Doxa 1870

Encuentre el enfoque de IA que se adapte al problema que intenta resolver

Cinco preguntas para ayudar a los líderes a descubrir la herramienta de análisis adecuada para el trabajo.

Por George Westerman, Sam Ransbotham y Chiara Farronato

IA y aprendizaje automático

Harvard Business Review

#Doxa #IA #herramienta #análisis #trabajo #aprendizaje #autómatico #organización #empresa #problema #decisión #pregunta #tecnología #expertos #solución #econometría

Resumen. La IA avanza rápidamente, pero las organizaciones cambian mucho más lentamente. Lo que funciona en un laboratorio puede no ser adecuado para su empresa en este momento. Si sabe las preguntas correctas que debe hacer, podrá tomar mejores decisiones, independientemente de qué tan rápido cambie la tecnología. Puede trabajar con sus expertos técnicos para utilizar la herramienta adecuada para el trabajo adecuado. Entonces, cada solución de hoy se convierte en la base para construir más innovaciones mañana. Pero sin las preguntas correctas, comenzará su viaje en el lugar equivocado.

Los líderes de todo el mundo se preguntan con razón cómo la IA generativa puede beneficiar a sus empresas. Sin embargo, por muy impresionante que sea la IA generativa, es solo una de muchas técnicas avanzadas de análisis y ciencia de datos. Mientras el mundo se centra en la IA generativa, un mejor enfoque es comprender cómo utilizar la gama de herramientas de análisis disponibles para abordar las necesidades de su empresa. ¿Qué herramienta de análisis se adapta al problema que intentas resolver? ¿Y cómo evitas elegir el equivocado? No necesita conocer detalles profundos sobre cada herramienta de análisis a su disposición, pero sí necesita saber lo suficiente para visualizar lo que es posible y hacer las preguntas correctas a los expertos técnicos.

Empiece por el problema, no por la tecnología. Blandiendo un martillo (IA generativa), todo empieza a parecer un clavo. Pero, en lugar de preguntar cómo implementar IA generativa en su empresa, pregunte qué necesita lograr. Sí, la IA puede ayudar a explorar, predecir, optimizar y recomendar. Pero no todos los problemas son problemas de IA. “No necesito una estrategia de IA generativa. Lo que necesito es una estrategia de automatización”, afirmó Tom Peck, director de información y digital de Sysco. "Muchas cosas... se pueden resolver con capacidades de automatización más básicas o tradicionales". Comenzando con el problema se aclara qué herramienta necesita.

La aerolínea holandesa KLM utiliza IA para predecir qué pasajeros tienen más probabilidades de perder sus vuelos, reduciendo los retrasos al mantener sus maletas más accesibles para descargar. Sin embargo, todavía utiliza técnicas tradicionales de optimización analítica para muchos problemas de gestión de ingresos, planificación del personal de tierra, programación de vuelos, planificación de la tripulación y mantenimiento de motores. Boeing utiliza IA para optimizar las rutas al acercarse o salir de los aeropuertos. Pero, a pesar de los considerables avances en el reconocimiento de voz, Boeing todavía utiliza la comunicación de voz de la vieja escuela entre controladores y pilotos, ya que la tolerancia a los errores en ese contexto es increíblemente baja y las soluciones involucrarían a todo un ecosistema industrial. Es importante destacar que no todos los experimentos de IA en Boeing se convierten ahora en una solución de producción; algunos experimentos prepararon el escenario para más adelante.

Para producir su avión A350 más rápido que cualquier otro avión jamás creado, Airbus, el competidor de Boeing, construyó un sistema basado en inteligencia artificial que recomienda soluciones para el 70% de las interrupciones de la producción, dejando solo el 30% para que los humanos diagnostiquen. Más allá de registrar problemas y sugerir soluciones, la coincidencia difusa y un algoritmo de autoaprendizaje también identifican patrones que podrían ayudar a prevenir problemas futuros antes de que ocurran. Entonces, en lugar de simplemente entrenar un modelo de aprendizaje automático, Airbus creó un proceso basado en aprendizaje automático para el aprendizaje organizacional.

Sin embargo, Airbus no empezó preguntando cómo utilizar la IA en la producción. Comenzó identificando categorías de desafíos de producción y luego decidió cómo abordar cada uno de ellos. La IA era adecuada para este problema, pero no para todos los problemas. Matthew Evans, vicepresidente de transformación digital durante el lanzamiento de la producción del A350, se enfureció ante la idea de comenzar con la tecnología. “Estrictamente hablando, no invertimos en IA. No invertimos en el procesamiento del lenguaje natural. No invertimos en análisis de imágenes. Siempre estamos invirtiendo en un problema empresarial ”, afirmó. Airbus evaluó muchas opciones antes de decidir cuál era la mejor opción para este tipo de IA.

Las cuatro categorías de análisis avanzado

Existen muchas técnicas de inteligencia artificial y análisis avanzado, y la lista crece con cada comunicado de prensa. Sin embargo, cuando le preguntamos a Ameen Kazerouni de OrangeTheory sobre su momento de mayor orgullo al utilizar el aprendizaje automático, dijo: " Cuando lo resolvimos mediante una regresión lineal ". El equipo eligió la herramienta analítica adecuada, no la herramienta tecnológicamente más sofisticada, para el problema que enfrentaba. Como líder, no es necesario conocer las complejidades de cada técnica analítica; Tienes expertos técnicos para eso. Sin embargo, comprender cuatro categorías puede ayudarle a diferenciarse, hacer las preguntas correctas y ganar confianza.

IA generativa

La IA generativa crea nuevos datos, imágenes, videos, textos o sonidos que son similares pero no idénticos a los datos existentes. ChatGPT es un ejemplo, pero también lo son Midjourney (generación de imágenes), Synthesia (vídeo a partir de texto) y Cresta (entrenamiento en tiempo real de agentes del centro de llamadas). Los fabricantes de productos existentes como Adobe, Shopify, Canva y Autodesk están incorporando funciones de IA generativa en sus ofertas. Estos algoritmos resumen material, responden preguntas o escriben artículos desde cero, lo que beneficia las comunicaciones de marketing y el servicio al cliente. También ayudan a las personas a comprender nuevos documentos que llegan rápidamente, como regulaciones, informes financieros o investigaciones médicas. Pero también pueden generar datos sesgados o de baja calidad (“alucinaciones”) y requerir enormes cantidades de datos y potencia informática.

Aprendizaje profundo tradicional

Las técnicas de aprendizaje profundo ingieren grandes volúmenes de datos complejos para aprender patrones y relaciones. Pueden clasificar, como voluntad o no compra, préstamo seguro o riesgoso, tejido canceroso o benigno. Pueden optimizar, como ajustar las líneas de producción o reducir el consumo de energía. Sin embargo, para aprender, también necesitan datos para los cuales ya existe una verdadera clasificación. Además, los resultados del modelo son difíciles de explicar, lo que significa que las empresas no pueden decirles a los clientes o reguladores por qué una predicción es lo que es.

Econometría

En relación con la complejidad y el costo del aprendizaje automático, las técnicas estadísticas tradicionales a veces pueden funcionar también a un costo mucho menor. La profunda historia de la econometría ofrece herramientas poderosas para probar mecanismos teóricos y comprender las relaciones causales a partir de datos de observación o experimentos. Un gerente puede determinar cuánto influye cada variable en un resultado y comprender la magnitud de las relaciones causales. Los modelos también son altamente repetibles y siempre dan las mismas respuestas a las mismas entradas. Sin embargo, los modelos econométricos suelen requerir supuestos sobre las relaciones y las distribuciones estadísticas subyacentes.

Automatización basada en reglas

Los primeros modelos de IA estaban basados ​​en reglas del tipo “si-entonces” y todavía prevalecen y son valiosos. Los sistemas basados ​​en reglas pueden ser sencillos, comprensibles, interpretables y transparentes. Se adaptan a problemas bien comprendidos, como la implementación de directrices establecidas (por ejemplo, leyes fiscales). Sin embargo, su creación puede requerir una cantidad significativa de experiencia en el dominio. También pueden ser inflexibles, no adaptarse a los cambios de contexto y no poder dar respuestas a escenarios que los diseñadores no imaginaron inicialmente.

Cada uno de estos métodos es útil en diferentes situaciones, a menudo en combinación. El truco consiste en saber cuándo utilizar (y no utilizar) cada uno.

Cómo elegir: las cinco preguntas que debes hacer

Cada proceso y decisión es un candidato potencial para nuevos enfoques de análisis avanzado. Pero el contexto importa. En esta sección, ofrecemos cinco preguntas que puede hacer sobre las limitaciones de la IA.

Las organizaciones difieren considerablemente no sólo en lo que pueden hacer sino también en lo que los reguladores o los clientes les permiten hacer. Dentro de una organización, las limitaciones varían según el problema. Agus Sudjianto, vicepresidente ejecutivo y director de riesgo de modelos corporativos de Wells Fargo, dijo : “Los modelos deben ser muy, muy transparentes y estar controlados por los reguladores todo el tiempo. Cuando decidimos no utilizar el aprendizaje automático como modelo final, es porque los requisitos regulatorios a menudo exigen que las soluciones sean menos "cajas negras" y algo que el regulador pueda ver con mucha claridad. Pero utilizamos algoritmos de aprendizaje automático para evaluar la construcción no lineal del modelo, las variables y las características ingresadas, y como punto de referencia de qué tan bien se desempeña el modelo tradicional”. Aunque estos procesos se benefician de los conocimientos del aprendizaje automático, las regulaciones limitan lo que el banco puede poner en producción.

1. ¿Cuál es el costo de equivocarse?

La IA generativa es buena para los primeros borradores y para respuestas "lo suficientemente cercanas". Por ejemplo, un banco global utiliza IA para evaluar su posición estratégica momentos después de que cada competidor anuncia sus ganancias. Otras empresas utilizan la IA para identificar situaciones potencialmente problemáticas en sus cadenas de suministro o detectar contratos de proveedores que carecen de protecciones específicas. Estas aplicaciones mejoran los procesos centrados en el ser humano que no implican costos onerosos por errores ocasionales. Pero lo suficientemente cerca no es suficiente para recetar medicamentos, controlar el tráfico aéreo o conducir un automóvil en medio del tráfico. ¿Puede su problema vivir con una precisión no excelente? ¿O el costo del error dicta un enfoque diferente? ¿O se puede utilizar un enfoque híbrido, como en el que las computadoras identifican posibles diagnósticos médicos u objetivos militares, pero los humanos toman la decisión final?

2. ¿Necesitas explicar las decisiones que toma tu modelo?

Al otorgar préstamos bancarios o seleccionar candidatos para un puesto de trabajo, necesita claridad sobre qué impulsa las decisiones. Otros contextos, como optimizar la velocidad de la línea de producción, identificar productos defectuosos en una línea de producción o enviar anuncios, pueden funcionar bien sin explicación. La explicabilidad puede seguir siendo útil incluso cuando los reguladores o los clientes no la exigen. Por ejemplo, comprender cómo las características específicas de las imágenes en los anuncios de Airbnb o cómo ciertas frases en la descripción de un producto influyen en el comportamiento del comprador puede ayudar a las empresas a aumentar las ventas.

Los algoritmos de aprendizaje automático, especialmente aquellos basados ​​en el aprendizaje profundo, pueden dar respuestas precisas, pero sus modelos proporcionan poca información sobre por qué. Mientras tanto, los modelos econométricos pueden mostrar cómo las variables influyen en las decisiones, pero pueden carecer de la precisión que proviene de modelos más grandes. ¿Necesitas saber por qué un modelo hace lo que hace? ¿O es suficiente una buena respuesta?

3. ¿Tus modelos necesitan generar las mismas respuestas cada vez?

La IA generativa, por diseño, genera respuestas diferentes cada vez. Los modelos econométricos y los modelos basados ​​en reglas proporcionan las mismas respuestas para los mismos insumos, pero pueden quedar obsoletos a medida que cambian las condiciones. La mayoría de los modelos de aprendizaje automático darán respuestas repetibles, pero si actualizan constantemente sus datos de entrenamiento, esas respuestas pueden variar con el tiempo.

En las organizaciones financieras, donde las conversaciones con los clientes tienen implicaciones financieras y cada declaración es un consejo financiero, la repetibilidad se vuelve crítica. Mientras tanto, seleccionar a los mismos candidatos para el puesto cada vez puede no ser tan importante siempre y cuando el proceso no tenga un sesgo sistemático contra una clase de solicitantes específica.

Sin embargo, es importante probar constantemente si los algoritmos repetibles siguen siendo precisos a medida que cambian las condiciones. Por ejemplo, las empresas que utilizan algoritmos repetibles para el comercio de inversiones deben estar constantemente alertas para detectar cuándo las condiciones del mercado cambian lo suficiente como para justificar el reemplazo del modelo y no solo un reentrenamiento con nuevos datos.

4. ¿Tus datos tienen una fuente de verdad?

Muchos algoritmos de aprendizaje automático supervisados, por ejemplo, tienen como objetivo distinguir categorías de objetos. Para entrenarlos, necesita datos etiquetados con precisión. Esta imagen contiene (o no contiene) una señal de alto. Esta persona tiene un riesgo crediticio razonable o pésimo. Esta respuesta a la consulta de un cliente ayudó, mientras que aquella no.

Sin una buena fuente de información, una red neuronal compleja de aprendizaje profundo de múltiples capas puede no ser mejor que lanzar una moneda al aire. ¿Tiene suficientes datos bien etiquetados? Si no, ¿tiene mejores fuentes de verdad para categorizaciones menos específicas (identificar un “animal parecido a un caballo” versus distinguir entre caballos, burros y camellos)? Los humanos pueden mejorar estas predicciones, ayudando a que los sistemas se vuelvan cada vez más inteligentes a través de la retroalimentación de refuerzo. Pero sin un punto de partida suficiente, los humanos pueden cansarse rápidamente de ayudar a los robots de IA novatos que se supone que deben ayudarlos a ellos.

5. ¿Sus datos de entrenamiento reflejan las condiciones bajo las cuales operará?

Aunque los algoritmos modernos de IA pueden descubrir patrones en los datos que las técnicas más antiguas pueden pasar por alto, el patrón debe ser un patrón, no ruido. Y debe ser de todo el conjunto de contextos en los que opera. ¿Tiene datos de inversión de los buenos y malos momentos? ¿Datos médicos de hombres y mujeres, y de diferentes etnias? Amazon, por ejemplo, eliminó los algoritmos de selección de currículums basados ​​en inteligencia artificial que aprendieron a favorecer los verbos utilizados más por hombres que por mujeres o a discriminar a los graduados de universidades exclusivamente para mujeres. Un conjunto de datos de capacitación dominado por hombres, basado en la fuerza laboral históricamente dominada por hombres de la empresa, llevó a la máquina a tomar decisiones sesgadas.

Aunque debes tener cuidado con la calidad de los datos que estás utilizando, no es necesario que sean impecables. Dependiendo de los riesgos y limitaciones del problema elegido, puede mejorar un modelo mediante retroalimentación de refuerzo.

Un enfoque consiste en limitar inicialmente los modelos y poco a poco ampliar su alcance y sofisticación. Por ejemplo, los vehículos autónomos representan una situación en la que la repetibilidad es importante, la explicabilidad puede ser menos importante, pero la precisión es fundamental. Los datos de entrenamiento etiquetados de mapas digitales y otras fuentes no representan la gama completa de condiciones de la carretera que puede enfrentar un automóvil. La retroalimentación del uso real puede ayudar a que los modelos de aprendizaje profundo del automóvil mejoren con el tiempo y pueden hacer viables algoritmos aún más sofisticados. Sin embargo, dado que los costos de inexactitud son altos, los fabricantes de automóviles están adoptando un enfoque por etapas para gestionar el alcance y el riesgo. Por ejemplo, Tesla, que se enorgullece de lanzar sofisticados algoritmos de conducción más rápido que sus competidores, lo lanzó primero para las condiciones de las carreteras, que son menos complejas y más predecibles que las calles urbanas. Sólo después de recopilar millones de kilómetros de vídeos urbanos reales de sus coches, Tesla puso a prueba sus algoritmos en las ciudades.

Algunas decisiones de conducción no requieren datos exactos en la etiqueta. Es suficiente frenar cuando hay algún objeto justo delante sin reconocerlo perfectamente. Las acciones de los conductores también pueden proporcionar retroalimentación de refuerzo para ayudar. Inicialmente, Tesla lanzó algoritmos para identificar semáforos en rojo y señales de alto antes de enseñar a los automóviles a detenerse y luego a detenerse y seguir adelante. Cada acción que realizó un conductor se convirtió en retroalimentación para habilitar nuevos algoritmos. Aún así, los datos de entrenamiento no contienen todas las situaciones poco comunes y los conductores de Tesla siempre deben estar preparados para tomar el control si es necesario.

Usar la IA no es tan intimidante como lo era hace unos años. Los modelos potentes son cada vez más fáciles de implementar. Independientemente de lo que aprenda a hacer la IA generativa, es solo una de las muchas herramientas analíticas disponibles. Comience con el problema que desea resolver. Cada empresa tiene muchos problemas adecuados para la IA. Sin embargo, el atractivo de las tecnologías sofisticadas puede llevar a las personas a hacer que pequeñas partes de las organizaciones sean extremadamente sofisticadas, mientras que otras quedan rezagadas. El mundo de la IA avanza rápidamente, pero las organizaciones cambian mucho más lentamente. Lo que funciona en un laboratorio puede no ser adecuado para su empresa en este momento. Si sabe las preguntas correctas que debe hacer, podrá tomar mejores decisiones, independientemente de qué tan rápido cambie la tecnología. Puede trabajar con sus expertos técnicos para utilizar la herramienta adecuada para el trabajo adecuado. Entonces, cada solución de hoy se convierte en la base para construir más innovaciones mañana.

Lea más sobre IA y aprendizaje automático o temas relacionados Automatización, gestión de datos y análisis y ciencia de datos

George Westerman es profesor titular de la MIT Sloan School of Management y fundador del Global Opportunity Forum  en la Oficina de Aprendizaje Abierto del MIT.

Sam Ransbotham es profesor de análisis empresarial en la Boston College Carroll School of Management. Es coanfitrión del podcast "Me, Myself, and AI".

Chiara Farronato es profesora asociada de administración de empresas Glenn and Mary Jane Creamer en la Escuela de Negocios de Harvard y co-investigadora principal del Platform Lab del Instituto de Diseño Digital de Harvard (D^3). También es miembro de la Oficina Nacional de Investigación Económica (NBER) y del Centro de Investigación de Política Económica (CEPR).