Inteligencia artificial en las empresas: dónde estamos y hacia dónde vamos

Jaume Miralles, CTO en IBM, realizó una masterclass sobre el estado actual de la inteligencia artificial en las empresas y los posibles avances que tendrá en un futuro próximo. En este artículo, haremos un repaso por los puntos más importantes que fueron tratados en la ponencia.

Introducción a la inteligencia artificial en las empresas

En la ponencia, Miralles repasa las grandes ventajas que aporta la inteligencia artificial en las empresas de varios sectores afectados y en la sociedad. A grandes rasgos, trata 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 IA en empresas: incrementar los ingresos, reducir costes, mejorar la eficiencia del equipo y reducir riesgos en la toma de decisiones estratégicas, principalmente.

Los profesionales de la inteligencia artificial necesitan transmitir la importancia de esta tecnología a la cúpula directiva. Para ello, es importante destacar el hecho de que la IA refuerza los beneficios que ya aportan las técnicas que actualmente utilizan las empresas. Como la analítica de datos estructurados y la automatización de procesos back-end.

La llegada de la IA a las empresas puede mejorar:

• la automatización de procesos, especialmente "front-end" con asistentes virtuales, que consiguen reducir los costes.
• 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. La ventaja de usar la IA es un incremento de los ingresos.
• La creación de modelos de decisión a partir de datos de cualquier tipo, que permitan automatizar y optimizar procesos de negocio.

La inteligencia artificial en las empresas se encuentra en un punto de inflexión

Miralles señala que nos encontramos en un punto de inflexión. Hasta ahora, la experiencia de la inteligencia artificial en las empresas ha sido a nivel experimental. Con pruebas de concepto y pilotos para comprobar que esta tecnología también podría funcionar con los datos de cada empresa.

Sin embargo, cuando llega el momento de poner en producción estos modelos, aparecen dificultades y complicaciones para la adopción. Por eso, ahora es el momento de centrar la atención en la operacionalización sostenible de todos estos modelos. Así como en una adopción más industrializada que permita escalar, ganar en confianza y superar algunos de los principales problemas de adopción actuales, como la realización de valor.

Aunque algunas empresas han puesto modelos en producción, la mayoría han usado el sistema manual, que supone un incremento notable de los costes. Esta operacionalización es el mayor reto al que se enfrenta actualmente la inteligencia artificial en las empresas.

Hasta ahora, cuando hablábamos de IA, y en particular de Machine Learning, pensábamos solo 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, con el cambio de foco que presenta Miralles, esta sería únicamente la mitad de la fotografía.

Ahora ya sabemos 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. En otras palabras, este es otro de los retos de la inteligencia artificial que debemos resolver en los próximos años.

El procedimiento habitual en las empresas consiste en poner a prueba el piloto, comprobar que la tecnología funciona y, después, proceder con el Business Case. Lo que sugiere Miralles para mejorar la eficiencia con la inteligencia artificial en las empresas es empezar por asumir que el modelo funciona correctamente en el 80% o 90% de los casos.

A partir de aquí, y sabiendo que existirá un margen de error, se podrá plantear el llamado Target Operating Model (TOM). En este es donde se considera la viabilidad del modelo en cuestión. Cuando se utiliza esta técnica, se 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

No es la primera vez que nos enfrentamos a cambios en la forma de operar debido a la llegada de la tecnología. El uso de la IA en las empresas no es una excepción. Por eso, no nos debería sorprender que todavía sean múltiples los retos de la inteligencia artificial. Los más relevantes son los siguientes:

• Acceso a los datos.  Los avances en el gobierno de datos de los últimos años no son suficientes, por lo que el acceso sigue siendo un desafío para los Data Scientists.
• Infraestructura de entrenamiento. Las empresas más avanzadas en IA que usan datos no estructurados, como el Deep Learning, necesitan una unidad de procesamiento gráfico (GPU) para poder entrenar. Dado que no suelen estar disponibles,  se dificulta la escalabilidad del proyecto.
• Operacionalización. Las herramientas disponibles en la actualidad no permiten la puesta en producción automática de los modelos.
• Monitorización específica de las aplicaciones. Las herramientas que son capaces de hacerlo son todavía muy escasas.
• Confiabilidad.  Los expertos deben asegurar que el modelo se ajusta a las expectativas de la empresa.
• Valor. El modelo debe cumplir con los objetivos empresariales. Como la reducción de costes o el aumento de las ventas.
• Linaje de los datos. Se necesita un vínculo entre la aplicación y el modelo. Los profesionales deben trazar los modelos que usa la aplicación y los datos utilizados en el entrenamiento del modelo.
• Reutilización de datasets y modelos. Esta permite mejorar la eficiencia de los procesos de inteligencia artificial en las empresas.

Trusted AI y sus cuatro pilares

En la ponencia, Miralles trata también conceptos como el Trusted AI y sus pilares. Estos son justicia, explicabilidad, robustez y linaje. Tanto los fallos como las posibles complicaciones en estos cuatro conceptos pueden repercutir negativamente en la reputación de las empresas. De ahí que los CEOs de las empresas y el equipo de Management en general preste especial atención a su cumplimiento.

Justicia y ética

Implica asegurar que los modelos que entrenan son justos y éticos, y que no realizan discriminaciones de ningún tipo. Por ejemplo, por raza o sexo,  que suelen venir de datos sesgados. Miralles menciona la posibilidad real de que suceda por usar datos antiguos. Aunque no sea intencionado, no siguen criterios éticos y de igualdad: algo que puede llegar a ser punible.

Para evitar que suceda, hay que cuidar los datos que se utilizan para entrenar a los modelos. Sobre todo, en los ciclos de reentrenamiento.

Explicabilidad

Hay algoritmos que se explican mejor que otros, como los que incluyen redes neurales. Los científicos de datos suelen evitar trabajar con este tipo de modelos para favorecer la explicabilidad. En este sentido, Miralles subraya que, a veces, esta puede llegar a pesar más que la precisión del modelo.

Por suerte, la tecnología avanza con rapidez y aquellos modelos considerados cajas negras por los Data Scientist son más fáciles de explicar. Además de ser más fácil comprender por qué funcionan bien o mal un modelo, también se facilita la mejora de los propios modelos.

Robustez

Los algoritmos y los modelos pueden sufrir ciberataques, como sucede con las webs.  Cuando aquellos son atacados, se modifica el proceso de entrenamiento o se contaminan los datos usados para tal fin. La consecuencia del ataque es que el modelo resultante no funciona, a pesar de haber pasado todos los entrenamientos necesarios.

Por suerte, cada ataque tiene su propia solución. Estas se pueden encontrar en librerías OpenSource, en las que figuran las colecciones de ataques más habituales y la defensa ante estos.

Linaje

Los tres pilares anteriores son características intrínsecas del modelo, mientras que la trazabilidad es una característica del ciclo de vida del modelo. La cuestión que aquí se plantea es si es auditable.

Proceso de aplicación de la IA en empresas

La industria se ha dado cuenta de  que poner un modelo en producción no consiste únicamente en pulsar un botón. Por el contrario, primero hay que superar una serie de pruebas.

Para una óptima operacionalización de la inteligencia artificial en las empresas, el profesor recomienda que sean estas últimas quienes decidan cómo debe ser el flujo de despliegue. Mientras que el equipo IT le proporcionará las capacidades técnicas y las herramientas para poder llevarlo a cabo. Como entrenamiento, pruebas de precisión, pruebas de explicabilidad, etc.

Si quieres profundizar en el apasionante mundo de la inteligencia artificial en las empresas, no te pierdas el vídeo completo de la sesión.