Las empresas que buscan cumplir la promesa del aprendizaje automático para el análisis de datos, están recurriendo a un viejo y poco probable amigo. Los sistemas de inteligencia de negocios, en gran medida el dominio para el análisis del desempeño pasado, se están modernizando con inteligencia artificial para incorporar funciones predictivas a sus capacidades de generación de informes.
La red Symphony Post Acute es una de esas organizaciones. La compañía de cuidado de la salud, que tiene cinco mil camas en 28 centros de salud en Illinois, Indiana y Wisconsin, quería usar inteligencia artificial y aprendizaje automático para mejorar la atención de hasta 80 mil pacientes al año que se encuentran en recuperación de procedimientos como cirugía de rodilla o recibiendo tratamiento de diálisis. Por ejemplo, enterrada profundamente en el núcleo médico de un paciente, podría encontrarse una indicación de que este se encuentra particularmente en riesgo de una caída peligrosa y, por lo tanto, requiere precauciones adicionales.
Encontrar estos indicadores, que podrían ser puntos de datos individuales o patrones sutiles de datos, es un caso de uso perfecto para el aprendizaje automático. Pero construir modelos no es un trabajo simple.
“Me bombardearon con preguntas sobre predicciones”, afirmó Nathan Patrick Taylor, director de Ciencia de datos y análisis en Symphony. “Incluso si paso cada momento despierto construyendo modelos de aprendizaje automático, no hay forma de que pueda hacer todo eso”.
Entonces la compañía contrató a dos científicos de datos más. “Y no son baratos”, afirmó Taylor. “Pero no obtuvimos el resultado que necesitábamos. Fue muy difícil y costoso”.
Así que hace dos años, Symphony comenzó a buscar alternativas comerciales, proveedores que ya tenían construidos, y listos para operar, los modelos de aprendizaje automático. Ahora la empresa toma los datos ya recopilados en su almacén de datos, los envía a través de los motores de inteligencia artificial basados en la nube de su proveedor, DataRobot, y los resultados se canalizan de vuelta a los paneles de Microsoft PowerBI de la empresa cada cuatro horas. “Inmediatamente, lo obtuve, mi CIO lo consiguió, y nos quedamos impresionados”, afirmó Taylor. “Parecía magia”.
Hoy, 240 médicos y enfermeras reciben los pronósticos y recomendaciones directamente en sus paneles de PowerBI, a los que pueden acceder a través de tabletas y teléfonos inteligentes. Entonces, por ejemplo, los pacientes con mayor riesgo de caídas se marcan automáticamente con un ícono de escalera. Los pacientes con alto riesgo de readmisión se marcan con un ícono de ambulancia.
Inyectar IA en la BI
Las tasas de readmisión son un gran problema para Symphony, afirmó Taylor. Los hospitales y las compañías de seguros miran las tasas de readmisión, y cada readmisión le termina costando a la compañía 13,500 dólares. “No es una cantidad insignificante de dinero”, afirmó.
Para saber si las predicciones de DataRobot eran útiles o no, Symphony originalmente lanzó los feeds de DataRobot a solo algunas de sus instalaciones, y ejecutó un estudio de seis meses para ver si había una diferencia en las tasas de readmisión. “Si no puedes moverlo 1%, lo estás haciendo realmente bien”, informó él.
Y las tasas sí mejoraron, afirmó Taylor –del 21% al 18,8 %. “Esa es una mejora significativa”, señaló. “Eso convenció a nuestro CEO”.
Hoy, la compañía está comenzando a utilizar el mismo enfoque para ver contratos con compañías de seguros. “Si no facturamos adecuadamente los servicios, eso es dinero que dejamos sobre la mesa”, mencionó.
La instalación inicial tomó alrededor de 20 horas, e involucró la conexión de las fuentes de datos y la configuración de los modelos de aprendizaje. Ahora, si alguien quiere nuevos tipos de predicciones, un nuevo modelo de aprendizaje tarda de seis a ocho horas en configurarse, afirmó, distribuido en tres días hábiles.
Además, los modelos existentes se pueden volver a entrenar en cualquier momento, dijo. Por ejemplo, las regulaciones pueden cambiar, o el personal médico podría comenzar a usar nuevos procedimientos. Además, un modelo puede derivar con el tiempo. Taylor recapacita a los modelos cada tres meses, o cada vez que hay un cambio de política importante. Si hay un gran cambio, el modelo de aprendizaje podría necesitar ser entrenado solo en los datos que ingresaron después de que las nuevas políticas entraron en vigencia.
Administrar el sistema ya no requiere un científico de datos altamente capacitado, afirmó, pero sí requiere de alguien que tenga un conocimiento básico de estadísticas. En Symphony, la compañía también usa el código R para configurar los modelos.
DataRobot también es compatible con Python de fábrica. Los clientes que usan otros lenguajes también pueden usar cualquier lenguaje consciente de Rest API para llamar a la API DataRobot Rest, que incluye Java, C#, SAS, JavaScript y Visual Basic, según Colin Priest, director de marketing de productos de DataRobot.
El próximo paso de la IA es el autoservicio
“La IA se ha democratizado”, afirmó Boris Evelson, vicepresidente y analista principal de Forrester Research. “Hasta hace poco, requería un científico de datos para escribir el código. Hoy, con estos sistemas de inteligencia de negocios, puedo señalar y hacer clic en algunos puntos de datos, elegir la variable que deseo pronosticar -como la propensión de un cliente a comprar- y estos modelos predictivos se generarán automáticamente”.
Algo que le solía tomar meses reunir a un profesional de ciencias de la información ahora puede recopilarse en unos pocos días por alguien que pueda entender datos y trabajar con Excel, indicó.
“Los especialistas en marketing están usando esto para predecir y actuar sobre el comportamiento del cliente, los gerentes comerciales lo están usando para observar y predecir el riesgo, las personas de la cadena de suministro lo están usando para observar y optimizar la logística”, afirmó.
Según una encuesta reciente de Forrester para tomadores de decisiones globales, la mejora de las plataformas de datos, análisis o estadísticas es uno de los tres casos de uso más importantes para las tecnologías de inteligencia artificial. Y todos los principales proveedores de BI, incluidos IBM, Oracle y Microsoft, están trabajando arduamente en esta área.
Y si ocho horas suena demasiado tiempo para configurar un nuevo modelo de aprendizaje automático, opciones más fáciles están en camino. Pronto, los usuarios podrán obtener los tipos de predicciones más comunes de forma automática, recibir recomendaciones y tener incorporado el reconocimiento de imágenes y el procesamiento del lenguaje natural, ya que Gartner pronostica que la generación de lenguaje natural y la inteligencia artificial serán una característica estándar del 90% de las plataformas modernas de inteligencia de negocios en los próximos dos años.
Equipando BI para el análisis textual y visual
El procesamiento del lenguaje natural les permitirá a los usuarios hacer preguntas simples, en el momento, cuando necesitan la información, afirmó Bruce Molloy, CEO de SpringBoard.ai. “Creo que es una evolución natural”.
Cuanto más estrecho sea el dominio y los datos más relevantes a los que tenga acceso una plataforma, más fácil le resultará al proveedor agregar capacidades de inteligencia artificial, señaló. Las plataformas de contabilidad o los sistemas de administración de relaciones con los clientes, como Salesforce, ya tienen los datos que necesitan y hay ciertas preguntas que los usuarios probablemente formularán. “Con Salesforce, será muy interesante ver lo que hacen”, indicó. “Ya está restringido, y el trabajo ya está parcialmente hecho. Ya han determinado que estas vistas son importantes, y además pueden agregar capacidades de inteligencia artificial”.
El impulso a la inteligencia artificial se basa en una mayor potencia de procesamiento, algoritmos más inteligentes, computación en la nube e interfaces estándar. DataRobot, por ejemplo, aprovecha la computación en la nube y las API REST estándar, lo que le permite brindar soporte a los sistemas de inteligencia de negocios Trifacta, Alteryx y Domino Data Labs, además de PowerBI, Tableau, Qlik, Excel, R Shiny y muchas otras herramientas de tablero.
Los tableros de inteligencia de negocios alimentados por inteligencia artificial también pueden procesar una variedad de datos mucho más amplia que antes. Symphony, por ejemplo, no solo revisa los números precisos en los registros del paciente, sino también las notas de progreso del paciente hechas por médicos y enfermeras.
Existe una gran cantidad de información guardada en formatos no estructurados, información que podría conducir a conocimientos útiles o predicciones, afirmó Josh Sutton, jefe global de datos e inteligencia artificial en la consultora Publicis.Sapient. Y no es solo texto.
“Una de las mayores fuentes de datos no estructurados, que es una fuente de inteligencia de negocios, es la visualización de imágenes”, dijo Sutton. Las áreas de marketing, por ejemplo, podrían beneficiarse del análisis de cómo sus clientes interactúan con productos basados en las fotos que comparten en las redes sociales.
Más allá de los análisis descriptivos
Pero las predicciones y las perspectivas son solo el primer paso de lo que la IA puede agregar a los tableros de inteligencia de negocios, afirmó David Schubmehl, director de Investigación de sistemas inteligentes cognitivos y artificiales en International Data. Los tableros con inteligencia artificial también pueden brindar consejos o sugerir acciones específicas que los usuarios deben realizar a continuación -o incluso ofrecer ejecutar esas acciones para los usuarios.
“Si los números de widgets [ventas] están cayendo, podría decir lo que esto significaría para el futuro, y lo que debe hacer al respecto ahora”, señaló.
Eso hace que BI sea mucho más valioso
“Creo que es por eso que muchas personas están adoptando este tipo de herramientas”, afirmó. Por ejemplo, Salesforce acaba de hacer un gran anuncio de que sus predicciones de Einstein habían superado recientemente las más de mil millones de predicciones al día en términos de inteligencia prescriptiva, ayudando a las personas a cerrar nuevos negocios, identificando nuevos clientes potenciales, creando capacidades orientadas a la acción. “Creo que es un indicador de que la gente quiere algo más que análisis comerciales descriptivos”.
Y todavía estamos en las primeras etapas, afirmó. “En algún momento durante los próximos dos o tres años, probablemente alcanzaremos la madurez completa. Las personas recién están empezando a comprender cuáles son las posibilidades con la inteligencia artificial y el aprendizaje automático”.
En particular, la IA todavía no tiene sentido común, afirmó Rumman Chowdhury, director principal y líder global de inteligencia artificial responsable en Accenture.
“Estamos en el mundo de la IA estrecha”, expresó. Incluso si una plataforma en particular tiene un modelo de inteligencia artificial integrado y listo para usar, el usuario aún debe comprender los datos que se están utilizando y su relevancia para la pregunta en cuestión.
“Debe asegurarse de que sea apropiado para la producción que cree estar recibiendo”, afirmó Chowdhury. “Y no sé si reemplazaremos completamente el juicio humano en algunas de estas áreas. No sé si podemos automatizar por completo la toma de decisiones real -o incluso si deberíamos”.
-Maria Korolov, CIO.com
