4 Aspectos Fundamentales para una Transformación Digital Efectiva con IA
En una era en que muchas empresas buscan dar el siguiente paso evolutivo en su modelo, por medio de adopción tecnológica, la inteligencia artificial (IA) se ha vuelto uno de los puntales de esta transformación. En esta línea, una de las imágenes más recurrentes es viendo cómo diferentes “robots” logran automatizar una serie de actividades y procesos, que van desde tareas administrativas, como enviar correos y notificaciones a potenciales clientes y usuarios, como llegar a máquinas que asistan en las decisiones más estratégicas.
Por nuestra parte, como R:Solver, habiendo participado en numerosos proyectos de integración de tecnología avanzada a diferentes industrias, vemos que hay cuatro factores fundamentales que aumentan las posibilidades, no sólo de éxito del proyecto, sino que de éxito en la transformación del negocio.
1. Claridad del valor de negocio aportado por una nueva tecnología
Lejos de adoptar la tecnología, “porque si”, o pre-disponerse a una tecnología en particular (por ej, Machine Learning), lo fundamental es entender cuál es el valor de negocio que una solución tecnológica particular aportará en un caso particular. Por ejemplo, si un proceso de reclutamiento y selección de candidatos a un puesto implica una tediosa revisión de los antecedentes de cada uno, entonces ese proceso, o parte de él, tiene el potencial de ser apoyado por alguna solución tecnológica.
Más que sólo la automatización de procesos, por ejemplo, aprovechando alguna herramienta RPA, lo importante es reconocer en qué parte de un proceso de negocio, una herramienta avanzada puede aportar reduciendo costos, tiempos, o aumentando la cantidad y/o diversidad de información factible de aprovechar.
En muchos casos, la IA ofrece técnicas y herramientas con gran potencial, pero que requieren de (a) entender bien el problema, y si es el caso (b) de buenos datos de referencia, para terminar en (c) una buena implementación que vaya evolucionando en el tiempo. Hay situaciones en que no es necesario contar con ejemplos de entrenamiento, porque el problema de “encontrar la mejor combinación para …” se resuelve con una buena heurística de optimización, en vez de un modelo de Machine Learning.
2. Estrategia clara de elección y evaluación de un modelo adecuado
Desde la forma de obtención y tratamiento de los datos que servirán para el modelo a implementar, hasta la forma de elegir y evaluar el modelo utilizado. El desafío no está en la implementación de un modelo en particular; la mayoría de éstos está probada y conocida.
La estrategia se basa en seguir algún proceso de descubrimiento y evaluación, como CRISP-DM o KDD, en que ambos se enfocan en el descubrimiento de valor de negocio, además de la exploración de datos. Esto evidencia de que no es llegar y copiar la estrategia de una empresa cercana o de un competidor, sino que se comienza por una introspección corporativa para determinar la visión del problema a resolver.
3. Visión de mediano y largo plazo en la evolución de la solución
La solución implementada es sólo una foto. Podría ser que al existir una estacionalidad en los datos, el modelo pierda su exactitud. Es posible que al cambiar el orden de magnitud, efectivamente un modelo entrenado con miles de ejemplo, no generalice bien sobre un universo de cientos de miles o millones.
También es posible que el fenómeno medido con los datos originales cambie en el tiempo, por factores totalmente externos.
Entonces, una visión de mediano plazo considera un re-entrenamiento de los modelos, para actualizar su capacidad predictiva con la nueva información. Siempre, mientras más datos, mejor predicción.
Este re-entrenamiento puede ser automatizado en forma periódica, considerando los nuevos datos — etiquetados — que se puedan capturar, pero también se puede basar en una supervisión evolutiva, en que expertos de negocio y técnicos analizan y reflexionan acerca del valor de negocio generado por el modelo y proponen formas de ir mejorando incrementalmente.
En otras palabras, mantener la buena costumbre de los análisis retrospectivos regulares sobre las soluciones operativas basadas en modelos que pueden (y deben) ir aprendiendo de los nuevos datos.
4. Mirar más allá de la tecnología y los datos
Es fácil asumir que la exitosa adopción e implementación de una tecnología, que genera valor de negocio, es “justo lo que quería” la empresa. Hay que reconocer que es posible que la automatización de un proceso, o la incorporación de un modelo predictivo genere valor evidente de negocio.
Pero también es factible mirar más allá, en especial, con el prisma que la transformación digital propone sobre el análisis y cuestionamiento de los clientes y competencia y tomar conciencia que la adopción exitosa de la tecnología es un medio para lograr un resultado más estratégico, que finalmente, permita catapultar a la organización a su versión evolucionada.
Avanzar exitosamente hacia esta visión de transformación puede demandar decisiones de diferente dificultad, pero es obvio que no basta con comprar la solución tecnológica mágica que resuelva todo. Es fundamental poner atención a los puntos esenciales que diferencian el éxito, del fracaso, entre los cuales están estos 4 aspectos fundamentales. Un experto interno, o el apoyo de un consultor experto, puede ser fundamental.
