La IA no tiene por qué ser demasiado complicada ni cara para su empresa

A pesar del enorme potencial de la inteligencia artificial (IA), no se ha afianzado en la mayoría de los sectores. Claro, ha transformado las empresas de Internet de consumo, como Google, Baidu y Amazon, todas enormes y ricas en datos, con cientos de millones de usuarios. Pero para las proyecciones que creará la IA 13 billones de dólares de valor un año para que se haga realidad, industrias como la fabricación, la agricultura y la sanidad todavía necesitan encontrar la forma de hacer que esta tecnología funcione para ellos. Este es el problema: el manual que estas empresas de Internet de consumo utilizan para crear sus sistemas de IA (en el que un sistema de IA único y talle único puede atender a un gran número de usuarios) no funcionará para estos otros sectores.

En cambio, estos sectores tradicionales necesitarán una gran cantidad de soluciones a medida que se adapten a sus diversos casos de uso. Sin embargo, esto no significa que la IA no vaya a funcionar en estas industrias. Solo significa que tienen que adoptar un enfoque diferente.

Para cerrar esta brecha y aprovechar todo el potencial de la IA, los ejecutivos de todos los sectores deberían adoptar un nuevo enfoque centrado en los datos para crear la IA. En concreto, deberían aspirar a crear sistemas de IA prestando especial atención a garantizar que los datos transmitan con claridad lo que necesitan que la IA aprenda. Esto requiere centrarse en los datos que cubren casos importantes y que estén etiquetados de forma coherente, de modo que la IA pueda aprender de estos datos lo que tiene que hacer. En otras palabras, la clave para crear estos valiosos sistemas de IA es que necesitamos equipos que puedan programar con datos en lugar de programar con código.

**Por qué adoptar la IA fuera de la tecnología puede resultar tan difícil

**

¿Por qué la IA no se utiliza ampliamente fuera de las empresas de Internet de consumo? Los principales desafíos a los que se enfrenta la adopción de la IA en otros sectores incluyen:

1. Conjuntos de datos pequeños. En una empresa de Internet de consumo con un enorme número de usuarios, los ingenieros tienen millones de puntos de datos de los que su IA puede aprender. Pero en otros sectores, los tamaños de los conjuntos de datos son mucho más pequeños. Por ejemplo, ¿puede crear un sistema de IA que aprenda a detectar un componente de automóvil defectuoso después de ver solo 50 ejemplos? ¿O para detectar una enfermedad rara después de aprender con solo 100 diagnósticos? Las técnicas creadas para 50 millones de puntos de datos no funcionan cuando solo tiene 50 puntos de datos.
2. Coste de personalización. Las empresas de Internet de consumo emplean a docenas o cientos de ingenieros expertos para crear y mantener sistemas de IA monolíticos que crean un enorme valor, por ejemplo, un sistema de publicidad en línea que genera más de mil millones de dólares en ingresos al año. Pero en otros sectores, hay numerosos proyectos de 1 a 5 millones de dólares, cada uno de los cuales necesita un sistema de IA personalizado. Por ejemplo, cada fábrica que fabrica un tipo de producto diferente puede necesitar un sistema de inspección personalizado y cada hospital, con su propia forma de codificar los historiales médicos, puede que necesite su propia IA para procesar los datos de sus pacientes. El valor total de estos cientos de miles de estos proyectos es enorme, pero es posible que la economía de un proyecto individual no permita contratar un equipo grande y dedicado a la IA para crearlo y mantenerlo. Este problema se ve agravado por la continua escasez de talento de IA, lo que hace subir aún más estos costes.
3. Brecha entre la prueba de concepto y la producción. Incluso cuando un sistema de IA funciona en el laboratorio, se necesita una enorme cantidad de ingeniería para implementarlo en la producción. No es inusual que los equipos celebren el éxito de una prueba de concepto y se den cuenta de que aún les quedan entre 12 y 24 meses de trabajo antes de que se pueda implementar y mantener el sistema.

Para que la IA desarrolle todo su potencial, necesitamos un enfoque sistemático para resolver estos problemas en todos los sectores. El enfoque de la IA centrado en los datos, con el apoyo de herramientas diseñadas para crear, implementar y mantener aplicaciones de IA, denominadas plataformas de operaciones de aprendizaje automático (MLOP), lo hará posible. Las empresas que adopten este enfoque más rápido tendrán una ventaja en comparación con la competencia.

Desarrollo de IA centrado en los datos

Los sistemas de IA se componen de software (el programa de ordenador que incluye un modelo de IA) y datos, la información que se utiliza para entrenar el modelo. Por ejemplo, para crear un sistema de IA para la inspección automatizada en la fabricación, un ingeniero de IA podría crear un software que implemente un algoritmo de aprendizaje profundo y, a continuación, se muestre un conjunto de datos con imágenes de piezas buenas y defectuosas para que pueda aprender a distinguirlas.

Durante la última década, gran parte de la investigación sobre la IA se ha centrado en el software (también denominado desarrollo centrado en los modelos), en el que los datos son fijos y los equipos intentan optimizar o inventar nuevos programas para aprender bien de los datos disponibles. Muchas empresas de tecnología tenían grandes conjuntos de datos de millones de consumidores y los utilizaban para impulsar una gran cantidad de innovaciones en la IA.

Sin embargo, con el nivel de sofisticación actual de la IA, el obstáculo para muchas aplicaciones es conseguir los datos correctos para incorporarlos al software. Nos hemos enterado de las ventajas de macrodatos, pero ahora sabemos que para muchas solicitudes, es más rentable centrarse en asegurarnos de que tenemos buenos datos — datos que ilustran con claridad los conceptos que necesitamos que aprenda la IA. Esto significa, por ejemplo, que los datos deben ser razonablemente exhaustivos en su cobertura de casos importantes y estar etiquetados de forma coherente. Los datos son alimento para la IA, y los sistemas de IA modernos no solo necesitan calorías, sino también una nutrición de alta calidad.

Pasar de centrarse en el software a los datos ofrece una ventaja importante: depende de las personas que ya tiene en la plantilla. En una época de gran escasez de talento en IA, un enfoque centrado en los datos permite a muchos expertos en la materia que tienen un amplio conocimiento de sus respectivos sectores contribuir al desarrollo del sistema de IA.

Por ejemplo, la mayoría de las fábricas tienen trabajadores muy cualificados para definir e identificar lo que se considera un defecto (¿un arañazo de 0,2 mm es un defecto? ¿o es tan pequeño que no importa?). Si esperamos que cada fábrica pida a sus trabajadores que inventen un nuevo software de IA como forma de darle a la fábrica la solución a medida que necesita, el progreso será lento. Pero en vez de eso, creamos y proporcionamos herramientas para que estos expertos en el campo puedan diseñar los datos (al permitirles expresar sus conocimientos sobre la fabricación mediante el suministro de datos a la IA), sus probabilidades de éxito serán mucho mayores.

Haga que la creación y el uso de la IA sean sistemáticos y repetibles

El cambio hacia el desarrollo de la IA centrado en los datos lo está posibilitando el campo emergente de las MLOP, que proporciona herramientas que facilitan más que nunca la creación, el despliegue y el mantenimiento de los sistemas de IA. Las herramientas diseñadas para ayudar a producir conjuntos de datos de alta calidad, en particular, son la clave para abordar los desafíos de los conjuntos de datos pequeños, el alto coste de la personalización y el largo camino para poner en producción un proyecto de IA descrito anteriormente.

¿Cómo, exactamente? En primer lugar, garantizar datos de alta calidad significa que los sistemas de IA podrán aprender de los conjuntos de datos más pequeños disponibles en la mayoría de los sectores. En segundo lugar, al permitir que los expertos en el dominio de una empresa, en lugar de los expertos en IA, diseñen los datos, la capacidad de utilizar la IA será más accesible para todos los sectores. Y en tercer lugar, las plataformas MLOps proporcionan gran parte del software de andamiaje necesario para llevar un sistema de IA a producción, por lo que los equipos ya no tienen que desarrollar este software. Esto permite a los equipos implementar sistemas de IA y cerrar la brecha entre semanas o meses de prueba de concepto y producción, en lugar de años.

La gran mayoría de los valiosos proyectos de IA aún no se han imaginado. E incluso en el caso de los proyectos en los que los equipos ya están trabajando, queda por cerrar la brecha que lleva al despliegue en la producción; de hecho, Accenture estima que entre el 80 y el 85% de las empresas» Los proyectos de IA están en la fase de prueba de concepto.

Estas son algunas cosas que las empresas pueden hacer ahora mismo:

1. En lugar de centrarse únicamente en el cantidad de los datos que recopila, considere también los calidad, asegúrese de que ilustra con claridad los conceptos que necesitamos que aprenda la IA.
2. Asegúrese de que su equipo considere adoptar un enfoque centrado en los datos en lugar de uno centrado en el software. Muchos ingenieros de IA, incluidos muchos con una sólida formación académica o de investigación, se capacitaron para adoptar un enfoque centrado en el software; los instan a adoptar también técnicas centradas en los datos.
3. Para cualquier proyecto de IA que vaya a llevar a producción, asegúrese de planificar el proceso de despliegue y de proporcionar las herramientas de MLOps que lo respalden. Por ejemplo, incluso al crear un sistema de prueba de concepto, inste a los equipos a empezar a desarrollar un plan a más largo plazo para la gestión de los datos, el despliegue y la supervisión y el mantenimiento del sistema de IA.

Es posible que la IA se convierta en un activo próspero fuera de las empresas de Internet de consumo ricas en datos, pero aún no ha dado un gran paso en otros sectores. Pero debido a esto, la mayor oportunidad sin explotar para la IA puede estar en llevarla a otros sectores. Así como la electricidad ha transformado todos los sectores, la IA también está en camino de hacerlo. Pero los próximos pasos en ese camino requerirán un cambio en nuestro manual de estrategias en cuanto a la forma en que construimos e implementamos los sistemas de IA. En concreto, una nueva mentalidad centrada en los datos, junto con las herramientas de MLOps que permiten a los expertos del sector participar en la creación, el despliegue y el mantenimiento de los sistemas de IA, garantizarán que todos los sectores puedan cosechar los beneficios que la IA puede ofrecer.