La revolución de la Inteligencia Artificial en las empresas

La Inteligencia Artificial (IA) puede incrementar la productividad de una empresa hasta en 40% según un estudio de Accenture. El impacto de la (IA) en el mundo es cada vez más latente; procesos que anteriormente requerían de un número importante de analistas hoy son realizados de manera automática por computadoras.

Goldman Sachs reveló el año pasado que casi la mitad de las actividades para llevar a una empresa a cotizar en la bolsa (IPO) podrían llevarse a cabo con algoritmos.

Para las empresas que buscan mantener su liderazgo en distintos sectores se vuelve indispensable implementar proyectos de IA, sobre todo aquellos que aprovechan tanto información estructurada como no estructurada (Data Intelligence) a la hora de implementar sus estrategias.

Data Intelligence es un área que se centra en datos para adquirir información valiosa.

Éstos pueden ser de dos tipos: estructurados o no estructurados.

Los primeros son los que más se han usado a lo largo de la historia; sin embargo, aproximadamente 90% de la información que genera una empresa es del tipo no estructurada y es en este tipo de datos donde existe mayor valor potencial para aquellas.

La razón de esto es que la información no estructurada involucra una gama muy amplia de fuentes de información con mucha riqueza de interpretación: pueden ser imágenes, videos, llamadas de un call-center, texto desordenado, o datos a los que hasta hoy no se les ha encontrado una utilidad para los fines de la empresa.

Muchas empresas tienen una gran área de oportunidad al hablar del almacenamiento y uso de los datos para mejorar las decisiones estratégicas.

En este texto expongo una de las muchas rutas que existen para la implementación de proyectos de IA con foco en Data Intelligence e información no estructurada.

¿Por qué la información no estructurada puede ser de gran valor?

Los datos no estructurados son “rastros” que van dejando las empresas de manera inconsciente y que describen, muchas veces, información importante que, con una correcta interpretación y modelos adecuados, podrían mejorar las operaciones y los servicios que brindan las empresas al público general.

En los últimos años, se han concentrado los esfuerzos para desarrollar técnicas que obtengan el contenido valioso a partir de los datos no estructurados. Una gran historia de éxito es el algoritmo que creó un grupo de investigación de la universidad de Stanford para detectar los lunares que eran carcinomas.

Este clasifica lunares comparando una foto (dato no estructurado), que alguien se tome con cualquier smartphone, con millones de fotos almacenadas de casos pasados, unas con carcinoma y otras sanas (Esteva, Kuprel, Novoa, Ko, Sweeter, Blau y Trun 2017).

Hay dos preguntas clave que un líder estratégico debe de hacerse si está pensando en implementar un proyecto de IA en su empresa:

¿Qué parte de mi negocio necesita IA para ser más eficiente?

Un gran reto que enfrentan las empresas es el de traducir los problemas que tiene su negocio a un proyecto de ciencia de datos con IA y evaluar si se justifica en términos de costo-beneficio.

Para ello, se recomienda una inmersión profunda en los procesos de negocio que requieran una mejora.

Posteriormente, se debe evaluar el costo de su implementación considerando soluciones in-house (equipo interno) vs. una solución integral implementada por un tercero (consultoría de ciencia de datos) vs. Machine Learning as a Service (soluciones de IA para procesos en particular).

Cada una tiene sus ventajas y desventajas. Es importante hacer un análisis con distintas áreas estratégicas del negocio para evaluarlas e implementarlas de manera inteligente para que funcione.

¿Cómo se desarrolla un proyecto de IA?

Desarrollar una solución de IA conlleva retos importantes, sin embargo, tiende a ser apasionante y enriquecedor para los negocios.

La materia prima de un proyecto de IA son los datos, y más del 80% del tiempo de un proyecto de IA se invierte en su extracción, transformación, y carga de éstos (Extract, Load, Transform o ELT).

El resto del tiempo se utiliza para la selección y evaluación de modelos, y finalmente, en el desarrollo de accionables.

El éxito del proyecto en gran medida depende de las capacidades del equipo, la claridad del líder del proyecto y el apoyo del área estratégica. Un equipo sólido de ciencia de datos tiene experiencia en infraestructura (serverless apps, contenedores), bases de datos (relacionales y no-relacionales), conocimiento en seguridad (CISSP, NIST), implementación de modelos de aprendizaje de máquina, estadística, y conocimientos de negocio que logren comunicar los resultados.

El terreno de la innovación

En México se ha utilizado IA para aprovechar los datos no estructurados en una amplia gama de sectores, como fintech, seguros, pensiones, compliance y marketing digital; esto es un indicador de la creciente necesidad que tienen las industrias por encontrar nuevas maneras de entender sus datos.

Empresas como Afore XXI Banorte, Seguros Banorte, CEMEX, OnlyIf, BBVA Bancomer, Inbursa y Sr. Pago han sido pioneras en la transición hacia estrategias basadas en datos no estructurados y en la aplicación de Inteligencia Artificial, obteniendo una ventaja en términos de asignaciones más eficientes de recursos frente a sus competidores.

En resumen

Implementar un proyecto de IA requiere de liderazgo, un objetivo claro, capacidad para traducir el problema de negocio en un problema de ciencia de datos, tener un equipo sólido que logre plasmar los algoritmos en código eficiente y escalable, además de comunicar los resultados claramente.

Fuente: Forbes