Aplicación de la Inteligencia Artificial a Negocio

El desarrollo y la implantación de proyectos de Inteligencia Artificial, dentro del entorno empresarial, requieren una cuidadosa preparación para llevarlos al éxito. En este post se mencionarán cuestiones prácticas para sacarle el máximo partido a estos proyectos y asegurar una implantación exitosa.

 

La estrategia de Datos

Uno de los principales escollos en iniciativas de explotación de tecnologías de Inteligencia Artificial, es la ausencia de una Estrategia de Datos previa, esta se entiende como el planeamiento de acciones que se requieren para dar soporte a la toma de decisiones y estrategia de negocio.

Una Estrategia de Datos incluye:

  • El inventario de datos.
  • La gobernanza de datos.
  • Calidad de datos.
  • Gestión de datos.
  • Analítica de datos.
  • Monetización de datos.

De todas estas áreas se responsabiliza el “Chief Data Officer“, una figura ausente en muchas grandes empresas y cuyas responsabilidades pueden quedar diluidas en la organización.

La idea clave es: conocer qué datos se tienen, cuáles hacen falta y cómo obtenerlos a partir de los que se tienen y se pueden conseguir.

 

La organización y el foco

La organización interna que requiere el desarrollo de un proyecto de Inteligencia Artificial no suele estar disponible previamente. Pocas empresas tienen la capacidad y necesidad de mantener equipos de expertos que se encarguen de este tipo de proyectos. 

La opción de externalización cuenta con dos ventajas frente a la opción de contratación en plantilla:

  • El coste: la externalización conlleva un coste menor que contratar un equipo de expertos para el desarrollo interno.
  • El foco: estratégicamente, muchas empresas quieren estrechar el foco a su especialidad (llamada “core competency”). Así pues, el resto de actividades prefieren externalizarlas.

 

El riesgo tecnológico

Todas las iniciativas basadas en tecnologías modernas, ajenas a la competencia de la empresa, suponen cierto grado de riesgo tecnológico.

Dos buenas ideas que ayudan a mitigar dicho riesgo son:

  • Las alianzas: mediante la búsqueda de alianzas con proveedores externos, se puede mitigar la carestía inicial de talento interno en este área.
  • El prototipado: esta es una opción muy razonable para conseguir el apoyo interno que requieren los proyectos de Inteligencia Artificial. En vez de plantear un ambicioso proyecto que culmine con la puesta en producción, requiriendo una elevada inversión, se desarrolla un itinerario de producto.

Dicho itinerario comienza con una prueba de concepto (“Proof of Concept“) o prototipo que requiere una inversión mucho menor. Puede demostrar capacidades que ayuden al Consejo de Administración a tomar la decisión de apoyar un desarrollo subsiguiente más ambicioso. Esto se llevaría a cabo con puesta en producción y retirada gradual de los sistemas de legado.

 

El riesgo metodológico

Analizando los casos de proyectos de Inteligencia Artificial y Machine Learning que han fracasado, encontramos que hay una causa con mayor prevalencia  al resto: el uso de una metodología inadecuada.

 

Como ejemplo, considérese el mercado de las herramientas de Machine Learning donde existe una amplia y sofisticada oferta:

  • Herramientas de pago.
  • Herramientas de uso libre (de código abierto).

 

 

Incluso en el caso de las herramientas de código abierto, la calidad de las mismas es muy elevada y están soportadas por grandes propietarios como Google o prestigiosas universidades como Stanford. Esta circunstancia refuerza la tesis de que, en la mayoría de los casos, el uso inadecuado de dichas herramientas comporta el fracaso.

Este uso inadecuado puede ser un síntoma de un problema mayor a nivel metodológico. Este deriva de la ausencia de un adecuado liderazgo.

 

El liderazgo

Los proyectos de Inteligencia Artificial requieren tres tipos de liderazgo específicos para su desarrollo exitoso:

  1. El liderazgo científico: analiza el problema de negocio y los requerimientos de generación de valor. Además, identifica la base científica que sustenta la solución requerida.
  2. El liderazgo tecnológico: identifica las herramientas tecnológicas que se emplearán en la construcción de la solución.
  3. El liderazgo metodológico: indica cómo se usarán dichas herramientas para construir la solución deseada.

El profesional que ejerce estos tres tipos de liderazgo es el Científico Jefe de Inteligencia Artificial que, además de poseer competencias científicas y técnicas, cuenta con competencias de gestión de equipos y es la interfaz con el área de negocio (Product Manager).

 

Por Ignacio Giráldez (@Kworks_SL)

Emprendedor, fundador de Knowledgeworks SL y consultor externo de Inteligencia Artificial y Machine Learning (14 proyectos en los últimos 7 años). Ignacio, además, es Director de nuestro Curso de Experto en Inteligencia Artificial en Marketing.

 

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *