Doxa 1694

La ingeniería rápida de IA no es el futuro

Hacer la pregunta perfecta es menos importante que entender realmente el problema que estás tratando de resolver.

Por Oguz A. Acar

Tecnología y Análisis

Harvard Business Review

#Doxa #IA #ingeniería #identificar #analizar #delinear #problema #tecnología #información #web #datos #empresa

Resumen. A pesar del alboroto que lo rodea, la prominencia de la ingeniería rápida puede ser fugaz. ¿Una habilidad más duradera y adaptable seguirá permitiéndonos aprovechar el potencial de la IA generativa? Se llama formulación de problemas: la capacidad de identificar, analizar y delinear problemas.

La ingeniería rápida ha conquistado el mundo de la IA generativa. El trabajo, que implica la optimización de la entrada de texto para comunicarse de manera efectiva con modelos de lenguaje grandes, ha sido aclamado por el Foro Económico Mundial como el "trabajo del futuro" número uno, mientras que el CEO de Open AI, Sam Altman, lo caracterizó como una "habilidad increíblemente alta". ” Las redes sociales están repletas de una nueva ola de personas influyentes que muestran "indicaciones mágicas" y prometen resultados sorprendentes.

Sin embargo, a pesar del alboroto que lo rodea, la prominencia de la ingeniería rápida puede ser efímera por varias razones. En primer lugar, las futuras generaciones de sistemas de IA serán más intuitivas y hábiles para comprender el lenguaje natural, lo que reducirá la necesidad de indicaciones meticulosamente diseñadas. En segundo lugar, los nuevos modelos de lenguaje de IA como GPT4 ya muestran una gran promesa en la elaboración de avisos: la propia IA está a punto de volver obsoleta la ingeniería de avisos. Por último, la eficacia de las indicaciones depende del algoritmo específico, lo que limita su utilidad en diversos modelos y versiones de IA.

Entonces, ¿cuál es una habilidad más duradera y adaptable que nos seguirá permitiendo aprovechar el potencial de la IA generativa? Es la formulación de problemas : la capacidad de identificar, analizar y delinear problemas.

La formulación de problemas y la ingeniería rápida difieren en su enfoque, tareas centrales y habilidades subyacentes. La ingeniería rápida se enfoca en crear la entrada de texto óptima al seleccionar las palabras, frases, estructuras de oraciones y puntuación adecuadas. Por el contrario, la formulación del problema enfatiza la definición del problema delineando su enfoque, alcance y límites.. La ingeniería rápida requiere una comprensión firme de una herramienta de IA específica y competencia lingüística, mientras que la formulación de problemas requiere una comprensión integral del dominio del problema y la capacidad de destilar problemas del mundo real. El hecho es que, sin un problema bien formulado, incluso las indicaciones más sofisticadas se quedarán cortas. Sin embargo, una vez que un problema está claramente definido, los matices lingüísticos de un aviso se vuelven tangenciales a la solución.

Desafortunadamente, la formulación de problemas es una habilidad que la mayoría de nosotros pasa por alto y está subdesarrollada. Una de las razones es el énfasis desproporcionado que se da a la resolución de problemas a expensas de la formulación. Este desequilibrio quizás se ilustre mejor con el adagio de gestión predominante pero equivocado, "no me traigas problemas, tráeme soluciones". Por lo tanto, no sorprende ver una encuesta reciente que revela que el 85 % de los ejecutivos de C-suite consideran que sus organizaciones son malas para diagnosticar problemas.

¿Cómo se puede mejorar en la formulación de problemas? Al sintetizar los conocimientos de investigaciones anteriores sobre la formulación de problemas y el diseño del trabajo, así como mi propia experiencia e investigación en plataformas de crowdsourcing, donde los desafíos organizacionales se articulan regularmente y se abren a grandes audiencias, he identificado cuatro componentes clave para la formulación efectiva de problemas: problema diagnóstico, descomposición, reencuadre y diseño de restricciones.

Diagnóstico de problemas

El diagnóstico de problemas se trata de identificar el problema central para que la IA lo resuelva. En otras palabras, se trata de identificar el objetivo principal que desea que logre la IA generativa. Algunos problemas son relativamente simples de identificar, como cuando el objetivo es obtener información sobre un tema específico, como varias estrategias de HRM para la compensación de los empleados. Otros son más desafiantes, como explorar soluciones a un problema de innovación.

Un ejemplo de ello es InnoCentive (ahora Wazoku Crowd). La empresa ha ayudado a sus clientes a formular más de 2500 problemas, con una impresionante tasa de éxito superior al 80 %. Mis entrevistas con los empleados de InnoCentive revelaron que un factor clave detrás de este éxito fue su capacidad para discernir el problema fundamental subyacente. De hecho, a menudo comienzan su proceso de formulación de problemas utilizando la técnica de los “Cinco porqués” para distinguir las causas fundamentales de los meros síntomas.

Un caso particular es el problema del petróleo subártico, que involucró la limpieza de las aguas subárticas después del catastrófico derrame de petróleo del Exxon Valdez. En colaboración con el Instituto de Recuperación de Derrames de Petróleo, InnoCentive identificó la causa raíz del problema de la limpieza del petróleo como la viscosidad del petróleo crudo: el petróleo congelado se volvió demasiado espeso para bombearlo desde las barcazas. Este diagnóstico fue clave para finalmente resolver el problema de dos décadas con una solución que implicó el uso de una versión modificada de equipo de construcción diseñado para hacer vibrar el aceite, manteniéndolo en estado líquido.

Descomposición del problema

La descomposición de problemas implica dividir problemas complejos en subproblemas más pequeños y manejables. Esto es particularmente importante cuando aborda problemas multifacéticos, que a menudo son demasiado complicados para generar soluciones útiles.

Tomemos como ejemplo el desafío de la esclerosis lateral amiotrófica (ELA) de InnoCentive. En lugar de buscar soluciones para el amplio problema de descubrir un tratamiento para la ELA, el desafío se concentró en un subcomponente del mismo: detectar y monitorear el progreso de la enfermedad. En consecuencia, se desarrolló por primera vez un biomarcador ALS, que proporciona una solución no invasiva y rentable basada en la medición del flujo de corriente eléctrica a través del tejido muscular.

Probé cómo la IA mejora con la descomposición de problemas utilizando un desafío organizacional común y oportuno: implementar un marco sólido de ciberseguridad. Las soluciones de Bing AI eran demasiado amplias y genéricas para ser útiles de inmediato. Pero después de dividirlo en subproblemas, por ejemplo, políticas de seguridad, evaluaciones de vulnerabilidad, protocolos de autenticación y capacitación de los empleados, las soluciones mejoraron considerablemente. Las instantáneas a continuación ilustran la diferencia. Los métodos como la descomposición funcional o la estructura de desglose del trabajo pueden ayudarlo a representar visualmente problemas complejos y simplificar la identificación de los componentes individuales y sus interconexiones que son más relevantes para su organización.

Reencuadre del problema

La reformulación del problema implica cambiar la perspectiva desde la que se ve un problema permitiendo interpretaciones alternativas. Al reformular un problema de varias maneras, puede guiar a la IA para que amplíe el alcance de las posibles soluciones, lo que, a su vez, puede ayudarlo a encontrar soluciones óptimas y superar obstáculos creativos.

Considere a Doug Dietz, un arquitecto de innovación de GE Healthcare, cuya principal responsabilidad fue diseñar escáneres de resonancia magnética de última generación. Durante una visita al hospital, vio a un niño aterrorizado que esperaba una resonancia magnética y descubrió que un asombroso 80 % de los niños necesitaban sedación para sobrellevar la intimidante experiencia. Esta revelación lo llevó a reformular el problema: "¿Cómo podemos convertir la desalentadora experiencia de resonancia magnética en una aventura emocionante para los niños?" Este nuevo ángulo condujo al desarrollo de GE Adventure Series, que redujo drásticamente las tasas de sedación pediátrica a solo un 15 %, aumentó las puntuaciones de satisfacción del paciente en un 90 % y mejoró la eficiencia de la máquina.

Ahora imagine esto: los empleados se quejan de la falta de espacios de estacionamiento disponibles en el edificio de oficinas. El marco inicial puede enfocarse en aumentar el espacio de estacionamiento, pero al replantear el problema desde la perspectiva de los empleados (encontrar el estacionamiento estresante o tener opciones limitadas de transporte), puede explorar diferentes soluciones. De hecho, cuando le pedí a ChatGPT que generara soluciones para el problema del espacio de estacionamiento utilizando marcos iniciales y alternativos, el primero arrojó soluciones centradas en optimizar los diseños o la asignación de estacionamiento y encontrar nuevos espacios. Este último produjo un conjunto de soluciones diverso, como la promoción del transporte alternativo, los desplazamientos sostenibles y el trabajo remoto.

Para reformular los problemas de manera efectiva, considere tomar la perspectiva de los usuarios, explorar analogías para representar el problema, usar la abstracción y cuestionar proactivamente los objetivos del problema o identificar los componentes que faltan en la definición del problema.

Diseño de restricciones de problemas

El diseño de restricciones de problemas se centra en delinear los límites de un problema mediante la definición de restricciones de entrada, proceso y salida de la búsqueda de soluciones. Puede usar restricciones para dirigir la IA en la generación de soluciones valiosas para la tarea en cuestión. Cuando la tarea está principalmente orientada a la productividad, suele ser más apropiado emplear restricciones específicas y estrictas para delinear el contexto, los límites y los criterios de resultados. Por el contrario, para las tareas orientadas a la creatividad, experimentar con la imposición, modificación y eliminación de restricciones permite explorar un espacio de solución más amplio y descubrir nuevas perspectivas.

Por ejemplo, los gerentes de marca ya están utilizando varias herramientas de IA, como Lately o Jasper, para producir contenido útil para redes sociales a escala. Para garantizar que este contenido esté alineado con diferentes medios e imágenes de marca, a menudo establecen restricciones precisas sobre la duración, el formato, el tono o el público objetivo.

Sin embargo, cuando buscan la verdadera originalidad, los gerentes de marca pueden eliminar las restricciones de formato o restringir la salida a un formato no convencional. Un gran ejemplo es la campaña Help Changes Everything de GoFundMe. La empresa tenía como objetivo generar contenido creativo de revisión anual que no solo expresara gratitud a sus donantes y evocara emociones, sino que también se destacara del contenido típico de fin de año. Para lograr esto, establecieron restricciones poco ortodoxas: las imágenes se basarían exclusivamente en el arte de estilo mural callejero generado por IA y presentarían todas las campañas de recaudación de fondos y los donantes. DALL-E y Stable Diffusion generaron imágenes individuales que luego se transformaron en un video cargado de emociones. El resultado: una estética llamativa y visualmente cohesiva que cosechó elogios generalizados.

En general, perfeccionar las habilidades en el diagnóstico de problemas, la descomposición, la reformulación y el diseño de restricciones es esencial para alinear los resultados de la IA con los objetivos de la tarea y fomentar una colaboración eficaz con los sistemas de IA.

Aunque la ingeniería rápida puede ser el centro de atención a corto plazo, su falta de sostenibilidad, versatilidad y transferibilidad limita su relevancia a largo plazo. Enfatizar demasiado la elaboración de la combinación perfecta de palabras puede incluso ser contraproducente, ya que puede restar valor a la exploración del problema en sí y disminuir la sensación de control sobre el proceso creativo. En cambio, dominar la formulación de problemas podría ser la clave para navegar por el futuro incierto junto con sofisticados sistemas de IA. Podría resultar tan fundamental como lo fue aprender lenguajes de programación durante los primeros días de la informática.

Lea más sobre Tecnología y análisis o temas relacionados IA y aprendizaje automático, Algoritmos, Análisis y ciencia de datos, Gestión de datos, Automatización, Ciberseguridad y privacidad digital, Informática empresarial, Gestión de la información y tecnologías basadas en la web

Oguz A. Acar es catedrático de Marketing en King's Business School, King's College London.