El valor comercial, los datos de capacitación y la preparación cultural son esenciales para el éxito de la Inteligencia Artificial. Sin los tres, las soluciones tradicionales son su mejor apuesta.

La adopción de Inteligencia Artificial (IA) está en aumento. Según una encuesta reciente de McKinsey, el 55 % de las empresas utilizan inteligencia artificial en al menos una función, y el 27 % atribuye al menos el 5 % de las ganancias antes de intereses e impuestos a la IA, gran parte de eso en forma de ahorro de costos.

Dado que la IA transformará drásticamente casi todas las industrias que toca, no sorprende que los proveedores y las empresas estén buscando oportunidades para implementar la IA en todos los lugares donde puedan. Pero no todos los proyectos pueden beneficiarse de la IA y tratar de aplicar la IA de manera inapropiada no solo puede costar tiempo y dinero, sino también amargar a los empleados, clientes y líderes corporativos en futuros proyectos de IA.

Los factores clave para determinar si un proyecto es adecuado para la IA son el valor comercial, la disponibilidad de datos de capacitación y la preparación cultural para el cambio. He aquí un vistazo a cómo garantizar que esos criterios estén en línea para su proyecto de IA propuesto antes de que su incursión en la inteligencia artificial se convierta en un costo irrecuperable.

Comience con la solución más simple posible

Los científicos de datos, en particular, gravitan hacia un primer enfoque de IA, señala Zack Fragoso, gerente de ciencia de datos e IA de la cadena de pizzerías Domino’s, que tiene más de 18,000 ubicaciones en más de 90 países alrededor del mundo. Pero no se puede aplicar la IA en todas partes. 

A pesar de ser una línea de negocios muy tradicional, Domino’s ha estado adoptando cambios, especialmente durante la pandemia. Los clientes ahora tienen 13 formas digitales de ordenar pizzas, y la compañía generó más del 70 % de las ventas a través de canales de pedidos digitales en 2020. Eso ha abierto muchas oportunidades para cumplir la promesa de la IA.

La clave para Domino’s al aplicar la IA, explica Fragoso, ha sido adoptar un enfoque simple. “Al final del día, la solución simple funciona más rápido, funciona mejor y podemos explicársela a nuestros socios comerciales”, dice. “La explicabilidad es una gran parte de esto: cuantas más personas entiendan las herramientas y los métodos que usamos, más fácil será lograr la adopción”.

El enfoque en sí es simple: si hay un problema comercial que necesita solución, Domino’s busca la solución más simple y tradicional, y luego, “si avanzamos desde allí, debe haber un valor agregado en el rendimiento del modelo”, afirma Fragoso.

Por ejemplo, predecir cuánto tiempo lleva cocinar una pizza y ponerla en una caja es simple. “Lo sacamos directamente de nuestra investigación de operaciones. Puedes enchufar los tiempos del horno”, dice. Pero hay algunos problemas que solo pueden resolverse con IA, agrega, como aquellos que requieren reconocimiento de imágenes o procesamiento de lenguaje natural.

Por ejemplo, el año pasado, Domino’s ejecutó un programa de lealtad que recompensaba a los clientes por comer pizza, cualquier pizza, de cualquier pizzero. “Construimos un clasificador de pizza usando millones de imágenes de diferentes tipos de pizza y lo pusimos en una aplicación”, agrega Fragoso.

Ese proyecto ofrecía dos tipos de valor empresarial. Primero, mejoró la experiencia del cliente, dice. En segundo lugar, creó una colección de imágenes de pizza que la empresa usó para detectar la calidad y la temperatura de la pizza. “Fue un gran proyecto de IA de círculo completo”.

Un proyecto de inteligencia artificial más práctico que emprendió Domino’s fue un predictor destinado a mejorar la precisión de su rastreador de pizzas, ya que los clientes quieren saber exactamente cuándo ir a la tienda a recoger su comida o cuándo esperar que llegue su entrega, asevera Fragoso. Agregar el aprendizaje automático a la codificación tradicional si-entonces del rastreador de pizza de Domino dio como resultado un aumento del 100% en la precisión.

Al construir el modelo, Domino’s se apegó a su principio más simple primero. “La primera iteración fue un modelo de regresión simple”, dice. “Eso nos acercó. Luego, un modelo de árbol de decisiones, donde podríamos ver más facetas. Luego pasamos a una red neuronal porque podíamos capturar algunas de las mismas variables que en el árbol de decisión, pero la red neuronal produce la respuesta más rápido. Queremos que la experiencia de nuestros clientes en el sitio web sea realmente rápida”.

Hay un lugar para el aprendizaje automático, opina Sanjay Srivastava, director digital de Genpact, particularmente cuando una empresa busca construir procesos que mejoren continuamente en función de la experiencia. Pero a veces todo lo que se necesita es una correlación simple, que se puede obtener a partir de modelos estadísticos básicos.

“Las prácticas de hace diez años en torno a los bosques aleatorios y otros conjuntos de herramientas estadísticas pueden brindarle la respuesta mucho más rápido y mucho más barato que construir un equipo completo de MLOps a su alrededor”, afirma Srivastava. “Tienes que saber cuándo recurrir a las técnicas existentes que son mucho más simples y mucho más efectivas”.

Un área común en la que la IA a menudo se presenta como una solución, pero generalmente es exagerada, es en los chatbots: “En algunos escenarios, tiene sentido. Pero en el 90% de los escenarios sabes las preguntas que se van a hacer porque puedes mirar las preguntas que se han hecho en los últimos tres años y sabes la respuesta a cada pregunta. Resulta que el 90% de los chatbots pueden salirse con la suya con simples pares de preguntas y respuestas”, argumenta Srivastava.

Datos históricos: la clave de la IA para predecir resultados futuros

Cualquier conjunto finito de datos se puede ajustar a una curva. Por ejemplo, puede tomar los números ganadores de la lotería de años anteriores y crear un modelo que los hubiera predicho a la perfección. Pero el modelo seguirá sin ser mejor para predecir ganancias futuras porque el mecanismo subyacente es completamente aleatorio.

La pandemia de COVID-19 ha sido un excelente ejemplo de cómo sucede esto en la vida real. No había forma de predecir dónde iban a conducir los bloqueos al cierre de fábricas, por ejemplo. Como resultado, las empresas vieron una disminución en las ganancias de ingresos que vieron en muchas áreas, según la encuesta sobre el estado de la IA de McKinsey.

Por ejemplo, el 73 % de los encuestados vio aumentos de ingresos en estrategia y finanzas corporativas el año pasado, mientras que solo el 67 % lo hizo este año. La diferencia fue aún más marcada en la gestión de la cadena de suministro. El año pasado, el 72 % vio aumentos en los ingresos en esta área, pero solo el 54 % lo hizo este año.

“La característica fundamental de la IA o el aprendizaje automático es que se utiliza la historia para informar”, afirma Donncha Carroll, socia en la práctica de crecimiento de ingresos de Axiom Consulting Partners. “Estás casado, encadenado, esposado por la historia. La IA es buena en circunstancias en las que es probable que la historia se repita, y estás de acuerdo con que la historia se repita”.

Por ejemplo, dice, algunos de sus clientes han tratado de usar IA para predecir ingresos futuros. Pero a menudo, los ingresos están influenciados por factores que no se pueden predecir, que no se pueden controlar y para los que la empresa no tiene datos. Y si algunos de esos factores tienen un impacto externo en los resultados, pueden desbaratar todo el modelo.

“Entonces no tiene sentido elegir IA”, advierte. “¿Vas a invertir cientos de miles de dólares en una solución que puede volverse irrelevante inmediatamente por un cambio en una variable?”

La IA todavía puede tener un papel aquí, dice, para ayudar a modelar varios escenarios o para sacar a la luz ideas que de otro modo no serían evidentes. “Su probabilidad de éxito aumenta si su enfoque es más estrecho”.

La IA también se quedará corta si la mera presencia de la IA cambia el comportamiento del sistema. Por ejemplo, si la IA se usa para filtrar el discurso de odio, las personas aprenden rápidamente qué patrones busca la IA y expresan las cosas para pasar los filtros.

“Las mejores mentes del mundo han estado tratando de resolver estos problemas y no han tenido éxito”, opina Carroll.

El socio de Kearney, Bharath Thota, trabajó una vez con un conglomerado global de bienes y productos de consumo de más de $ 30 mil millones. El equipo de liderazgo de CFO quería una mejor visibilidad de las métricas financieras del conglomerado para poder ver si su crecimiento estaba subiendo y bajando. El proceso existente consistía en obtener archivos PDF de los informes 30 días después del cierre del período del informe.

El equipo de ciencia de datos aplicó IA para pronosticar cómo se verían los números. “Tenían buenas intenciones”, explica Thota. “Querían proporcionar al liderazgo una visión futurista”.

El error que cometieron fue en los datos financieros que estaban ingresando al algoritmo. Los analistas financieros que ingresaron esos datos tuvieron que hacer muchas suposiciones, por lo que el conjunto de datos terminó con muchos sesgos individuales.

“El liderazgo estaba emocionado”, asevera Thota. “Tenían algo que miraba hacia adelante, no hacia atrás. Pero cuando terminó el trimestre, y miraron hacia atrás en esas predicciones, estaban completamente equivocadas”.

Todo el proyecto tomó meses, dice Thota. “Tuvieron que descubrir cómo construir esta cosa, hacer la arquitectura, investigar plataformas de IA, hacer que todo funcionara en conjunto”.

Cuando un proyecto como ese falla, la gente pierde interés y confianza en la IA, dice. Para esta empresa en particular, la solución fue simplemente crear un tablero financiero para el equipo de liderazgo de CFO que les brindara las métricas que necesitaban, cuando las necesitaban.

Eventualmente, también se usó algo de IA, en forma de generación de lenguaje natural, para proporcionar automáticamente información clave sobre los datos a los ejecutivos en términos sencillos.

“Era un problema de visibilidad”, agrega. “Y había una solución simple para brindar esa visibilidad”.

El reto de los datos

La mayoría de los proyectos de IA requieren datos. Buenos datos, datos relevantes, datos debidamente etiquetados y sin sesgos que sesguen los resultados.

Por ejemplo, una empresa que busca mantener a los gatos fuera de un gallinero podría optar por instalar una cámara y tecnología de reconocimiento de imágenes para detectar a los gatos que entran. Pero el éxito depende de tener un equipo de entrenamiento adecuado.

“Necesitará tener muchas imágenes, y esas imágenes deberán tener etiquetas sobre si tienen gatos o no”, argumenta el analista de Gartner Whit Andrews, y agrega que recopilar estos datos lleva mucho tiempo y es costoso. Y una vez que se haya recopilado todo, ¿podrá la empresa reutilizar el mismo conjunto de datos para otros proyectos?

Pero, ¿y si resulta que la empresa realmente necesita saber cuántos gatos entran al gallinero? Luego, ese conjunto de datos original de imágenes también deberá volver a etiquetarse con la cantidad de gatos en cada imagen.

“Tal vez un gato no sea tan caro, pero una manada de gatos es un problema”, dice Andrews.

Además, si sólo un pequeño porcentaje de imágenes contiene varios gatos, será mucho más difícil obtener un modelo preciso.

Esta situación surge con frecuencia en las aplicaciones de marketing, cuando las empresas intentan segmentar el mercado hasta el punto de que los conjuntos de datos se vuelven infinitesimalmente pequeños.

“Casi todas las empresas que conozco utilizan la segmentación para la selección de clientes”, añade Anand Rao, socio y líder global de IA en PricewaterhouseCoopers.

Si recopilan datos esperando que se usen para un propósito y terminan usándolos para otro, es posible que los conjuntos de datos no cumplan con los nuevos requisitos.

Por ejemplo, si la recopilación de datos está configurada para que haya un equilibrio de puntos de datos de cada región de los Estados Unidos, pero la pregunta comercial termina siendo sobre las necesidades de un segmento demográfico muy reducido, todas las inferencias serán inútiles. Digamos, por ejemplo, si la empresa está interesada en los hábitos de compra de las mujeres asiático-estadounidenses en un rango de edad particular, y solo hay un par en la muestra.

“Tenga muy claro qué decisión quiere tomar con tu segmentación”, aconseja Rao. “Trate de asegurarse de que el muestreo que está haciendo sea representativo, pero también capte sus preguntas”.

El problema de muestra ocurre en cualquier sistema que intente predecir eventos raros. Por ejemplo, si una empresa está buscando ejemplos de comportamiento fraudulento, en un conjunto de datos de un millón de transacciones, hay un puñado de transacciones fraudulentas conocidas, y una cantidad igual o mayor de transacciones fraudulentas que se han perdido.

“Eso no es muy útil para la inferencia”, señala Rao, y agrega que esto sucede mucho con la automatización de procesos comerciales cuando una empresa tiene muchas personas que realizan tareas específicas cada día, pero no captura datos sobre cómo se realizan esas tareas, o no No capturará los datos correctos necesarios para entrenar a una IA sobre cómo hacerlo.

“En esos casos, debe ir y construir un sistema para capturar esa información”, dice. “Luego, unos meses después, regresa y construye el modelo”.

Y para proyectos que no necesitan datos, la IA no es el camino correcto. Por ejemplo, algunos procesos comerciales, como los seguros y la suscripción, se basan en reglas, agrega Rao. “Puede construir un sistema basado en reglas entrevistando a expertos y reuniendo fórmulas tradicionales. Pero si puede hacerlo con reglas y scripts, no necesita IA. Sería exagerado.

El uso de una IA para un proyecto de este tipo puede requerir más tiempo y la precisión puede no ser mejor, o solo un poco mejor, o es posible que no necesite el rendimiento mejorado.

“Por lo tanto, no tendrá el ROI porque está dedicando tiempo a un problema que ya podría haber resuelto”, dice.

Un error de IA de 300 millones de dólares

En noviembre, la empresa de bienes raíces Zillow anunció que estaba descontando $ 304 millones en casas que compró según la recomendación de su servicio Zillow Offers impulsado por inteligencia artificial.

Es posible que la compañía también deba amortizar otros $ 240 a $ 265 millones el próximo trimestre, además de despedir a una cuarta parte de su fuerza laboral.

“En nuestras ofertas de Zillow que operan a corto plazo, hemos experimentado una serie de eventos extraordinarios: una pandemia mundial, una congelación temporal del mercado inmobiliario y luego un desequilibrio entre la oferta y la demanda que condujo a un aumento en los precios de las viviendas a un ritmo que no tenía precedentes”, dijo el CEO de Zillow, Rich Barton, en una conferencia telefónica con inversionistas. 

“No hemos podido pronosticar con precisión los precios futuros de las viviendas. Podríamos culpar de esta volatilidad descomunal a los eventos exógenos del cisne negro, ajustar nuestros modelos en función de lo que hemos aprendido y seguir adelante. Pero según nuestra experiencia hasta la fecha, sería ingenuo suponer que los pronósticos de precios impredecibles y los eventos de interrupción no ocurrirán en el futuro”.

AI aprende del pasado, dice Tim Fountaine, socio principal de McKinsey. “Si algo no sucedió en el pasado, entonces es imposible que un algoritmo lo prediga”.

Y las IA no tienen sentido común, agrega. “Un algoritmo de IA diseñado para predecir la producción de una fábrica que nunca antes ha visto un incendio, no predecirá que la producción se desplomará si hay un incendio”.

Predecir los precios de las propiedades es un uso interesante de la IA, opina. “Pero puedes ver que todos se vuelven un poco tímidos con ese tipo de aplicación”.

Maria Korolov, CIO.com