Nuestros sitios
Ver edición digital Título de la edición actual
Continúa leyendo:
Los proyectos de IA de Pepsico
Comparte
Compartir

¿Qué es un producto mínimo viable de IA?

Mit Sloan 21 Dic 2020
¿Qué es un producto mínimo viable de IA?

Para tener éxito, un producto piloto de Inteligencia Artificial debe superar los requisitos básicos de un proyecto estándar de TI.


Por Thomas H. Davenport y Rudina Seseri

Uno de los rasgos clave del método de iniciativas popularizado por Steve Blank y Eric Ries es el desarrollo y refinamiento de un producto mínimo viable (PMV), el cual atrae la atención de los clientes y los inversores sin grandes gastos. Definido inicialmente por el tecnólogo Frank Robinson, un PMV puede no satisfacer todas las necesidades de los clientes, pero ofrece suficientes capacidades para que los más interesados comiencen a trabajar con él. Es un paradigma que se ha consolidado en el desarrollo de productos tecnológicos.

Pero, ¿qué significa el concepto de PMV para la Inteligencia Artificial? Esta es una pregunta relevante no sólo para las startups, sino también para las grandes empresas. Muchas compañías están desarrollando productos piloto de IA en diferentes áreas en espera de que demuestren su valor potencial y que eventualmente se desplieguen en producción. Para una organización, un PMV tiene muchas similitudes con una prueba de concepto.

Para cualquier empresa que pretenda aprovechar la IA, es importante comprender qué constituye un PMV exitoso y cómo pueden mejorarse. Pero también es importante para firmas de capital de riesgo que invierten principalmente en empresas de IA, como Glasswing Ventures (en la que ambos autores estamos involucrados).

Tomando como base varias empresas de la cartera de Glasswing y otras que hemos investigado, sostenemos que, si bien existen ciertas características generales para todos los productos de TI -que son útiles incluso en sus primeras etapas, que permiten el monitoreo de clientes para mejorar el producto y que se puede desarrollar de forma relativamente rápida y económica-, los primeros productos de IA deben cumplir algunos requisitos únicos para calificar como PMV.

Los datos y los PMV

El aprendizaje automático es una tecnología subyacente común de la IA y mejora con el uso de grandes cantidades de datos. El aprendizaje supervisado, por mucho el tipo más común en los negocios, requiere datos con resultados etiquetados. Por lo tanto, los datos son quizás el recurso más esencial para un producto de IA, y son necesarios incluso en la etapa de PMV: sin datos, no se puede programar un algoritmo de aprendizaje automático.

Cualquiera que intente crear un PMV de IA tendría que ser capaz de responder los siguientes cuestionamientos, y sus inversores o patrocinadores deberían plantearlos:

• ¿Qué recursos de datos emplean los modelos principales para su programación?

• ¿Ya cuentas con los datos suficientes para programar un modelo “relativamente efectivo”? (Más adelante explicaremos por qué “relativamente efectivo” puede ser suficiente).

• ¿Qué grado de privacidad tienen los datos utilizados para programar tus modelos?

• ¿Cuánta integración de datos, limpieza y otras actividades quedan por realizar antes de que tus datos sean útiles para la programación?

• ¿Consideras que habrá más datos disponibles para mejorar tus modelos en algún momento?

Los propios algoritmos o modelos de aprendizaje automático se están volviendo un tanto comerciales. DataRobot, un proveedor de software de aprendizaje automático, anuncia que ha creado más de mil millones de modelos (aunque, por supuesto, no todos se están utilizando). Pero los datos siguen siendo un recurso más desafiante; limpiarlos, integrarlos y transformarlos en formatos útiles puede implicar bastante esfuerzo. Y si la fuente de datos de un producto inicial mínimamente viable de IA está disponible (por ejemplo, la base de imágenes etiquetadas ImageNet), es poco probable que proporcione mucha ventaja competitiva.

Un ejemplo de datos privados valiosos es la información utilizada por Armored Things, una startup de Glasswing. Los clientes de Armored Things son grandes corporativos y campus importantes que buscan mejorar su seguridad física, así como la gestión de sus instalaciones y operaciones. Este servicio combina datos de videos, Wi-Fi, cerraduras de puertas inteligentes y otros sensores en una “capa de inteligencia espacial” para construir una plataforma de inteligencia colectiva en tiempo real. Este conjunto de datos único es vital para permitir la visibilidad de cómo las personas usan y se mueven por los espacios físicos, y ayudó a convertir la oferta de esta joven empresa en un PMV.

El equipo profesional de Los Angeles Football Club está utilizando Armored Things para analizar en tiempo real el flujo de fanáticos y así tomar mejores decisiones respecto a la densidad de la multitud, la salubridad y la seguridad para los 22,000 asientos que contiene el club, uno de los escenarios deportivos con mejor tecnología. Dicha tecnología es crucial ahora que los fanáticos empiezan a regresar a los eventos deportivos después de la crisis del COVID-19. La analítica de datos y la acción rápida son esenciales para generar confianza, y conseguir una experiencia óptima y segura para los seguidores del equipo.

Inteligencia más allá de los datos y los algoritmos

El aprendizaje automático por sí solo y el aprendizaje profundo en particular, no suelen ser elementos suficientes para crear un sistema de IA efectivo; incluso cuando se combina con datos limpios y privados. Las soluciones de aprendizaje automático para problemas que involucran tareas perceptivas (habla, visión), control (robótica) y predicción (planificación de la demanda del cliente) varían mucho en cuanto a manejabilidad y complejidad.

Es posible que los primeros productos de IA deban concentrarse en las siguientes cuatro áreas para lograr una mínima viabilidad.

1. Los PMV de IA podrían requerir modelos híbridos complejos. Es poco probable que desafíos como el modelado de diálogos humanos, el cual puede presentar cierta escasez de datos, debido a la cantidad limitada de información disponible, se resuelvan utilizando métodos tradicionales. En tales casos, puede ser más práctico, contemplar el uso de soluciones híbridas que combinen el aprendizaje profundo con el modelado de conocimiento a priori y el razonamiento lógico normado. Estas soluciones de IA son menos complejas y requieren menos datos que el aprendizaje profundo, al mismo tiempo que proporcionan una mayor transparencia. Estos algoritmos híbridos rara vez están disponibles en el mercado, por lo que es importante que quienes deseen implementarlos consideren las implicaciones de la investigación exploratoria que requieren.

Por ejemplo, Cogito usa Inteligencia Artificial para mejorar las comunicaciones de call center al interpretar alrededor de 200 señales verbales y no verbales en las conversaciones de los agentes, las cuales abarcan volumen vocal, intensidad, consistencia, tono, ritmo, tensión y esfuerzo. La herramienta envía señales en tiempo real a los trabajadores para guiarlos a hablar con más confianza y empatía con el fin de que puedan hacer su trabajo con mejor calidad.

En palabras del CEO de Cogito, Joshua Feast, el software “ayuda a las personas a ser más encantadoras en la conversación”, lo que se traduce en puntuaciones netas de promotores más altas (28% más altas, según un estudio), tiempos de llamada promedio más cortos y menos ocasiones en las que los clientes piden que los atienda un gerente. Este híbrido, a través del aprendizaje automático combinado con la detección de señales sociales, crea recomendaciones sustancialmente mejores que cualquiera de las tecnologías por sí solas.

2. Los PMV pilotos deben demostrar potencial de integración. La mayoría de las empresas no desean utilizar una aplicación extra de IA, por lo que una nueva solución debería permitir una fácil integración con los sistemas en uso, generalmente por medio de una interfaz de programación de aplicaciones. Esto a su vez permite que las soluciones de IA se conecten a los registros de datos existentes y se combinen con los sistemas transaccionales, lo cual reduce la necesidad de utilizar más aplicaciones.

Zylotech, otra empresa de Glasswing, aplica este principio a su plataforma de datos entre compañías (o B2B, por su acrónimo en inglés) de autoaprendizaje. Zylotech integra los datos en las plataformas existentes, las enriquece con un conjunto de datos privados sobre las búsquedas y compras de los clientes en otros lugares, y proporciona información y recomendaciones inteligentes para emprender acciones futuras mejoradas para los equipos de marketing, ventas, datos y atención a cliente. Este modelo está diseñado específicamente para complementar los paquetes de aplicaciones existentes de los clientes, minimizando el proceso de implementación.

Otro ejemplo de integración es Verusen, una plataforma de optimización de inventario también en la cartera de Glasswing. Dada la existencia de grandes actores de planificación de recursos empresariales arraigados en el mercado, era esencial que la plataforma se integrara con dichos sistemas. Esta herramienta recopila datos de inventario existentes y proporciona sus recomendaciones generadas por IA sobre cómo conectar datos dispares, y pronosticar las necesidades futuras sin exigir un cambio significativo en el modo de uso.

3. Los PMV de IA deben mostrar evidencia de conocimiento del área. Esto se relaciona con el potencial de integración: comprender cómo se puede implementar una solución en los ecosistemas verticales y los flujos de trabajo existentes es, en definitiva, fundamental. Por ejemplo, hay muchos casos en los que las aplicaciones de IA para el cuidado de la salud, que en general son buenas (como los asistentes de diagnóstico), terminan acumulando polvo en un estante porque no se adaptan bien a la rutina de un médico.

Un PMV necesita resolver un problema particular, ya sea comercial o del consumidor, por lo que es importante que el equipo tenga un conocimiento del área donde sucede ese problema. ClimaCell, un centro de inteligencia meteorológica, es un excelente caso de este tipo de plataformas.

El equipo de ClimaCell ha extraído información de satélites, señales inalámbricas, aviones, cámaras de vigilancia, automóviles conectados, drones y otras fuentes electrónicas para entregar pronósticos meteorológicos calle por calle, minuto a minuto, con hasta seis horas de anticipación (y previsiones menos específicas de hasta seis días antes). Sus “micropronósticos meteorológicos” a pedido han ayudado a compañías como Uber, Ford, National Grid y el equipo de los Patriotas de Nueva Inglaterra a mejorar su preparación y brindar mejores detalles y servicios a los clientes.

4. Los PMV de IA deben proporcionar el valor del Día Cero. Las aplicaciones de IA suelen mejorar con el tiempo gracias a la suma de datos adicionales. Sin embargo, al desarrollar un PMV, es importante pensar en el primer cliente y en cómo ofrecer valor desde el Día Cero.

Esto puede requerir enfocarse inicialmente en limpiar los datos del cliente para construir un conjunto que pueda alimentar el producto de IA, programar herramientas desde el principio con conjuntos de datos públicos, adoptar un método con interacción humana que valide las respuestas tempranas arriesgadas o adoptar tecnología normada. Los desarrolladores de PMV deben asegurarse de que los clientes iniciales se conviertan en los mayores ganadores de la empresa.

Un producto mínimo viable requiere un rendimiento mínimo viable

También es importante tener en cuenta el rendimiento mínimo viable. Considerando la tarea objetivo, ¿qué tan bien debe funcionar el producto para que sea útil? La respuesta depende del problema, tanto en términos de métricas empresariales relevantes como en el nivel de rendimiento requerido. En algunas aplicaciones, tener un 80% de éxito en el Día Cero podría representar una mejora importante y valiosa en la productividad o el ahorro de costes; pero en otras aplicaciones, el 80% en el Día Cero puede ser completamente inadecuado, como para un sistema de reconocimiento de voz.

El objetivo es superar la línea de base, no el mundo. Un buen estándar puede ser simplemente preguntar: “¿Cómo puede un PMV de IA mejorar la situación actual?”; incluso, las grandes empresas de software deben plantearse esta pregunta.

En Salesforce.com, los modelos de tendencia de ventas, que predicen qué clientes actuales y futuros probablemente respondan a diversas actividades, fueron de las primeras herramientas desarrolladas con Einstein, un producto de IA propio de Salesforce. Se trató de una adición fácil porque todos los datos ya estaban en la nube de Salesforce y los modelos de aprendizaje automático predictivo eran una tecnología familiar para el personal de ventas, quienes usarían la información. Aun si hubiese arrojado una clasificación imperfecta de clientes, probablemente es mejor que la sola intuición de un vendedor.

Asimismo, es buena idea que un PMV de IA respalde un proceso empresarial “maduro”. En el caso de Verusen, centraron su herramienta en la gestión del inventario de piezas, el cual normalmente se realiza, según se requiera. Al estructurar y mejorar ese proceso, Verusen pudo reflejar millones de dólares en ahorros a cada uno de sus primeros clientes.

Las estrategias de PMV son importantes para cualquier tipo de sistema, y la IA no es una excepción, no importa lo emocionante que parezca la tecnología por sí sola. Los usuarios pueden adoptar un producto mínimo viable de Inteligencia Artificial sin grandes inversiones de tiempo o dinero, y otra gran ventaja es que son productos perfectibles con la retroalimentación de los primeros clientes. Con este tipo de estrategias, los productos y las aplicaciones internas pueden pasar sin problemas de tener capacidades útiles pero básicas a ofrecer ofertas transformadoras.

Acerca de los autores

Thomas H. Davenport (@tdav) es profesor distinguido del presidente de Tecnología y Gestión de la Información en el Babson College, también es profesor invitado en la Escuela de Negocios Säid de la Universidad de Oxford, es miembro de la Iniciativa MIT sobre Economía Digital y asesor principal de las prácticas de IA y analítica de Deloitte; y también es asesor de Glasswing Ventures.

Rudina Seseri es fundadora y socia gerente de Glasswing Ventures, y lidera las inversiones de la firma en software empresarial habilitado para IA como servicios, nube, software de TI y mercados verticales.

Artículo traducido por Elvira Rosales Abundiz, a partir de: https://sloanreview.mit.edu/article/what-is-a-minimum-viable-ai-product/?og=Home+Editors+Picks