IA empresarial: dónde estamos y hacia dónde vamos

El pasado 12 de febrero, Jaume Miralles, profesor del Máster en Inteligencia Artificial de Three Points y CTO en IBM, realizó una Masterclass sobre el estado actual de la IA Empresarial y los posibles avances que tendrá en un futuro.

Introducción a la Inteligencia Artificial Empresarial

En la ponencia, Miralles repasa las grandes ventajas que aporta la Inteligencia Artificial tanto a la sociedad y a las empresas de cualquier industria. Principalmente la clasificación, identificación y generación de texto, sonido e imágenes, es decir, datos no estructurados, que tienen múltiples aplicaciones en los procesos y metodologías de las organizaciones.

Asimismo, el CTO de IBM pone de relieve la importancia de entender las prioridades del Management y de los directivos a la hora de aplicar Inteligencia Artificial en las empresas: incrementar los ingresos, reducir costes, mejorar la eficiencia del equipo y reducir riesgos en la toma de decisiones estratégicas, principalmente.

Para que los profesionales de la Inteligencia Artificial puedan transmitir la importancia de esta tecnología a la cúpula directiva, es importante destacar el hecho de que la IA refuerza los beneficios que ya aportan las técnicas que actualmente utilizan las empresas, como son la Analítica de datos estructurados y la Automatización de Procesos "back-end".

La llegada de la IA a las empresas puede mejorar, por un lado, la automatización de procesos, especialmente "front-end" con asistentes virtuales (reducción de costes); y mejorar la analítica de datos no estructurados, texto, audio y vídeo, y así enriquecer los modelos de, por ejemplo, recomendación de productos, que se basan en el comportamiento del cliente (incremento de ingresos). Asimismo, la IA puede ser también beneficiosa para crear modelos de decisión a partir de datos de cualquier tipo que permitan automatizar y optimizar procesos de negocio. 

Punto de inflexión

Miralles señala que nos encontramos en un punto de inflexión. Hasta ahora, las experiencias que han tenido las compañías con la IA han sido a nivel experimental, pruebas de concepto y pilotos para comprobar que esta tecnología también podía funcionar con los datos de cada empresa. Sin embargo, a la hora de poner en producción estos modelos surgían dificultades y complicaciones de adopción. Por ello, ahora toca poner foco en la operacionalización sostenible de todos estos modelos y en una adopción más industrializada que permita escalar, ganar en confianza y superar algunos de los principales problemas de adopción que ha habido hasta ahora, como la realización de valor.

Aunque algunas empresas han puesto modelos en producción, la mayoría de las organizaciones lo ha realizado de manera manual, con el elevado incremento de costes que ello comporta. Por ello, esta operacionalización es el mayor reto empresarial al que se enfrenta actualmente la Inteligencia Artificial. 

Hasta ahora, cuando hablábamos de IA y, más concretamente de Machine Learning, pensábamos únicamente en la figura del Data Scientist. Este perfil es el que se encargaba de la recopilación de datos, su tratamiento y el diseño y el mantenimiento del modelo. Sin embargo, ante este cambio de foco que presenta Miralles, esto es únicamente la mitad de la fotografía. Ahora hay que ser conscientes que la creación de este modelo debe integrarse en una aplicación de IA, para esta función es necesaria la presencia de un Software Engineer o un AI Engineer que, habitualmente, suele depender de otro departamento distinto, lo que representa una dificultad organizativa a mejorar en los próximos años. 

El procedimiento habitual en las empresas consiste en poner a prueba el piloto, comprobar que la tecnología funciona y, posteriormente, se hace el Business Case. Lo que sugiere Miralles para mejorar la eficiencia de las empresas es empezar por asumir que el modelo funciona correctamente en el 80% o 90% de los casos. A partir de aquí, tomando consciencia de que hay un margen de error, puedes plantear el llamado TOM (Target Operation Model), en el que se considera la viabilidad del modelo en cuestión. Esta técnica evita la inversión económica y de tiempo en la creación de modelos que no llegan a los estándares deseados en el TOM. 

Los retos de la Inteligencia Artificial

Sin embargo, las empresas se enfrentan a una serie de retos que deben superar para poder avanzar en las distintas fases que componen la creación de un modelo de Inteligencia Artificial. Las más relevantes a las que hace referencia son: 

• Acceso a los datos: a pesar de los avances en el gobierno de datos de los últimos años, el acceso a los datos sigue siendo un gran reto para los Data Scients.
• Infraestructura de entrenamiento: las empresas más avanzadas en IA que usan datos no estructurados, que suele ser Deep Learning, necesitan una unidad de procesamiento gráfico (GPU) para poder entrenar. Sin embargo, no suelen estar disponibles en la mayoría de compañías, lo que dificulta la escalabilidad del proyecto.
• Operacionalización: las herramientas de hoy en día no permiten la puesta en producción automática de los modelos. 
• Monitorización de las aplicaciones: los modelo de IA necesitan una monitorización específica. Sin embargo, no abundan las herramientas en el mercado que sean capaces de hacerlo. 
• Confiabilidad: los expertos deben asegurar que este modelo se está comportando como la empresa espera que lo haga. 
• Valor: además, los profesionales de IA deben también garantizar que el modelo cumple sus objetivos empresariales (reducción de costes, aumento de ventas, etc.)
• Linaje de los datos: debe existir una vinculación entre la aplicación y el modelo. Los profesionales deben ser capaces de trazar los modelos que usa la aplicación, así como poder trazar los datos que se han usado para entrenar el modelo. 
• Reutilización de datasets y modelos: la correcta reutilización de datasets y modelos dentro de una empresa puede mejorar la eficiencia de los procesos de IA.

Trusted AI: los grandes pilares de esta tecnología

Miralles trata además conceptos como el Trusted AI que se compone de cuatro pilares: justicia, explicabilidad, robustez y linaje. Los fallos y posibles complicaciones en estos cuatro conceptos pueden llegar a crear grandes daños reputacionales en las empresas. Por ellos, el Management y los CEOs de las compañías prestan especial atención a su cumplimientos. 

Ética

Los profesionales deben asegurarse de que los modelos que entrenan sean justos y éticos y no tengan discriminación de ningún tipo. La discriminación racial o por género suele venir de datos sesgados. Miralles menciona la posibilidad real que existe de entrenar modelos actuales con datos antiguos, en los que puede haber un claro sesgo racial, y construir modelos que, a pesar de que no sea intencionadamente, no respondan a criterios éticos y de igualdad racial que, hoy en día, puede llegar a ser punible.

Para evitar este tipo de situaciones, lo mejor es tener un cuidado y mantenimiento de los datos que usamos para entrenar al modelo como en la operación, especialmente en los ciclos de reentrenamiento.

Explicabilidad

Hay algoritmos que se explican mejor que otros, especialmente aquellos que incluyen redes neurales. De hecho, los científicos de datos suelen evitar trabajar con este tipo de modelos para favorecer la explicabilidad a negocio. En este sentido, Miralles subraya la importancia de este punto en el que, en ocasiones, puede llegar a pesar más que la precisión del modelo. 

Por suerte, la tecnología avanza a pasos agigantados y cada vez es más fácil de explicar modelos que los Data Scientist llaman "cajas negras". De este modo, no solo es más fácil entender por qué funciona bien o mal un modelo sino que facilita la mejora de los propios modelos. 

Robustez

Del mismo modo que las páginas webs pueden sufrir ciberataques, los algoritmos y modelos se pueden atacar, especialmente usando retoques en el proceso de entrenamiento. Otro modo suele ser contaminando los datos de entrenamiento de modo que el modelo resultante no funciona a pesar de haber pasado todos los trainings necesarios. 

Afortunadamente, cada ataque tiene su propia solución. Estas soluciones se pueden encontrar en librerías OpenSource con las colecciones de ataques y defensas de ataques. 

Linaje

A diferencia de las otros tres pilares, que son características intrínsecas del modelo, la trazabilidad es una característica del ciclo de vida del modelo. 

Hacia un modelo de programación para la operacionalización de la IA

La industria se ha dado cuenta de poner un modelo en producción no consiste únicamente en pulsar un botón, sino que hay una serie de pruebas que debe superar. Por ello, para una óptima operacionalización de la IA, el profesor recomienda que sea Negocio quien se responsabilice de cómo debe ser el flujo de despliegue y el equipo IT le proporcionará las capacidades técnicas y las herramientas para poder llevarlo a cabo: entrenamiento, pruebas de precisión, pruebas de explicabilidad, etc. 

Si queréis profundizar en el apasionante mundo de la Inteligencia Artificial Empresarial, os dejamos el vídeo completo de la sesión: