar el aprendizaje automático en un entorno de GxP; y por la rapidez con la que trabajamos en equipo con nuestros expertos en negocios y con nuestros expertos en fabricación para hacer eso posible.

Además de que fue validado rápidamente.

Sam Ransbotham: Pensé que ese podría ser tu ejemplo por lo animada que estabas cuando hablabas de ello. Podemos ver esto en el vídeo, pero creo que probablemente también se refleja en tu voz.

¿Qué te preocupa de la IA?

Tonia Sideri: Seguramente esto lo dicen todos en el programa, pero me preocupa cómo el uso de la IA puede replicar los prejuicios.

Pero, por otro lado, creo que la tecnología también tiene la capacidad de descifrar estos prejuicios, porque quizá sea más fácil eliminarlos de la tecnología que de las personas en primer lugar.

Así que es un arma de doble filo, pero me preocupa que podamos reproducir nuestros propios sesgos.

Sam Ransbotham: Los prejuicios son una preocupación común para todos. ¿Cuál es su actividad favorita que no implique tecnología?

Tonia Sideri: Leer libros, definitivamente, y de hecho intento no usar ni siquiera mi Kindle para eso, para leer libros físicos, en 3D.

Acabo de terminar el libro de Ishiguro “Klara y el sol”, que trata de un robot de inteligencia artificial que vive en una familia y empieza a sentir algo por ella. Lo recomiendo de verdad.

Sam Ransbotham: Bueno, eso suena muy bien. En realidad, necesito un nuevo libro.

Shervin Khodabandeh: Me encanta. Mi hijo de 12 años creció en la era del Kindle y de las pantallas y de la lectura de libros, así que la primera vez que consiguió un libro de la vieja escuela de la biblioteca, dijo: “Papá, estos libros huelen maravillosamente; ¿qué es este olor?”. Y yo le dije: “Sí, es un olor increíble que incluso un niño de hoy en día puede apreciar”.

Sam Ransbotham: ¿Qué querías ser de mayor?

Tonia Sideri: Es muy extraño, pero quería ser recolectora de basura, para sorpresa de mi madre.

Shervin Khodabandeh: ¡Yo también! Yo también.

Tonia Sideri: ¿De verdad? Es una oportunidad muy rara de encontrar un compañero…

Shervin Khodabandeh: Sí. Compañeros entusiastas de los recolectores de basura.

Tonia Sideri: Pero tiendo a pensar que está relacionado de alguna manera con nuestro tema, ¿no? Es decir, coges algo y lo conviertes en otra cosa, y nosotros recogemos datos y los convertimos en otra cosa.

Sam Ransbotham: Sí. Estoy seguro de que también hay alguna analogía con la basura, con datos que son perfectos.

¿Cuál es tu mayor deseo para la IA en el futuro?

Tonia Sideri: Diría que “que se democratice de verdad”, pero no creo que se democratice pronto, porque necesita tanta comprensión conceptual para democratizarse que no creo que lo consigamos.

Pero ese es mi verdadero deseo: que todo el mundo tenga las herramientas, pero que sean más los que sepan utilizarlas.

Sam Ransbotham: Por “democratizar”, ¿quieres decir que todo el mundo tenga acceso a esas herramientas?

Tonia Sideri: Sí, y creo que ya hay muchas plataformas que pueden ayudar a tener esta IA de bajo código, pero es mejor que alguien tenga acceso a las herramientas y sea capaz de usarlas.

Creo que para eso hará falta mucho tiempo, porque no es una cosa de herramientas.

Se trata más bien, de nuevo, de una gestión del cambio, de una cuestión educativa.

Sam Ransbotham: Tonia, fue un placer conocerte.

Creo que mucho de lo que Novo Nordisk ha hecho con la sistematización y el desarrollo de procesos en torno al aprendizaje automático y la IA son cosas de las que muchas organizaciones podrían aprender.

Hemos disfrutado mucho hablando contigo. Gracias.

Shervin Khodabandeh: Sí, ha sido un verdadero placer. Gracias.

Tonia Sideri: Gracias.

Sam Ransbotham: Por favor, únase a nosotros la próxima vez cuando hablamos con Jack Berkowitz, jefe de datos de ADP.

Allison Ryder: Gracias por escuchar Me, Myself, and AI. Creemos, al igual que t´´u, que la conversación sobre la implementación de la IA no empieza ni termina con este podcast.

Por eso hemos creado un grupo en LinkedIn específicamente para oyentes como tú.

Se llama AI for Leaders, y si te unes a nosotros, podrás charlar con los creadores y presentadores del programa, hacer tus propias preguntas, compartir tus ideas y acceder a valiosos recursos sobre la implementación de la IA del MIT SMR y el BCG. Puedes acceder a él visitando mitsmr.com/AIforLeaders.

Pondremos el enlace en las notas del programa, y esperamos verle allí.

SOBRE LOS ANFITRIONES

Sam Ransbotham (@ransbotham) es profesor del departamento de sistemas de información de la Carroll School of Management del Boston College, así como editor invitado de la iniciativa Artificial Intelligence and Business Strategy Big Ideas del MIT Sloan Management Review. Shervin Khodabandeh es socio senior y director gerente de BCG y colíder de BCG GAMMA (la práctica de IA de BCG) en Norteamérica. Se puede contactar con él en shervin@bcg.com.

Me, Myself, and AI es un podcast en colaboración con el MIT Sloan Management Review y el Boston Consulting Group y está presentado por Sam Ransbotham y Shervin Khodabandeh. Nuestro ingeniero es David Lishansky, y las productoras coordinadoras son Allison Ryder y Sophie Rüdinger.

Síguenos en LinkedIn para mantenerte informado

Síguenos en Google News