¿Cómo generar ideas para proyectos de inteligencia artificial?
Cinco recomendaciones para desarrollar ideas y propuestas de inteligencia artificial y ciencia de datos en las empresas
En muchas empresas tienen algo muy claro: hay que empezar a sacar provecho de la inteligencia artificial (IA). En un estudio reciente, el 90% de los líderes empresariales coincidieron en que la inteligencia artificial representa una oportunidad de negocio para su empresa (Ransbotham et al., 2019).
Lo que no está tan claro es cómo empezar. Según cifras oficiales de 2018, en Estados Unidos apenas el 2.9% de las empresas habían empleado técnicas de machine learning (Naudé, 2021). En este contexto, un primer paso es desarrollar ideas de cómo aplicar la IA en la empresa para generar valor. Veamos algunas recomendaciones.
Comunica los conceptos básicos
Es muy apropiado llevar a cabo tareas de divulgación de lo que la IA puede y no puede realizar. Esta recomendación aplica no solamente para el área de desarrollo o de exploración sino también para otros puestos en la empresa.
Las personas en puestos directivos podrán tener expectativas realistas de lo que se puede hacer con los recursos disponibles. Los product managers podrán explorar las diferencias que existen entre proyectos de IA y los proyectos tradicionales para posteriormente priorizar y planificar eficazmente las tareas.
Define el problema
También debemos identificar previamente qué problema nos interesa resolver. Un error que se comete con frecuencia es confundir el problema con la solución. Por ejemplo, si pensamos que “el problema es que no tenemos un dashboard” en realidad no estamos definiendo un problema, sino que mostramos un sesgo de cuál creemos que debe ser la solución.
Algo semejante sucede cuando privilegiamos un método por encima del objetivo. Por muy sofisticada o popular que sea una técnica, no siempre será nuestra mejor opción. Privilegiar un método o técnica nos puede dar una perspectiva errónea en muchos casos. Como decía Maslow (1966) “si sólo tienes un martillo, todo parece un clavo”.
Realiza una lluvia de ideas
Una vez que todos tengan una mejor perspectiva de los alcances de la IA y de las problemáticas principales, se puede llevar a cabo una lluvia de ideas. Es claro que habrá ideas buenas y malas, pero todas las ideas son buenas para generar más ideas. Entre más propuestas tengamos y más diversas, será más probable dar con algo realmente disruptivo.
En este sentido, lo idóneo es reunir para ello un equipo multidisciplinario. Al contar con expertos en el área técnica, de analítica y del negocio, podremos asegurar una buena variedad de ideas y una mejor forma de evaluar su factibilidad y valor.
Identifica tareas que se pueden automatizar
En caso de no tener claro cómo podemos aplicar la IA, una sugerencia es pensar qué tareas se pueden automatizar. Andrew Ng en su curso IA for Everyone da un tip práctico muy interesante: si piensas en una tarea que te tome un segundo realizarla, es muy probable que en esa tarea se pueda aplicar la inteligencia artificial.
Por ejemplo, identificar un correo como spam es una tarea que generalmente nos lleva muy poco tiempo, entonces, es posible generar un algoritmo de IA que nos ayude a clasificar si un correo es spam o no. Por el contrario, hacer un estudio mercado y escribir un reporte de 50 páginas es algo que una persona no puede hacer en unos segundos, por lo tanto, tampoco lo podrá hacer la IA.
¿Y si no funciona?
Una vez que tengamos una propuesta conceptual, pasar a la práctica puede ser complicado al inicio. En un estudio de Boston Consulting Group y MIT Sloan Management Review, se encontró que sólo el 11% de los proyectos en IA resultaron en beneficios significativos. Sin embargo, según los autores del estudio, la clave del éxito es “continuar experimentando incluso si un proyecto inicial no produce grandes beneficios” (Knight, 2020).
Hay que continuar generando ideas y propuestas para convertirlas en proyectos. Así, una vez realizado un primer proyecto, el segundo proyecto será mejor que el primero; el tercero mejor que el segundo y así sucesivamente. Con este proceso iterativo de experimentación y aprendizaje lograremos convertir nuestras ideas en resultados exitosos e innovadores.
Referencias utilizadas
Knight, Will (2020). Companies Are Rushing to Use AI — but Few See a Payoff. Wired. Disponible en https://www.wired.com/story/companies-rushing-use-ai-few-see-payoff/
Lorica, Ben y Paco Nathan (2018). The State of Machine Learning Adoption in the Enterprise. Boston: O’Reilly. Disponible en: https://www.bastagroup.nl/wp-content/uploads/2019/01/the-state-of-machine-learning-adoption-in-the-enterprise.pdf
Maslow, Abraham (1966). The Psychology of Science. Harper Collins
Naudé, Wim (2021). Artificial intelligence: governments see huge business potential, but ignore the downsides. The Conversation. Disponible en: https://theconversation.com/artificial-intelligence-governments-see-huge-business-potential-but-ignore-the-downsides-164645
Ng, Andrew (s.f.). IA para todos. Coursera. Disponible en: https://es.coursera.org/learn/ai-for-everyone.
Ransbotham, S., Khodabandeh, S., Fehling, R., LaFountain, B., y David Kiron (2019). Winning With AI. MIT Sloan Management Review and Boston Consulting Group. Disponible en: https://image-src.bcg.com/Images/Final-Final-Report-Winning-With-AI-R_tcm9-231660.pdf
