Más allá de la prueba inicial: claves para escalar los proyectos de inteligencia artificial

Recomendados:  Nueve formas prácticas de optimizar tus costes IT Leer Data cloud inteligente, clave para tu transformación digital Informe Infome de pruebas: VMware Work from home Documento

La adopción de la inteligencia artificial (IA) por parte de empresas de todos los sectores cada vez está más extendida y, de hecho, será uno de los segmentos de TI que más crecerá en los próximos años, según MarketsandMarkets. Esta consultora estima que esta tecnología generará unos ingresos 407.000 millones de dólares en 2027, lo que supone una tasa de crecimiento anual compuesto del 36,2%.

Sin embargo, según atSistemas, a pesar de que es una tecnología madura, la gran mayoría de los modelos de IA se quedan en la fase de prueba inicial, debido principalmente al esfuerzo necesario para escalar el modelo. "La falta de progreso en la industrialización de estos modelos supone una gran ineficiencia tanto de recursos para la empresa, como para los empleados, que no tienen acceso a tecnologías que les podrían facilitar su labor diaria", señala la consultora.

Sus consejos para conseguir escalar los modelos, o "industrializarlos", son los siguientes:

Aumentar la calidad, trazabilidad y accesibilidad de los datos
Los resultados obtenidos por cualquier modelo de inteligencia artificial, machine learning o deep learning, están directamente relacionados con la calidad de estos. Por ello, si una organización tiene intención de industrializar su IA, el primer paso para lograrlo sería centrarse en sus bases de datos. Habitualmente estos se encuentran dispersos, e incluso en muchas ocasiones en silos aislados, lo que dificulta su uso para los modelos de IA a gran escala, ya que si el equipo de trabajo únicamente tiene acceso a un subconjunto de datos nunca podrá generar modelos que reflejen la realidad de la organización.

En este sentido, el objetivo de la organización debe ser generar productos de datos con mayor calidad disponibilidad y más fácil acceso para la operación, a fin de evitar que cada una de las áreas de la empresa busque crear su propia copia para cubrir sus necesidades específicas y evitar duplicidades. Una vez centralizada la información, será imprescindible garantizar la calidad de los datos, tanto desde el punto de vista estructural como desde la perspectiva de negocio. Es decir, que además de estar correctamente cumplimentados, tengan coherencia y aporten valor para los empleados y la empresa.

Apostar por la interacción multidisciplinar
La inteligencia artificial está directamente asociada a la innovación, y la clave de innovar está en poder conjugar distintas perspectivas sobre un mismo tema, para que entre ellas se enriquezcan y se pueda tener una visión más completa. Por tanto, cuantos más grupos trabajen juntos, mejores serán los resultados. Esto también es esencial para lograr esa industrialización, ya que es necesaria la aportación y colaboración global de los distintos equipos involucrados para conseguir un resultado óptimo.

Sin esta cooperación, es realmente complicado construir modelos que aporten un valor añadido a la totalidad de la organización y se podría incurrir en el problema de generar ecosistemas aislados. También es necesario que la colaboración de los diferentes equipos se produzca en todos los ciclos, desde la ingesta de datos hasta la implementación de las analíticas, trabajando de forma sincronizada para que los datos estén disponibles en el menor tiempo posible, con buena calidad y facilidad de acceso.

Crear entornos operativos
No sólo vale con disponer de buenos datos y las herramientas para extraer conclusiones útiles para la empresa, hay que preparar a la empresa para el uso de esos datos creando una estrategia global. La empresa debe identificar cuáles de sus operaciones deben ser modificadas para permitir la adopción de las nuevas tecnologías, y sobre todo establecer estándares para la creación, prueba y despliegue de nuevos modelos de IA.

De este modo, será mucho más fácil repetir y ampliar los nuevos modelos a medida que se vayan creando. Una de las partes imprescindibles de la estrategia es establecer dónde residirá la selección de los algoritmos y el desarrollo de los modelos, en los equipos técnicos o funcionales, y en dotarlos de recursos para lograr una mayor autonomía sin perder el control sobre los desarrollos.