¿Por qué las empresas que esperan para adoptar la inteligencia artificial nunca pueden ponerse al día?
Competencia
Por Vikram Mahidhar y Thomas H. Davenport
Harvard Business Review
Mientras que algunas compañías (la mayoría de los bancos grandes, Ford y GM, Pfizer y prácticamente todas las empresas de tecnología) están adoptando agresivamente la inteligencia artificial, muchas no lo son. En cambio, están esperando que la tecnología madure y que la experiencia en inteligencia artificial esté más disponible. Planean ser "seguidores rápidos", una estrategia que ha funcionado con la mayoría de las tecnologías de la información.
Pensamos que esto es una mala idea. Es cierto que algunas tecnologías necesitan un mayor desarrollo, pero algunas (como el aprendizaje automático tradicional) son bastante maduras y han estado disponibles de alguna forma durante décadas. Incluso las tecnologías más recientes, como el aprendizaje profundo, se basan en investigaciones que tuvieron lugar en los años ochenta. Se están realizando nuevas investigaciones todo el tiempo, pero los fundamentos matemáticos y estadísticos de la IA actual están bien establecidos.
Tiempo de desarrollo del sistema
Más allá del problema de la madurez técnica, hay otros problemas con la idea de que las empresas podrán adoptar rápidamente una vez que las tecnologías sean más capaces. Primero, hay el tiempo requerido para desarrollar sistemas de inteligencia artificial. Es probable que dichos sistemas agreguen poco valor a su negocio si son completamente genéricos, por lo que se requiere tiempo para adaptarlos y configurarlos para su negocio y el dominio de conocimiento específico que contiene. Si la IA que está adoptando emplea el aprendizaje automático, tendrá que reunir una cantidad sustancial de datos de capacitación. Si manipula el lenguaje, como en las aplicaciones de procesamiento de lenguaje natural, puede ser aún más difícil poner en marcha los sistemas. Existe una gran cantidad de taxonomía y conocimiento local que deben incorporarse al sistema de AI, similar a la antigua actividad de "ingeniería del conocimiento" para sistemas expertos. AI de este tipo no es solo un problema de codificación de software; Es un problema de codificación del conocimiento. Se necesita tiempo para descubrir, desambiguar y desplegar el conocimiento.
En particular, si su proveedor o consultor aún no ha modelado su dominio de conocimiento, por lo general requerirá muchos meses para el arquitecto. Esto es particularmente cierto para los dominios de conocimiento complejo. Por ejemplo, el Memorial Sloan Kettering Cancer Center ha estado trabajando con IBM para usar Watson para tratar ciertas formas de cáncer durante más de seis años, y el sistema aún no está listo para un uso amplio a pesar de la disponibilidad de talento de alta calidad en la atención del cáncer y la inteligencia artificial. . Existen varios dominios y problemas comerciales para los cuales se dispone de la ingeniería de conocimiento necesaria. Sin embargo, aún debe ser manipulado en el contexto de negocios específico de una empresa.
Tiempo de integración
Incluso una vez que se han construido sus sistemas, existe el problema de la integración de los sistemas de inteligencia artificial en su organización. A menos que esté empleando algunas capacidades de AI que estén integradas dentro de los sistemas de aplicaciones empaquetadas existentes que su empresa ya usa (por ejemplo, las funciones de Salesforce Einstein dentro de su sistema CRM), el ajuste a sus procesos de negocios y arquitectura de TI requerirá una planificación significativa y tiempo para la adaptación. La transición de los pilotos y prototipos a los sistemas de producción para la IA puede ser difícil y llevar mucho tiempo.
Incluso si su organización es experta en mover pilotos y prototipos a producción, también tendrá que rediseñar los procesos de negocios para tener un impacto total en su negocio e industria. En la mayoría de los casos, AI admite tareas individuales y no procesos empresariales completos, por lo que tendrá que rediseñar los procesos empresariales y las nuevas tareas humanas a su alrededor. Si desea afectar el compromiso del cliente, por ejemplo, deberá desarrollar o adaptar múltiples aplicaciones y tareas de AI que se relacionen con diferentes aspectos de marketing, ventas y relaciones de servicio.
Interacciones humanas con AI Time
Por último, están los desafíos humanos de la IA para superar. Muy pocos sistemas de inteligencia artificial son totalmente autónomos, sino que se centran más bien en el aumento de y por los trabajadores humanos. Los nuevos sistemas de inteligencia artificial suelen significar nuevos roles y habilidades para los humanos que trabajan con ellos, y normalmente requerirá un tiempo considerable para volver a capacitar a los trabajadores en el nuevo proceso y sistema. Por ejemplo, las compañías de asesoría de inversiones que brindan “robo-consejos” a sus clientes a menudo han intentado que los asesores humanos cambien su enfoque a “finanzas conductuales” o brindan consejos y “empujones” para alentar decisiones y acciones sabias en materia de inversión. Pero este tipo de habilidad es muy diferente de brindar asesoramiento sobre qué acciones y bonos comprar, y tomará algún tiempo para inculcar.
Incluso si el objetivo de un sistema de IA es ser completamente autónomo, es probable que sea necesario algún período de tiempo en el modo de aumento. Durante este período, una parte crítica del aprendizaje automático ocurre a través de la interacción entre el sistema y sus usuarios humanos y observadores. Llamado aprendizaje de interacción, este es un paso crítico para que las organizaciones entiendan cómo el sistema interactúa con su ecosistema. A menudo, pueden recopilar nuevos conjuntos de datos y comenzar a convertirlos en algoritmos durante este período, lo que suele demorar meses o años.
Tiempo de gobierno para aplicaciones de inteligencia artificial
Si bien los sistemas de inteligencia artificial están orientados a proporcionar predicciones y escalas exponenciales, necesitarán un enfoque de gobierno mucho más amplio que los controles clásicos y el enfoque basado en pruebas. La eficacia de los algoritmos de inteligencia artificial se deteriora con el tiempo porque se basan en datos históricos y en conocimientos comerciales recientes. Los algoritmos pueden actualizarse a medida que la máquina aprende de los patrones en los nuevos datos, pero deberán ser monitoreados por expertos en la materia para asegurarse de que la máquina está interpretando el cambio en el contexto empresarial correctamente. Los algoritmos también deberán ser monitoreados continuamente para detectar sesgos. Por ejemplo, si un sistema de AI está capacitado para crear recomendaciones de productos basadas en los datos demográficos del cliente y los cambios demográficos cambian drásticamente en los nuevos datos, puede proporcionar recomendaciones sesgadas.
La gobernanza también incluirá vigilar el fraude al cliente. A medida que los sistemas se vuelven inteligentes, también lo harán los usuarios. Pueden intentar jugar a los sistemas con datos y actividades fraudulentas. El monitoreo y la prevención de esto requerirán una instrumentación sofisticada y un monitoreo humano en el contexto de su negocio.
Los ganadores se llevan todo
Puede, entonces, llevar mucho tiempo desarrollar e implementar completamente los sistemas de inteligencia artificial, y hay pocos, si es que los hay, atajos a los pasos necesarios. Una vez que se han llevado a cabo con éxito, el escalamiento, en particular si la compañía tiene un suministro abundante de datos y la ingeniería del conocimiento dominada, puede ser muy rápido. Para cuando un adoptante tardío haya hecho toda la preparación necesaria, los adoptadores anteriores habrán adquirido una cuota de mercado considerable: podrán operar a costos sustancialmente más bajos con un mejor desempeño. En resumen, los ganadores pueden quedarse con todo y los adoptantes tardíos nunca pueden ponerse al día. Piense, por ejemplo, en el aprendizaje y la capacidad que una empresa como Pfizer, que tiene, según uno de los líderes de Analytics y AI Lab de la compañía, más de 150 proyectos de AI en curso, ya ha acumulado. Las empresas tecnológicas como Alphabet tienen aún más aprendizaje; esa compañía tenía 2700 proyectos de AI en marcha desde 2015.
Es cierto que algunos pasos pueden acelerarse si la empresa está dispuesta a comprometer su conocimiento único y las formas de hacer negocios. Los proveedores están desarrollando una gran variedad de gráficos y modelos de conocimiento que utilizan técnicas que van desde el procesamiento del lenguaje natural hasta la visión por computadora. Si existe uno para su industria o problema de negocios, y está dispuesto a adoptarlo con poca modificación, eso acelerará el proceso de adopción de la IA. Pero puede perder su competencia distintiva o ventaja competitiva si no lo modifica para que se ajuste a su contexto y construya todo a su alrededor.
La implicación obvia es que si desea tener éxito con la inteligencia artificial y cree que puede haber una amenaza de los competidores impulsados por la inteligencia artificial o nuevos participantes, debe comenzar a aprender ahora sobre cómo adaptarla a su negocio en diferentes aplicaciones y métodos de inteligencia artificial. Algunas compañías líderes han creado un grupo de IA centralizado para hacer esto a escala. Dichos grupos centrales se enfocan en enmarcar los problemas, probar la hipótesis de negocios, modularizar los activos de inteligencia artificial para la reutilización, crear técnicas para administrar el flujo de datos y capacitar a las empresas. Otra posibilidad puede ser adquirir una startup que haya acumulado capacidades sustanciales de inteligencia artificial, pero seguirá existiendo la necesidad de adaptar esas capacidades a su negocio. En resumen, debería comenzar ahora si todavía no lo ha hecho y esperar que no sea demasiado tarde.
Vikram Mahidhar es el líder del negocio de inteligencia artificial en Genpact. Fue empresario y construyó el negocio de soluciones de inteligencia artificial en Rage Framework (adquirido por Genpact).
Thomas H. Davenport es el Profesor Distinguido del Presidente en Gestión y Tecnología de la Información en Babson College, investigador de la Iniciativa MIT sobre la Economía Digital y asesor senior en Deloitte Analytics. Autor de más de una docena de libros de administración, el último es que solo los humanos necesitan aplicar: ganadores y perdedores en la era de las máquinas inteligentes.
Por Vikram Mahidhar y Thomas H. Davenport
Harvard Business Review
Mientras que algunas compañías (la mayoría de los bancos grandes, Ford y GM, Pfizer y prácticamente todas las empresas de tecnología) están adoptando agresivamente la inteligencia artificial, muchas no lo son. En cambio, están esperando que la tecnología madure y que la experiencia en inteligencia artificial esté más disponible. Planean ser "seguidores rápidos", una estrategia que ha funcionado con la mayoría de las tecnologías de la información.
Pensamos que esto es una mala idea. Es cierto que algunas tecnologías necesitan un mayor desarrollo, pero algunas (como el aprendizaje automático tradicional) son bastante maduras y han estado disponibles de alguna forma durante décadas. Incluso las tecnologías más recientes, como el aprendizaje profundo, se basan en investigaciones que tuvieron lugar en los años ochenta. Se están realizando nuevas investigaciones todo el tiempo, pero los fundamentos matemáticos y estadísticos de la IA actual están bien establecidos.
Tiempo de desarrollo del sistema
Más allá del problema de la madurez técnica, hay otros problemas con la idea de que las empresas podrán adoptar rápidamente una vez que las tecnologías sean más capaces. Primero, hay el tiempo requerido para desarrollar sistemas de inteligencia artificial. Es probable que dichos sistemas agreguen poco valor a su negocio si son completamente genéricos, por lo que se requiere tiempo para adaptarlos y configurarlos para su negocio y el dominio de conocimiento específico que contiene. Si la IA que está adoptando emplea el aprendizaje automático, tendrá que reunir una cantidad sustancial de datos de capacitación. Si manipula el lenguaje, como en las aplicaciones de procesamiento de lenguaje natural, puede ser aún más difícil poner en marcha los sistemas. Existe una gran cantidad de taxonomía y conocimiento local que deben incorporarse al sistema de AI, similar a la antigua actividad de "ingeniería del conocimiento" para sistemas expertos. AI de este tipo no es solo un problema de codificación de software; Es un problema de codificación del conocimiento. Se necesita tiempo para descubrir, desambiguar y desplegar el conocimiento.
En particular, si su proveedor o consultor aún no ha modelado su dominio de conocimiento, por lo general requerirá muchos meses para el arquitecto. Esto es particularmente cierto para los dominios de conocimiento complejo. Por ejemplo, el Memorial Sloan Kettering Cancer Center ha estado trabajando con IBM para usar Watson para tratar ciertas formas de cáncer durante más de seis años, y el sistema aún no está listo para un uso amplio a pesar de la disponibilidad de talento de alta calidad en la atención del cáncer y la inteligencia artificial. . Existen varios dominios y problemas comerciales para los cuales se dispone de la ingeniería de conocimiento necesaria. Sin embargo, aún debe ser manipulado en el contexto de negocios específico de una empresa.
Tiempo de integración
Incluso una vez que se han construido sus sistemas, existe el problema de la integración de los sistemas de inteligencia artificial en su organización. A menos que esté empleando algunas capacidades de AI que estén integradas dentro de los sistemas de aplicaciones empaquetadas existentes que su empresa ya usa (por ejemplo, las funciones de Salesforce Einstein dentro de su sistema CRM), el ajuste a sus procesos de negocios y arquitectura de TI requerirá una planificación significativa y tiempo para la adaptación. La transición de los pilotos y prototipos a los sistemas de producción para la IA puede ser difícil y llevar mucho tiempo.
Incluso si su organización es experta en mover pilotos y prototipos a producción, también tendrá que rediseñar los procesos de negocios para tener un impacto total en su negocio e industria. En la mayoría de los casos, AI admite tareas individuales y no procesos empresariales completos, por lo que tendrá que rediseñar los procesos empresariales y las nuevas tareas humanas a su alrededor. Si desea afectar el compromiso del cliente, por ejemplo, deberá desarrollar o adaptar múltiples aplicaciones y tareas de AI que se relacionen con diferentes aspectos de marketing, ventas y relaciones de servicio.
Interacciones humanas con AI Time
Por último, están los desafíos humanos de la IA para superar. Muy pocos sistemas de inteligencia artificial son totalmente autónomos, sino que se centran más bien en el aumento de y por los trabajadores humanos. Los nuevos sistemas de inteligencia artificial suelen significar nuevos roles y habilidades para los humanos que trabajan con ellos, y normalmente requerirá un tiempo considerable para volver a capacitar a los trabajadores en el nuevo proceso y sistema. Por ejemplo, las compañías de asesoría de inversiones que brindan “robo-consejos” a sus clientes a menudo han intentado que los asesores humanos cambien su enfoque a “finanzas conductuales” o brindan consejos y “empujones” para alentar decisiones y acciones sabias en materia de inversión. Pero este tipo de habilidad es muy diferente de brindar asesoramiento sobre qué acciones y bonos comprar, y tomará algún tiempo para inculcar.
Incluso si el objetivo de un sistema de IA es ser completamente autónomo, es probable que sea necesario algún período de tiempo en el modo de aumento. Durante este período, una parte crítica del aprendizaje automático ocurre a través de la interacción entre el sistema y sus usuarios humanos y observadores. Llamado aprendizaje de interacción, este es un paso crítico para que las organizaciones entiendan cómo el sistema interactúa con su ecosistema. A menudo, pueden recopilar nuevos conjuntos de datos y comenzar a convertirlos en algoritmos durante este período, lo que suele demorar meses o años.
Tiempo de gobierno para aplicaciones de inteligencia artificial
Si bien los sistemas de inteligencia artificial están orientados a proporcionar predicciones y escalas exponenciales, necesitarán un enfoque de gobierno mucho más amplio que los controles clásicos y el enfoque basado en pruebas. La eficacia de los algoritmos de inteligencia artificial se deteriora con el tiempo porque se basan en datos históricos y en conocimientos comerciales recientes. Los algoritmos pueden actualizarse a medida que la máquina aprende de los patrones en los nuevos datos, pero deberán ser monitoreados por expertos en la materia para asegurarse de que la máquina está interpretando el cambio en el contexto empresarial correctamente. Los algoritmos también deberán ser monitoreados continuamente para detectar sesgos. Por ejemplo, si un sistema de AI está capacitado para crear recomendaciones de productos basadas en los datos demográficos del cliente y los cambios demográficos cambian drásticamente en los nuevos datos, puede proporcionar recomendaciones sesgadas.
La gobernanza también incluirá vigilar el fraude al cliente. A medida que los sistemas se vuelven inteligentes, también lo harán los usuarios. Pueden intentar jugar a los sistemas con datos y actividades fraudulentas. El monitoreo y la prevención de esto requerirán una instrumentación sofisticada y un monitoreo humano en el contexto de su negocio.
Los ganadores se llevan todo
Puede, entonces, llevar mucho tiempo desarrollar e implementar completamente los sistemas de inteligencia artificial, y hay pocos, si es que los hay, atajos a los pasos necesarios. Una vez que se han llevado a cabo con éxito, el escalamiento, en particular si la compañía tiene un suministro abundante de datos y la ingeniería del conocimiento dominada, puede ser muy rápido. Para cuando un adoptante tardío haya hecho toda la preparación necesaria, los adoptadores anteriores habrán adquirido una cuota de mercado considerable: podrán operar a costos sustancialmente más bajos con un mejor desempeño. En resumen, los ganadores pueden quedarse con todo y los adoptantes tardíos nunca pueden ponerse al día. Piense, por ejemplo, en el aprendizaje y la capacidad que una empresa como Pfizer, que tiene, según uno de los líderes de Analytics y AI Lab de la compañía, más de 150 proyectos de AI en curso, ya ha acumulado. Las empresas tecnológicas como Alphabet tienen aún más aprendizaje; esa compañía tenía 2700 proyectos de AI en marcha desde 2015.
Es cierto que algunos pasos pueden acelerarse si la empresa está dispuesta a comprometer su conocimiento único y las formas de hacer negocios. Los proveedores están desarrollando una gran variedad de gráficos y modelos de conocimiento que utilizan técnicas que van desde el procesamiento del lenguaje natural hasta la visión por computadora. Si existe uno para su industria o problema de negocios, y está dispuesto a adoptarlo con poca modificación, eso acelerará el proceso de adopción de la IA. Pero puede perder su competencia distintiva o ventaja competitiva si no lo modifica para que se ajuste a su contexto y construya todo a su alrededor.
La implicación obvia es que si desea tener éxito con la inteligencia artificial y cree que puede haber una amenaza de los competidores impulsados por la inteligencia artificial o nuevos participantes, debe comenzar a aprender ahora sobre cómo adaptarla a su negocio en diferentes aplicaciones y métodos de inteligencia artificial. Algunas compañías líderes han creado un grupo de IA centralizado para hacer esto a escala. Dichos grupos centrales se enfocan en enmarcar los problemas, probar la hipótesis de negocios, modularizar los activos de inteligencia artificial para la reutilización, crear técnicas para administrar el flujo de datos y capacitar a las empresas. Otra posibilidad puede ser adquirir una startup que haya acumulado capacidades sustanciales de inteligencia artificial, pero seguirá existiendo la necesidad de adaptar esas capacidades a su negocio. En resumen, debería comenzar ahora si todavía no lo ha hecho y esperar que no sea demasiado tarde.
Vikram Mahidhar es el líder del negocio de inteligencia artificial en Genpact. Fue empresario y construyó el negocio de soluciones de inteligencia artificial en Rage Framework (adquirido por Genpact).
Thomas H. Davenport es el Profesor Distinguido del Presidente en Gestión y Tecnología de la Información en Babson College, investigador de la Iniciativa MIT sobre la Economía Digital y asesor senior en Deloitte Analytics. Autor de más de una docena de libros de administración, el último es que solo los humanos necesitan aplicar: ganadores y perdedores en la era de las máquinas inteligentes.
No hay comentarios:
Publicar un comentario