Usar la IA para hacer que los trabajadores del conocimiento sean más eficaces

Andriy Onufriyenko/Getty Images

Las nuevas capacidades de la IA que pueden reconocer el contexto, los conceptos y el significado están abriendo nuevas y sorprendentes vías de colaboración entre los trabajadores del conocimiento y las máquinas. Los expertos ahora pueden aportar más de su propia contribución para el entrenamiento, el control de calidad y el ajuste de los resultados de la IA. Las máquinas pueden aumentar la experiencia de sus colaboradores humanos y, a veces, ayudar a crear nuevos expertos. Estos sistemas, al imitar más de cerca la inteligencia humana, están demostrando ser más robustos que los sistemas basados en macrodatos que los precedieron. Y podrían afectar profundamente a la El 48% de la fuerza laboral estadounidense son trabajadores del conocimiento—y los más de 230 millones de puestos de trabajadores del conocimiento en todo el mundo. Pero para aprovechar al máximo las posibilidades de esto IA más inteligente, las empresas tendrán que rediseñar el conocimiento, los procesos de trabajo y los puestos.

Los trabajadores del conocimiento —personas que razonan, crean, deciden y aplican la visión en los procesos cognitivos no rutinarios— están de acuerdo en gran medida. De más de 150 expertos de este tipo extraídos de un encuesta mundial más amplia sobre la IA en la empresa, casi el 60% afirma que sus antiguas descripciones de trabajo están quedando obsoletas rápidamente a la luz de sus nuevas colaboraciones con la IA. Alrededor del 70% dice que necesitará formación y reciclaje (y aprendizaje en el trabajo) debido a los nuevos requisitos para trabajar con la IA. Y el 85% está de acuerdo en que los altos ejecutivos deben participar en el esfuerzo general de rediseñar el conocimiento, las funciones y los procesos laborales. A medida que esos ejecutivos se embarcan en la tarea de reimaginar la forma de aprovechar mejor el conocimiento a través de la IA, estos son algunos principios que pueden aplicar:

Deje que los expertos humanos le digan a la IA lo que les importa. Piense en el diagnóstico médico, en el que es probable que la IA se generalice. A menudo, cuando la IA ofrece un diagnóstico, el razonamiento del algoritmo no es obvio para el médico, quien en última instancia debe ofrecer una explicación al paciente, el problema de la caja negra. Pero ahora, Google Brain ha desarrollado un sistema que abre la caja negra y proporciona un traductor para humanos. Por ejemplo, un médico que esté considerando hacer un diagnóstico de cáncer mediante IA querrá saber hasta qué punto la modelo tuvo en cuenta varios factores que considera importantes: la edad del paciente, si el paciente ha recibido quimioterapia anteriormente y más.

La herramienta de Google también permite a los expertos médicos introducir conceptos en el sistema que consideren importantes y comprobar sus propias hipótesis. Así, por ejemplo, el experto querría ver si la consideración de un factor que el sistema no había considerado anteriormente, como el estado de ciertas células, cambió el diagnóstico. Been Kim, que ayuda a desarrollar el sistema, dice: «Muchas veces, en las aplicaciones de alto riesgo, los expertos en dominios ya tienen una lista de conceptos que les interesan. Vemos que esto se repite una y otra vez en nuestras aplicaciones médicas de Google Brain. No quieren que se les dé un conjunto de conceptos, quieren decirle al modelo los conceptos que les interesan».

Haga que las modelos se adapten al sentido común. A medida que aumentan los problemas de ciberseguridad, las organizaciones han aumentado el uso de instrumentos para recopilar datos en varios puntos de su red a fin de analizar las amenazas. Sin embargo, muchas de estas técnicas basadas en datos no integran datos de varias fuentes. Tampoco incorporan los conocimientos de sentido común de los expertos en ciberseguridad, que conocen la variedad y los diversos motivos de los atacantes, entienden las amenazas internas y externas típicas y el grado de riesgo para la empresa.

Investigadores del Instituto Alan Turing, el instituto nacional de ciencia de datos e inteligencia artificial de Gran Bretaña, está intentando cambiar eso. Su enfoque utiliza un Modelo bayesiano —un método de análisis probabilístico que capta la compleja interdependencia entre los factores de riesgo y combina los datos con el juicio. En la ciberseguridad de las redes empresariales, esos factores complejos incluyen el gran número y los tipos de dispositivos de la red y el conocimiento de los expertos en seguridad de la organización sobre los atacantes, el riesgo y mucho más. Si bien muchos sistemas de ciberseguridad basados en la IA incorporan la toma de decisiones humanas en el último momento, los investigadores del Instituto buscan formas de representar e incorporar el conocimiento de los expertos en todo el sistema. Por ejemplo, los conocimientos expertos de los analistas de seguridad sobre las motivaciones y los comportamientos de un ataque de robo de propiedad intelectual (y en qué se diferencian, por ejemplo, de un ataque de denegación de servicio) se programan explícitamente en el sistema desde el principio. En el futuro, ese conocimiento humano, en combinación con las fuentes de datos de máquinas y redes, se utilizará para entrenar defensas de ciberseguridad más eficaces.

Utilice la IA para ayudar a convertir a los novatos en expertos reconocidos. La IA puede convertir rápidamente a los principiantes en profesionales. Hewlett Packard lo demostró cuando utilizó la plataforma de computación cognitiva de su laboratorio de IA para analizar dos años de datos de llamadas para el centro de llamadas de un cliente. El centro de llamadas utilizaba un sistema basado en colas para desviar las llamadas de los clientes, lo que generaba largos tiempos de espera y una atención al cliente de mala calidad. La plataforma de computación cognitiva podía determinar las «microhabilidades» únicas de cada agente: el conocimiento del agente sobre un tipo específico de solicitud de cliente, capturado en llamadas anteriores. Estas microhabilidades se utilizan ahora para hacer coincidir las llamadas entrantes con las de los agentes que han procesado correctamente solicitudes similares. El centro de atención al cliente ha registrado una mejora del 40 por ciento en la resolución del primer contacto y una reducción del 50 por ciento en la tasa de llamadas transferidas.

A medida que los agentes de servicio de atención al cliente aprenden nuevas habilidades, el software de IA actualiza automáticamente sus conocimientos, lo que elimina la necesidad de actualizar manualmente su perfil de habilidades en su historial de recursos humanos. Además, a medida que el agente adquiere más conocimientos, el software aprende a derivarle problemas más complejos. Mientras tanto, el software refuerza continuamente su experiencia y la deducción de las «microhabilidades» por parte de la IA aumenta la eficacia con la que la experta «entrena» el software. Vale la pena señalar que hay otras empresas trabajando en este desafío de reciclaje; por ejemplo, ASAPP, una empresa emergente bien financiada, ofrece sugerencias en tiempo real a los representantes del servicio de atención al cliente.

Utilice técnicas de IA que ahorran datos para mapear los procesos de trabajo de los expertos humanos. Como muchos tipos de expertos son relativamente escasos, no generan grandes cantidades de datos. Pero el aprendizaje profundo y el aprendizaje automático, en los que se han basado muchos avances de la IA, necesitan montañas de datos para entrenar y crear sistemas de abajo hacia arriba. En el futuro veremos más sistemas de arriba hacia abajo que requieren muchos menos datos para su construcción y formación, lo que les permitirá recopilar e incorporar los conocimientos especializados de los trabajadores.

Considere un reciente competencia organizado por el Laboratorio de Procesamiento de Imágenes Médicas del Hospital Universitario de Brest y la Facultad de Medicina y Telecom Bretagne de Bretaña (Francia). Los competidores competían por ver qué sistema de imágenes médicas podía reconocer con mayor precisión qué herramientas utilizaba un cirujano en cada instante en una cirugía de cataratas mínimamente invasiva. El ganador fue un sistema de visión artificial de IA entrenado en seis semanas con solo 50 vídeos de cirugías de cataratas: 48 operaciones realizadas por un cirujano de renombre, una por un cirujano con un año de experiencia y otra por un becario. Los sistemas precisos de reconocimiento de herramientas permiten al personal médico analizar rigurosamente los procedimientos quirúrgicos y buscar formas de mejorarlos. Estos sistemas tienen posibles aplicaciones en la generación de informes, la formación quirúrgica e incluso el apoyo a la toma de decisiones en tiempo real para los cirujanos del quirófano del futuro.

Como sugieren estos ejemplos, los ingenieros y pioneros de todas las disciplinas están diseñando la IA para que los expertos la entrenen y evalúen más fácilmente y puedan incorporar sus valiosos y, a menudo, escasos conocimientos. Para empezar a aprovechar estas nuevas posibilidades, las organizaciones tendrán que asignar sus gastos en IA en consecuencia. Y para sacar el máximo provecho tanto de sus sistemas como de sus trabajadores del conocimiento, tendrán que reimaginar la forma en que los especialistas y las máquinas interactúan. Del mismo modo que los sistemas de aprendizaje automático actuales aumentan las capacidades de los trabajadores comunes, los sistemas del mañana elevarán el rendimiento de los trabajadores del conocimiento a niveles de excelencia uniforme que antes eran inalcanzables.