La Inteligencia Artificial se ha convertido en un importante pilar para las empresas que buscan cosechar los beneficios de su cultura basada en datos.

Hasta ahora, los equipos de ciencia de datos han logrado establecer la forma de desarrollar modelos y probarlos en un marco bien definido y limitado. El problema, sin embargo, es que les cuesta determinar cómo implementar esos modelos y darles mayor magnitud a los efectos de obtener beneficios exponenciales.

Los pilotos podrían ser una excelente forma de comprobar el valor antes de realizar una fuerte inversión, pero los beneficios y el valor podrían no concretarse si la implementación en escala de esos experimentos exitosos no se hace de forma correcta. Hay compañías que contratan científicos de datos e ingenieros en aprendizaje automático para el desarrollo de experimentos con IA y tienen éxito. Sin embargo, a la hora de la implementación en escala, las empresas tienen problemas y solo alcanzan un éxito parcial.
 

Los desafíos

El desarrollo y la implementación de modelos de IA presentan una serie de desafíos que pueden dividirse en tres categorías principales.

1. Asignación errada de personal de innovación a tareas de soporte y mantenimiento de la implementación

Implementar IA es costoso. Por cada dólar gastado en el desarrollo de algoritmos, las empresas podrían tener que gastar unos 100 USD en implementación, lo cual es una diferencia enorme. Las compañías consideran que, si tienen un proyecto de IA exitoso y lo implementan, deben derivar una parte del trabajo de sus actuales equipos de innovación para transformar la empresa y destinarlo a implementación, soporte y mantenimiento.

Para decirlo en pocas palabras, eso resulta ineficiente ya que no se asigna el talento al lugar donde debería hacérselo. Se ha capacitado y formado al equipo central de datos como especialistas técnicos en el abordaje de los problemas de la empresa mediante el uso de datos para transformar la organización y hallar soluciones. La compañía crece basada en los conocimientos de su equipo técnico. De eso se trata la innovación. Sin embargo, el desarrollo de un modelo exitoso y el posterior trabajo de implementación obliga a los técnicos a hacer a un lado el conocimiento de la empresa para concentrarse en las tareas de excelencia del proceso en lugar de en la innovación, lo cual constituye una ineficiencia que debe abordarse.

2. Falta de estandarización

Desde el desarrollo de IA hasta el ciclo final de implementación, hay una falta de estandarización que genera una enorme deuda técnica y cuesta tiempo y dinero. Mejores prácticas permitirían que los procesos de implementación avanzaran a un ritmo más rápido. Por otra parte, eso es más eficiente desde una perspectiva económica, ya que reduce la deuda técnica del desarrollo de IA a la implementación del ciclo final. La falta de estandarización es un obstáculo, una desconexión que perjudica una implementación adecuada.

3. Procesos y gestión del cambio

Es de extrema importancia tomar conciencia del valor que subyace en la IA. Se trata de un problema empresarial por el que los directivos de tecnología deben realizar maniobras estratégicas para que el resto de la compañía entienda el valor de la IA y los pasos que llevan a su implementación. Los ejecutivos técnicos tienen que garantizar que tanto las personas como la cultura y los procesos experimenten los cambios adecuados para permitir la implementación de la nueva tecnología de modo tal de concretar los beneficios prometidos. accommodate the new technology implementation to realize the promised benefits.
 

TLas soluciones

1. Asignación eficiente de talento

En su mayor parte, quienes trabajan en el equipo de IA deben permanecer siempre concentrados en la innovación. Han trabajado mucho para conocer y entender la empresa y sus problemas a los efectos de poder transformar la organización. Asignar la implementación, el soporte y el mantenimiento al equipo de IA resultará ineficiente en mayor escala.

La tercerización es una solución, y hay dos formas principales de hacerlo. Una es analizar las herramientas adecuadas a las necesidades de la compañía. Esas herramientas podrían comprender capacidades de MLOps en la nube, DataRobots o Dataiku.

Pero eso es solo el 50% de la ecuación. El otro 50% es crear talento que no necesariamente haya que incorporar al equipo específico de IA. Priorizar las tareas basadas en el flujo de proyectos, buscar nuevas contrataciones posibles o tercerizar tareas como monitoreo de modelos, de gestión de datos y de calidad, el control de versiones y gestión, pueden reducir la carga generada y volver a destinar el tiempo del equipo específico de IA a su objetivo principal de innovar.

2. Proceso de estandarización

La estandarización de la IA es central desde el desarrollo hasta la implementación. Es necesario crear una metodología estándar con un concepto genérico adecuado a muchos modelos que también se adapte al entorno de una empresa específica.

En otras palabras, hay que considerar una perspectiva general que funcione en todas las empresas, que lo examine todo, desde la tecnología hasta la ingeniería y la arquitectura. Crear una única metodología estándar coherente para el desarrollo de modelos de aprendizaje automático y su implementación, puede ayudar a las compañías a resolver cuestiones como la deuda técnica, la aceleración de la creación de valor, la implementación de modelos y la relación de costos. Eso puede reducir con rapidez la relación costo/desarrollo- implementación.

Por ejemplo, ¿con qué velocidad puede un equipo prototipar una nueva idea? ¿Un integrante del equipo puede pasar de un proyecto a otro y orientarse con rapidez? En lo que respecta a la implementación, ¿el marco de desarrollo del modelo tiene una consistencia que facilite la puesta en producción y el mantenimiento?

Tareas de bajo y alto nivel

La etapa de implementación de IA comprende tareas relacionadas con el proceso. Muchas son repetitivas y se las puede automatizar, monitorear o ejecutárselas mediante talento que no pertenezca al equipo propio ni a la misma industria. Las tareas manuales pueden consumir hasta el 30% del tiempo del equipo, de modo que ofrecen una excelente oportunidad de reducir costos y mantener el foco en la innovación. Por su parte, el equipo de IA tiene que concentrarse en tareas de alto nivel como la investigación, el desarrollo y la experimentación, que exigen un alto nivel de calificación.

Los ejecutivos tecnológicos también deben concentrarse en la gestión del cambio, entendiendo que las organizaciones, las personas, las prioridades empresariales y los datos están en constante evolución. En una compañía son muchas las partes en movimiento, e implementar un modelo de IA exige una fuerte influencia sobre los procesos y las personas, lo que comprende entender cómo la gente consume información.

Resulta clave priorizar los proyectos desde el primer momento para obtener el compromiso y el respaldo del nivel directivo a fin de garantizar que esos proyectos tengan siempre un valor rentable. De esa forma, independientemente de los cambios que tengan lugar en la empresa, no será necesario descartar esos proyectos porque se habrá entendido su valor agregado.
 

Conclusión

Las empresas, incluidos los altos ejecutivos, cambian con rapidez durante el largo tiempo que podría insumir la implementación adecuada de innovación. Si la compañía cambia, también lo hace al mismo tiempo el entorno técnico, pero la factibilidad de desarrollar e implementar el modelo de IA debe permanecer intacta. Así, incluso mientras la organización cambia, la IA sigue siendo importante y se mantiene a la vanguardia.