Los proyectos de IA fallan por una razón. ¿Cómo hacer que el tuyo tenga éxito?

No comience con sus datos. Es el problema lo que más importa.

“Tenemos toneladas de datos. ¿Cómo podemos usarlo con IA?

Esa es la pregunta que un número creciente de empresas se hacen a diario.

La locura por la inteligencia artificial está creando una sensación de FOMO (miedo a perderse) entre organizaciones grandes y pequeñas. ¿Qué pasa si todos no hacemos uso de la IA y nos quedamos atrás de la competencia?

Ciertamente, hay una buena parte de la verdad al hacer todas estas preguntas. Sin embargo, hay una advertencia importante.

Debe abordar sus proyectos de IA desde el ángulo correcto.

Cómo las empresas hacen uso de la IA

Al trabajar en una empresa especializada en ayudar a otros a atrapar esta ola, a menudo estamos hablando con ejecutivos y gerentes de proyectos que también quieren llevar la IA a sus empresas.

Con algunas excepciones, estas empresas se dividen en dos categorías:

  1. Hay empresas visionarias que saben lo que quieren hacer con la IA y que tienen un plan de acción bastante detallado.
  2. Sin embargo, a menudo, nos encontramos con empresas con un plan de acción que se parece a esto:
  • Obtener datos
  • Aplicar aprendizaje automático
  • ????
  • Lucro

Ahora de ninguna manera este plan de acción de 4 pasos es estúpido o 100% incorrecto. Necesitas datos relevantes. El aprendizaje automático probablemente ayudará a traducirlo en algo útil. Y, por supuesto, querrás obtener algo de valor del proyecto.

Solo hay una cosa mal con este plan.

Le faltan algunos elementos clave.

Después de trabajar en una buena cantidad de proyectos de datos, hemos detectado un par de cosas clave que hacen que algunos proyectos tengan éxito mientras que otros fracasan y mueren.

¿Cuáles son los ingredientes mágicos que harán que sus esfuerzos de aprendizaje automático sean más propensos a devolver un ROI positivo?

Comencemos por comprender dónde se encuentran hoy las empresas, tal vez la suya.

La mayoría de las empresas, incluso las pequeñas, generan grandes cantidades de datos. Esto puede ser cualquier tipo de datos. Piense, por ejemplo, en cualquier tipo de registros: registros de uso, registros de comunicación ... ¡Todos tienen registros!

Ahora imagine que está sentado en una pila de datos comerciales ... La conclusión inicial para la mayoría de los líderes de la compañía sería ...

"Tenemos toneladas de datos, ¿podríamos hacer algo interesante?"

Llamemos a esto el enfoque Data First.

El problema con el enfoque Data First

La razón por la que a la gente le gusta comenzar proyectos de IA a partir de datos es porque esto es lo que tienen en sus manos.

Y debido a que es muy, muy difícil para los humanos entender grandes cantidades de datos utilizando hojas de cálculo y SQL, queremos aplicar el aprendizaje automático para que todo tenga sentido.

¿No sería bueno dar todos nuestros datos a las máquinas y verlos convertirlos en ideas de negocios y ganancias?

Pero eso no suele ser lo que sucede.

Lo más probable es que mucha gente inteligente formule hipótesis y las pruebe con sus datos. Como resultado, pueden encontrar algunos patrones que tienen cierta relevancia para el lado comercial de la empresa.

Sin embargo, la mayoría de los proyectos de aprendizaje automático de Data First están lejos de ser óptimos.

¿Por qué?

"Los proyectos de inteligencia artificial fallan porque las preguntas que hacen las empresas son en su mayoría incorrectas o irrelevantes para el negocio".

Agregue a eso los costos de implementar los resultados e integrarlos en el flujo de trabajo de su equipo. En algún momento, alguien se dará cuenta de que las ganancias no cubren los costos. La desilusión en el aprendizaje automático se produce y todos los planes adicionales de montar el tren de exageración de la IA se detienen.

En pocas palabras, si comienzas tus proyectos de IA haciendo preguntas que crees que la IA puede responder, es probable que ...

  1. hacer preguntas que no necesiten IA para resolverlos
  2. dedicar mucho tiempo a resolver problemas de bajo impacto

¿Entonces qué vas a hacer? ¿No aplica el aprendizaje automático a los datos de su empresa?

Eso está lejos de ser la solución óptima.

Ingrese el primer enfoque del problema

Existe una forma alternativa de aplicar el aprendizaje automático a los datos de su empresa. Y hemos visto que muchas más compañías tienen éxito con esta segunda solución.

Esta otra opción se llama el enfoque de Problema Primero.

Imaginemos que está ejecutando un negocio maduro que ya tiene muchos datos. Y quieres encontrar un buen propósito para ello.

Solo que esta vez, en lugar de comenzar a buscar ciegamente patrones en estos datos, hablarás con las personas que están a cargo de varios procesos en tu empresa. Esas personas conocen mejor los diferentes lados y operaciones de su empresa, y pueden resaltar los problemas con el mayor impacto.

"Las personas más aptas para hacer las preguntas correctas de AI son los miembros de su equipo".

Pídales a estas personas que definan, lo más específicamente posible, una serie de problemas que necesitan ser resueltos. Esto también podría ser un proceso que necesita ser mejorado.

Por ejemplo, los problemas que se pueden resolver con AI podrían ser:

  • ¿Qué desencadena la rotación de nuestros clientes?
  • ¿Cómo hacer que nuestro proceso de incorporación sea más efectivo?
  • ¿Cómo reducir los costos en nuestra línea de producción?
  • ¿Cómo evitar que se envíe un producto defectuoso a los clientes?
"Solo después de conocer los problemas que necesita resolver, puede preguntar si la respuesta se puede encontrar en los datos".

¿Cómo hacer las preguntas correctas desde AI?

Sus empleados no tienen experiencia previa en IA.

Por eso, debemos tener en cuenta que una gran parte de la definición de este conjunto de problemas recae en personas que no necesariamente conocen bien las capacidades y limitaciones del aprendizaje automático.

Tiene sentido dar a los miembros de su equipo involucrados en el proceso de ideación al menos un poco de taquigrafía para decidir si un problema empresarial puede automatizarse mediante el aprendizaje automático.

Como regla general, considero que las siguientes dos preguntas son útiles para este propósito.

1. ¿Podría una persona hacerlo en menos de un segundo? - créditos: Andrew Ng

“Los humanos son excelentes para el reconocimiento de patrones. Vemos patrones en todas partes. ¡Incluso si no hay ninguno!

Si una tarea de detección de patrones es lo suficientemente simple como para que una persona pueda hacerlo en menos de un segundo, existe una buena posibilidad de que pueda enseñar a una máquina a hacer la misma tarea con una precisión similar, pero mucho más rápido.

Estas tareas incluyen tareas de percepción simples que cualquiera puede hacer, como decidir si hay un gato o un perro en una imagen. Pero también incluyen tareas mucho más complejas, como monitorear los datos del sensor para decidir si un componente pronto necesita mantenimiento.

Algunos ejemplos buenos y relacionados del aprendizaje automático en este campo son el reconocimiento facial y los comandos de voz utilizados en los teléfonos.

Problema potencial:

Un problema común al automatizar tareas humanas con IA es que cuanto más complicadas se vuelven las tareas, más datos de entrenamiento necesitarás. Por ejemplo, construir una máquina que pueda reconocer la forma de un rostro humano es bastante simple.

Sin embargo, construir una máquina que pueda distinguir con precisión entre mil millones de caras diferentes es un esfuerzo tan difícil que es poco probable que tenga un ROI positivo.

Por eso, siempre debe pensar qué tan compleja es la solución que realmente necesita.

También hay otra pregunta que puedes hacer ...

2. ¿Hay un patrón aquí que pudiera ver, si tan solo pudiera ajustarlo todo en una hoja de cálculo?

"¿Crees que hay una lógica sólida para creer que la respuesta a tu pregunta se puede encontrar en los datos que tienes?"

Por ejemplo:

"Los datos se refieren a los patrones de uso de mi producto, por lo que tiene sentido que la razón del abandono se pueda deducir de estos datos".

Hacer las conexiones correctas entre sus datos y un problema puede ser difícil. Después de todo, debe hacer una llamada de juicio, y su lógica puede resultar incorrecta.

Entonces, ¿cuáles son las situaciones correctas para utilizar este enfoque?

Busque proyectos de alto impacto que valga la pena intentar resolver, algo que podría generar mucho valor para su empresa y que vale un pequeño riesgo.

Prioriza tus proyectos de IA

Una vez que haya reunido un montón de preguntas o problemas para resolver, comience a priorizarlos en una lista.

Es muy importante contar con expertos en aprendizaje automático y sus empleados clave involucrados en este proceso.

Priorice sus problemas en función de:

  • El valor potencial que resolvería el problema generaría
  • La dificultad del proyecto de aprendizaje automático.
  • La urgencia de resolver cada problema

Y finalmente, hay una pregunta más importante que debe hacerse:

"¿El proyecto de aprendizaje automático es la solución óptima en cada situación?"

Bien puede ser que un proyecto de visión por computadora le ahorre X cantidad de dinero todos los días, pero como tiene un alto riesgo y lleva más de un año completarlo, tiene poco sentido comercial.

Después de una consideración cuidadosa, tendrá una lista de problemas comerciales reales que puede resolver utilizando sus datos.

Enfoque de datos primero frente a problema primero

Entonces, ¿cuál es la principal diferencia entre el enfoque Data First y Problem First?

Por un lado, el enfoque de Problema Primero requiere un esfuerzo adicional para reunir a un grupo de personas ocupadas y pedirles que dediquen su tiempo a elaborar los cuellos de botella de su organización.

Por otro lado, al realizar este trabajo adicional, llegarán juntos a un conjunto de problemas muy específicos y bien definidos que son solucionables y tienen un beneficio a largo plazo para la empresa.

"Con el enfoque de Problema Primero, llegarán juntos a un conjunto de problemas muy específicos y bien definidos que son solucionables y tienen un beneficio a largo plazo para la empresa".

Otra ventaja del enfoque de Problema Primero es que, aunque las estimaciones iniciales estarán lejos de ser específicas, todos los involucrados tendrán al menos una idea general de la dificultad del proyecto y los resultados que se esperan.

¿Cómo asegurarse de tener los datos correctos?

Este proceso de hacer las preguntas correctas orientadas a las ganancias suena genial, pero ¿qué pasa si aún no tiene el tipo correcto de datos comerciales?

Por otro lado, tiene un producto que cree que podría beneficiarse de alguna inteligencia adicional.

¿Cuál es la forma más eficiente de comenzar a recopilar los datos correctos para resolver sus problemas o mejorar su producto?

Lo que funciona mejor aquí es pensar cómo funciona su producto actualmente. Pregúntese cuáles son los principales problemas que ralentizan o dificultan su trabajo o velocidad en diferentes puntos.

Por lo general, los productos o servicios se pueden mejorar mejor:

  • Donde se requiera cierta participación humana, pregúntese si puede ayudar a esas personas a ser más eficientes o eliminar la tarea por completo.
  • Cuando hay una gran deserción de clientes, ¿puede hacer que su producto sea más atractivo o más atractivo?
  • Cuando la tarea se realiza a un nivel subóptimo, ¿hay pasos accionables que puedan automatizarse o incluso omitirse?

Después de haber hecho una lista de los pasos que le gustaría mejorar, organícelos según el nivel de valor que puedan generar. Luego, busque un experto en aprendizaje automático que lo ayude a evaluar el nivel de dificultad de cada elemento de su lista.

Puede resultar que algunos problemas no se puedan resolver con el aprendizaje automático o que sería más eficiente tener a una persona trabajando en la tarea a diario.

"Bien podría resultar que algunos de sus problemas no se puedan resolver con el aprendizaje automático o que sería más eficiente tener a una persona trabajando en la tarea".

Después de haber descubierto algunos de los campos que podrían mejorarse con IA, debe hacer un plan sobre cómo recopilar los datos necesarios para resolver el problema. Además, evalúe cuánto tiempo y recursos tomará todo el proceso, desde la recopilación de datos hasta la ejecución.

Como resultado, tendrá una hoja de ruta clara para mejorar sus productos / procesos comerciales con IA. También sabrá dónde está el valor más potencial.

Para llevar clave

Leyó el artículo, pero no está seguro de cómo aplicarlo en beneficio de su empresa.

Aquí hay algunos puntos clave para llevar:

  1. Usa el primer enfoque del problema
  2. Involucre a su equipo en el proceso de decisión
  3. Asegúrese de que realmente tiene que usar ML / AI para resolver el problema
  4. Priorice sus proyectos de IA en función de su impacto
  5. Asegúrese de que su proceso de recopilación de datos sea óptimo

¡Gracias por leer! Si te gustó, apoya aplaudiendo y compartiendo la publicación. ¡No dudes en dejar un comentario a continuación!

Sobre el autor: Markus Lippus es cofundador y científico de datos en MindTitan, una compañía de desarrollo de inteligencia artificial que ayuda a las empresas a aprovechar más sus datos comerciales. Trabajamos tanto con startups como con empresas a gran escala, cubriendo una amplia gama de proyectos de consultoría y desarrollo de aprendizaje automático. Puede encontrar más información sobre nosotros en nuestro sitio web.