Cómo preparar su proyecto de IA para el éxito

Elegir el proyecto de IA adecuado para su empresa a menudo se reduce a tener los ingredientes correctos y saber cómo combinarlos. Eso, al menos, es lo que suele pensar Marco Casalaina, de Salesforce. El veterano experto en inteligencia artificial y científicos de datos supervisa Einstein, la tecnología de IA de Salesforce, y ha hecho una carrera haciendo que las tecnologías emergentes sean más intuitivas y accesibles para todos. Con Einstein, trabaja para ayudar a los clientes de Salesforce, desde pequeñas empresas hasta organizaciones sin fines de lucro y empresas de la lista Fortune 50, a aprovechar todos los beneficios de la IA. HBR habló con Casalaina sobre lo que implica un proyecto de IA exitoso, cómo comunicarse como científico de datos y la única pregunta que en serio necesita preguntar antes de lanzar un piloto de IA.

Lleva mucho tiempo trabajando en la IA. Trabajó para Salesforce hace años, luego en otras empresas y ahora ha vuelto a dirigir. ¿Cómo describiría lo que hace en esta obra?

Incluyo el aprendizaje automático en las cosas que la gente usa todos los días y lo hago de una manera que se alinea con su intuición. El problema con el aprendizaje automático y la IA, que son las dos caras de la misma moneda, es que la mayoría de la gente no sabe lo que quiere decir realmente ninguno de los dos. A menudo tienen una idea desmesurada de lo que puede hacer la IA, por ejemplo. Y, por supuesto, la IA siempre cambia y es algo poderoso, pero sus poderes son limitados. No es omnisciente.

[

Insight Center Collection

Taking on Digital Transformation

Moving your company forward in the wake of the pandemic.

](/insight-center/taking-on-digital-transformation)

Lo que quiere decir sobre cómo se puede afianzar la imaginación explica muchos de los problemas a los que se enfrentan las empresas con la IA. Entonces, cuando piensa en el tipo de problemas que tiene la IA bueno resolviendo, ¿qué opina?

Cuando hablo con los clientes, me gusta dividirlo en ingredientes. Si piensa en un taco de comida rápida, hay seis ingredientes principales: carne, queso, tomates, judías, lechuga y tortillas. La IA no es tan diferente: hay un menú de ciertas cosas que puede hacer. Cuando tiene una idea de lo que son, le da una idea de cuáles son sus poderes.

¡Estoy intrigado! Entonces, ¿cuáles son los ingredientes de la IA?

El primer ingrediente son preguntas de «sí» y «no». Si le envío un correo electrónico, ¿lo va a abrir o no? Le dan una probabilidad de que algo vaya a suceder. Obtenemos mucho kilometraje con las preguntas de «sí» o «no». Son como el queso para nosotros, como que lo ponemos en todo.

El segundo ingrediente es la predicción numérica. ¿Cuántos días va a tardar en pagar su cuenta? ¿Cuánto tiempo voy a tardar en arreglar la nevera de esta persona?

Luego, en tercer lugar, tenemos las clasificaciones. Puedo tomar una foto de la reunión en la que estamos ahora mismo y preguntar: «¿Hay gente en esta foto?» «¿Cuántas personas aparecen en esta imagen?» También hay clasificaciones de texto, que puede ver si alguna vez interactúa con un chatbot.

El cuarto ingrediente son las conversiones. Podría ser transcripción de voz, podría ser traducción. Básicamente, solo está tomando la información y traduciéndola de un formato a otro.

La tortilla, si nos ceñimos a nuestra analogía, son las reglas. Casi todos los sistemas de IA funcionales que existen en el mundo hoy en día funcionan mediante algún tipo de reglas codificadas en el sistema. Las reglas, como la tortilla, mantienen todo unido.

Entonces, ¿cómo aplica esto, personalmente, a su trabajo en Salesforce? Porque creo que la gente a menudo tiene dificultades para saber por dónde empezar con un proyecto de IA.

Las preguntas que hago son: «¿Qué datos tenemos?» Y: «¿Qué problemas concretos puedo resolver con él?»

En este trabajo en Salesforce, empecé con algo que todo vendedor sigue como parte natural de su trabajo: categorizar un cliente potencial dándole una puntuación de la probabilidad de que cierre.

Conjuntos de datos como estos son una fuente clave de información a partir de la cual desarrollar un proyecto basado en la IA. La gente quiere hacer todo tipo de cosas con las capacidades de la IA, pero si no tiene los datos, entonces tiene un problema.

Pasando a la siguiente fase, hablemos del ciclo de vida de encontrar un proyecto y desplegarlo. ¿Cuáles son las preguntas que se hace cuando piensa en cómo pasar del piloto al lanzamiento?

Qué problema está intentando resolver, esa es la primera pregunta que tiene que responder.¿Estoy intentando priorizar el tiempo de las personas? ¿Estoy intentando automatizar algo nuevo? A continuación, confirme que tiene los datos de este proyecto o que puede conseguirlos.

La siguiente pregunta que tiene que hacer es:¿Es un objetivo razonable? Si está diciendo: Quiero automatizar el 100% de mis consultas de servicio al cliente, no va a suceder. Se está preparando para el fracaso. Bien, si el 25% de sus consultas de servicio al cliente son solicitudes para restablecer una contraseña y quiere automatizarlo y eliminarlo del servicio de sus agentes, es un objetivo razonable.

Otra pregunta es:¿Puede hacerlo un humano? La mayoría de las veces la IA no puede hacer nada que los humanos no puedan hacer.

Supongamos que es una compañía de seguros y quiere usar una imagen de un coche abollado para saber cuánto va a costar arreglarlo. Si es razonable esperar que Joe, del taller de carrocería, mire la imagen y diga: esto va a costar 1500 dólares, entonces probablemente podría entrenar a la IA para que lo haga también. Si ellos no pueden, bueno, entonces una IA probablemente tampoco pueda.

¿Cuánto tiempo quiere pasar en la fase piloto? Porque mucho de lo que usted hace, otras personas también lo intentan hacer.

Los proyectos de IA suelen tener períodos piloto incómodos y largos, y deberían serlo. Hay dos razones para ello.

En primer lugar, para determinar si realmente funciona como debería. ¿La gente confía en ello? ¿Se explica lo suficiente para la gravedad del problema? En un extremo, están cosas como un diagnóstico médico impulsado por la IA, que pueden tener un enorme impacto en la vida de una persona. Más le vale decirme exactamente por qué cree que tengo cáncer, ¿verdad? Pero si una IA recomienda una película que no me gusta, no me importa por qué me lo diga. Muchos problemas empresariales están en algún punto intermedio. Tiene que compartir la explicación suficiente para que sus usuarios confíen en ella. Y necesita este período piloto para comprobar que sus usuarios lo entienden.

En segundo lugar, tiene que medir el valor de la solución de IA en comparación con el punto de referencia: la interacción humana. Piense en automatizar las consultas del servicio de atención al cliente. Para los clientes que utilizan el chatbot, ¿cuántos de ellos responden realmente a las preguntas correctas? Si utilizo el chatbot del DMV y digo: «He perdido el carné» y dice: «Rellene este formulario y recibirá un sustituto», bueno, eso es lo que estaba pidiendo. Pero si su chatbot no puede responder a las preguntas de sus clientes, acabará con clientes frustrados que odian su chatbot y acabará hablando con un humano de todos modos.

Dando un giro por un segundo, lleva unos años en este trabajo en este momento. ¿Cuáles son algunas de las cosas importantes que ha aprendido a lo largo de ese tiempo?

Hemos aprendido a buscar y utilizar conjuntos de datos para resolver problemas. Ahora, ayudamos a las personas a entender cómo los datos que introducen en sus sistemas empresariales —por el solo hecho de hacer su trabajo— se pueden utilizar para desarrollar el aprendizaje automático que les ayude a resolver los problemas de manera más eficiente. Pero también hemos aprendido la importancia del papel que desempeña la intuición en ese proceso.

¿Cómo es eso?

Así que lanzamos un producto llamado Einstein Prediction Builder hace unos dos años. Muchos clientes lo utilizan ahora, pero no tuvo la misma curva de adopción rápida que algunos de los servicios que se explican por sí mismos, como la puntuación de clientes potenciales.

El creador de predicciones de Einstein le permite crear una predicción personalizada para preguntas como: «¿Mi cliente pagará su factura con retraso o no?» Nos dimos cuenta de que para cumplir con esa predicción, la gente tiene que dar un pequeño salto mental: Me gustaría saber la respuesta a esta pregunta, entonces quiero hacer una predicción al respecto.

Eso fue duro para muchos clientes. Ahora, tenemos un nuevo producto, un generador de recomendaciones. Se explica un poco más por sí mismo, porque también vamos a introducir un sistema de plantillas. Por ejemplo, recomendará qué piezas poner en el camión cuando envíen a un representante de campo a arreglar una nevera. Llevaremos el caballo al agua, sí, desde la perspectiva de Salesforce, haciendo que la automatización dé un paso allí y trabajaremos con los clientes para entender qué piezas podrían necesitar en las situaciones a las que se enfrenten.

Como científicos de datos en el campo de la IA, tendemos a pensar en algoritmos, o quizás en abstracciones de nivel un poco más alto. He aprendido que realmente necesitamos meternos en la cabeza de nuestros clientes y expresar la solución al problema en términos con los que se identifiquen. Entonces, no solo hago una recomendación, sino que recomiendo específicamente la parte que se incluye en un proyecto; no solo hago una predicción, sino que respondo específicamente a la pregunta: ¿va a pagar su cuenta o no?

Y luego tiene que decidir, si hago esa predicción, le doy una probabilidad de que el tío pague tarde, ¿qué vamos a hacer al respecto?

**Si habla con líderes que están pensando en esto, parece que parte de lo que está hablando es de la necesidad de mantenerse firme a la hora de considerar los problemas que debe tratar de resolver con la IA y lo que tiene a mano que puede ayudarlo a hacerlo.
**

Cierto, volvemos a la pregunta de: ¿Puede hacerlo un humano? Si pueden, vale, tal vez la IA sea una buena manera de quitarle esa tarea al humano y liberarlo para otras cosas mágicas.