04 Ago La inteligencia artificial llegó para quedarse

La inteligencia artificial (IA) ya está entre nosotros, pero ¿qué es exactamente, y cómo puede beneficiar a mi empresa?

La IA llegó para quedarse, y se está transformando en un componente esencial de empresas grandes y pequeñas. En esta nota veremos cómo hacer para transformar datos en información, información en conocimiento, y cómo usar ese conocimiento para aumentar la productividad de la empresa, bajar costos, estimar demandas, o hacer controles de calidad, tanto de materias primas como de productos terminados.

Qué es la IA

IA es un sistema de programación que observa, analiza y aprende de los datos que se alimenta. Esta última característica es el elemento esencial; el programa se vuelve mejor y más preciso a medida que recopila y analiza más datos, sin la intervención explícita de las personas. Esa característica iterativa es lo que justamente define el aprendizaje. La IA incluye las acciones de reconocer frases, imágenes o sonidos.

Hay dos grandes ramas dentro de la IA: el aprendizaje simbólico y el aprendizaje automático. El primero contiene por ejemplo a la robótica. El aprendizaje automático usa sobre todo técnicas estadísticas para procesar grandes cantidades de datos, ya sea para clasificar o para implementar modelos de regresión.

Una de las características principales del AA es que es adaptativo / evolutivo – aprende a medida que lo alimentamos de más datos, y en el camino identifica patrones y detecta anomalías. Con estas dos características, identificar patrones y detectar anomalías, ya puede adivinarse el potencial de uso que tiene la empresa: prácticamente en todas las tareas. Algunos de los mayores avances en inteligencia artificial y aprendizaje automático provienen de ideas generadas con lenguaje natural, imágenes y datos de video.

Datos, modelo, algoritmos

El desarrollo del AA se debe en parte al gran volumen de datos que generamos día a día de manera espontánea. A diferencia de los datos estructurados, por ejemplo datos administrativos que reportamos voluntariamente, o que generamos a partir de las actividades de la empresa (ventas, horario, cuál producto, ticket de compra), el big data es justamente la información que generamos cuando por ejemplo usamos redes sociales, donde decimos momento, lugar, sentimientos que nos genera, mientras hacemos otras cosas.

El potencial de la IA es justamente para analizar estos datos que no están estructurados, ni bien definidos, que a las personas nos llevaría muchísimo tiempo poder procesar o analizar. El avance en materia de almacenamiento de datos y de procesamiento computacional hacen que sea más fácil para una máquina procesar sin error muchísimas más dimensiones de las que podemos las personas, y en menos tiempo.

A estos datos (provenientes del big data) se los ha definido como el nuevo petróleo. Pero los datos por sí solos no aumentan la productividad de la empresa. Lo más importante es saber cuál es la pregunta que queremos responder con esos datos, es decir, tener un modelo en mente. Como dice el dicho, identificar el problema trae en sí mismo la mitad de la solución.

Una vez que tenemos definido el modelo a utilizar, nos toca plantearnos cómo aplicarlo a nuestros datos, si desarrollando un equipo de analítica al interior de la empresa, o contratando un equipo externo. Ambas opciones tienen pros y contras, que hay que sopesar caso a caso.

Después de haber solucionado tema datos y modelo, es cuestión de elegir qué algoritmos vamos a utilizar. Un algoritmo es un conjunto de instrucciones, que tienen que ser finitas, estar ordenadas y procesarse de manera sucesiva, de manera de que la actividad que sea desea ejecutar pueda hacerse sin ambigüedades. Muchos de estos algoritmos se encuentran disponibles en la web de manera gratuita, y en un ambiente colaborativo. En general, el lenguaje de AA es Python; también se usa el lenguaje de programación R, que es un poco menos intuitivo. Python tiene desarrolladas “librerías” donde ya hay código que permite ejecutar algoritmos para analizar imágenes, reconocer objetos, voz, lenguaje natural. Numpy, SciPy, Tensor flow, son paquetes que dan el marco de análisis para el AA.

Los desconocidos de siempre

Las PYMES tienen una serie de desafíos estructurales, problemas de acceso a fuentes de financiamiento, a capital humano específico, o a redes empresariales. En el caso de la implementación de AA, los mismos problemas se manifiestan, ya que la gobernanza y protección de datos personales implica cumplir con más reglamentaciones y restricciones regulatorias, lo cual aumenta los costos. Además, no todas las pymes cuentan con un equipo con habilidades digitales, y esta carencia puede llevar a malinterpretar los riesgos y los beneficios que conlleva la implementación de tecnologías digitales. En general, además, las PYMES tienen dificultades para identificar, atraer y retener talento. Sobre el acceso a redes empresariales, las pymes tienen más dificultades que las empresas grandes para vincularse a sistemas de intercambio de información tanto entre pymes como en una red más amplia de instituciones públicas, empresas y academia.

Para terminar, no olvidemos que una empresa es una actividad compleja, que a las interrelaciones entre gobierno, academia, sector privado, se suman las interacciones con clientes, proveedores, competidores, y la comunidad, y que la implementación de AA implica un cambio cultural a toda la gestión de la empresa, que hay que transitar con liderazgo y compromiso. Del mismo modo que los algoritmos de AA, transformemos esa actividad compleja en una serie de actividades simples, que podamos ir resolviendo de manera paulatina mientras nos acomodamos a la nueva realidad.

En Áurea podemos co-diseñar una estrategia de innovación responsable y sostenible, contactanos en info@aureasustentable.uy