La Inteligencia Artificial de tu empresa, ¿en realidad lo es?

Es muy probable que una solución, en la que está invirtiendo, hoy se denomine habilitada por la Inteligencia Artificial o impulsada por el aprendizaje automático. ¿Pero esto es cierto?

La realidad actual, para la mayoría de las organizaciones, es que la IA y el aprendizaje automático forman una parte del pastel analítico general. De hecho, una investigación realizada por la firma de inversión con sede en Londres, MMC Ventures, reveló que el 40 por ciento de las nuevas empresas de Europa no usaban ninguna clase de IA.

Los brujos del mañana con la Inteligencia Artificial

Definimos la Inteligencia Artificial como cualquier sistema basado en computadoras que observa, analiza y aprende. La clave es que estos sistemas son iterativos, se vuelven mejores y más precisos a medida que recopilan y analizan más datos, sin la intervención explícita de los humanos. Como el término lo indica, estas son máquinas que aprenden, por simple que sea el aprendizaje.

Así como es importante definir qué caracteriza a un sistema como IA, es igualmente importante identificar qué no es IA. Confundir las técnicas informáticas y analíticas avanzadas con la IA y el aprendizaje automático a menudo puede generar confusión, y la siguiente sección detalla algunas de las falacias de la IA más comunes que los líderes deben comprender.

1. El hecho de que un sistema utilice un algoritmo y estadísticas avanzadas no lo convierte en IA.

Un algoritmo es simplemente un conjunto de pasos o reglas predefinidas para resolver un problema. Estos pueden ser simples (piense en una declaración si-entonces) o muy complejos (piense en una máquina de jugar al ajedrez). Sin embargo, la mayoría de los algoritmos son estáticos: siempre devolverán el mismo resultado dada la misma entrada. Es decir, no se adaptan ni aprenden.

Estos algoritmos suelen codificarse utilizando modelos estadísticos estándar, como correlación o regresión, que son muy buenos para identificar líneas de tendencia en datos bien definidos. Estas líneas de tendencia les permiten ofrecer predicciones de estados futuros basadas en un conjunto de estados pasados. 

Sin embargo, la verdadera IA es capaz de trabajar con datos que no están bien estructurados, bien definidos o incluso numéricos. Algunos de los mayores avances en inteligencia artificial y aprendizaje automático provienen de conocimientos generados con lenguaje natural, imágenes y datos de video.

2. El hecho de que un sistema responda preguntas no lo convierte en IA.

Hay muchas tecnologías, como los agentes de conversación, que tienen la capacidad de responder las preguntas que se les plantean. Recordemos la popularidad de los sistemas de apoyo a las decisiones en los años 1980 y 1990. 

Estas herramientas brindan respuestas automatizadas para una variedad de problemas a través de paneles digitales, e incluso hoy existen versiones de estos sistemas para tareas como gestión de inventario y proyecciones de ventas. 

En la mayoría de los casos, lo hacen haciendo coincidir la pregunta con una base de datos de respuestas previamente completadas (piense en una función de “ayuda” de software) o calculando la respuesta aplicando un algoritmo a los datos. 

Algunos van más allá y buscan en Internet si no encuentran nada apropiado en la base de datos. La mayoría de estos sistemas no tienen la capacidad de situar la pregunta en contexto ni aprenden de la precisión de respuestas anteriores. Por lo tanto, no califican como IA.

3. El hecho de que un sistema se anuncie como IA no significa que sea IA.

Nos hemos encontrado con muchas empresas emergentes, vendedores y proveedores de “análisis” que se promocionan como proveedores de soluciones de inteligencia artificial y aprendizaje automático de vanguardia. 

Desafortunadamente, la mayoría de ellos nos han decepcionado. Si bien pueden ser buenos en métodos estadísticos avanzados, no pueden construir modelos de aprendizaje a partir de datos estructurados y no estructurados, especialmente los grandes volúmenes de datos que normalmente se necesitan para construir modelos útiles.

Inteligencia Artificial: 4 plataformas para crear presentaciones divertidas

¿Qué hace realmente la IA?

Para evaluar si la estrategia o el enfoque que está evaluando requiere inteligencia artificial, volvamos a nuestra definición de IA como cualquier sistema informático que observa, analiza y aprende.

Primero, necesita observar. Esto significa que necesita poder aumentar su base de datos de información y conocimientos. Un conjunto de datos rico pero estático no es suficiente, porque se vuelve obsoleto en el momento en que se crea. Por lo tanto, un verdadero sistema de IA es capaz de detectar su propio entorno y aumentar su base de conocimientos casi en tiempo real. 

La mayoría de los coches Tesla tienen al menos 21 sensores, incluidas cámaras, sensores ultrasónicos y radares. El propósito de estos sensores es observar el entorno del automóvil y enviar información en tiempo real al potente sistema de conducción autónoma a bordo. 

OrangeShark, una startup de marketing digital basada en inteligencia artificial, sigue de cerca varias métricas del rendimiento publicitario anterior y ajusta automáticamente la ubicación de los anuncios, centrándose en aspectos del contenido creativo para anuncios futuros.

En segundo lugar, la IA necesita analizar– es decir, darle sentido a su entorno. Un sistema de IA debe poder analizar la información que observa y recopila, incluso si esa información es muy confusa. 

Por lo tanto, necesita contar con herramientas avanzadas para encontrar señales en conjuntos de datos muy ruidosos. Las computadoras a bordo de un Tesla analizan las imágenes, las señales y otros datos que recopila para entender su entorno, lo que permite la automatización de varias decisiones de conducción. Gong.io ayuda a los vendedores en entornos B2B de alto impacto analizando varios aspectos de las llamadas de ventas, incluido el sentimiento y el tono de la voz. 

Al utilizar estos datos, las empresas y los profesionales de ventas pueden llegar a muchas ideas contradictorias; por ejemplo, las llamadas con un sentimiento más positivo en realidad se asocian con tasas de cierre más bajas que las llamadas con un sentimiento menos positivo.

En tercer lugar, un sistema de IA debe poder aprender. Este tercer criterio es el diferenciador más importante entre los sistemas de IA y la ciencia de datos tradicional. La capacidad de probar, aprender y mejorar solo está disponible para los sistemas de aprendizaje automático más avanzados en la actualidad. Estos sistemas son capaces de hacer suposiciones, crear y probar hipótesis de forma proactiva y aprender de ellas. Por tanto, se vuelven más precisos con el tiempo. 

La tecnología de conducción autónoma de Tesla se vuelve más inteligente con cada kilómetro que recorre la carretera. Para ello, observa y analiza los datos de cientos de miles de automóviles Tesla y luego aprende de estos datos para mejorar las capacidades de conducción autónoma. 

Puede aprender a distinguir entre un animal en medio de la carretera y una bolsa de plástico arrastrada por el viento, descubriendo que necesita detenerse en el primer caso pero que puede continuar conduciendo con seguridad en el segundo. 

Varios sistemas de recomendación actuales, incluidos los utilizados por Netflix y Stitch Fix, comienzan haciendo recomendaciones genéricas (cuando tienen poco conocimiento sobre sus preferencias). Con el tiempo, aprenden de sus elecciones y mejoran para hacer recomendaciones más personalizadas y personalizadas, una capacidad de la que carecerían los sistemas sin aprendizaje automático.

Cómo incluir un chat de Inteligencia Artificial en tu negocio

¿Mi ‘sistema de IA’ es realmente IA?

Si no está seguro de si el sistema que está utilizando o que está pensando en comprar es realmente IA, hemos desarrollado una lista de cuatro preguntas clave para hacer. 

1. ¿Utiliza grandes cantidades de datos en una variedad de formatos?
2. ¿Actualiza los datos que utiliza con el tiempo?
3. ¿Adapta su lógica de toma de decisiones con el tiempo?
4. ¿Se ajusta a posibles sesgos?

Por supuesto, las organizaciones primero deben identificar los problemas correctos a resolver y solo luego intentar determinar si las técnicas de inteligencia artificial y aprendizaje automático son las soluciones adecuadas para esos problemas. La IA puede ser muy útil para resolver problemas empresariales desafiantes, pero el porcentaje real de casos de uso en los que la IA es significativamente mejor que la simple ciencia de datos o el conocimiento humano es bastante bajo.

En la mayoría de los casos, los mejores conocimientos se pueden generar utilizando las herramientas más sencillas. Nunca dejes que la herramienta dicte cómo resolverás un problema. Pero si decide que necesita IA, asegúrese de que el producto que está creando o comprando se ajuste a sus necesidades.

SOBRE LOS AUTORES

Michael Wade es profesor de innovación y estrategia en IMD Business School en Suiza, donde ocupa la Cátedra Cisco en Transformación Empresarial Digital. Sus libros más recientes son Digital Vortex y Orchestrating Transformation.

Amit Joshi es profesor de IA, análisis y estrategia de marketing en la IMD Business School de Suiza. Investigador y redactor de casos galardonado, trabaja extensamente con empresas de telecomunicaciones, servicios financieros, farmacéutica y manufacturera. 

Mark J. Greeven es profesor de innovación y estrategia en IMD Business School en Suiza y coautor de Pioneers, Hidden Champions, Changemakers, and Underdogs.(Prensa del MIT, 2019). 

Robert Hooijberg es profesor de comportamiento organizacional en la IMD Business School de Suiza. Es coautor de Estar ahí incluso cuando no estás: liderar a través de estrategias, estructuras y sistemas y Liderar el cambio cultural en organizaciones globales: alinear cultura y estrategia.

Shlomo Ben-Hur es profesor de liderazgo y comportamiento organizacional en la IMD Business School de Suiza. Es coautor de Leadership OS , Changing Employee Behavior y Talent Intelligence y autor de The Business of Corporate Learning.

REFERENCIAS

[1] Abreviatura utilizada para el término Business to business, que hace referencia a las transacciones comerciales entre compañías, como un fabricante y el distribuidor de un producto, o un distribuidor y un comercio minorista. (Nota del traductor)

Síguenos en Google News