Repasando las conclusiones de la guía IndesIA en su resumen ejecutivo (lectura muy recomendable) encuentro dos retos que me llaman poderosamente la atención.

A. Reto: Identificación de valor y los casos de uso: «El 42% de los ejecutivos piensa que “comprender los beneficios de la IA para el negocio y los posibles casos de uso” es el principal desafío de la adopción de IA. La mayoría de empleados de las empresas industriales y sus managers desconocen con un grado de profundidad suficiente qué es realmente la Inteligencia Artificial y como puede ayudarles en su día a día.»

Si le damos la vuelta entonces tenemos que el 58% de los ejecutivos si comprenden los beneficios para la Inteligencia Artificial (IA). No creo que los resultados de la encuesta soporten esta intepretación, pero por soñar que no quede 🙂 Bromas aparte, señalan determinadas carencias que tienen las empresas cuando se embarcan en este tipo de proyecto, y la primera es la necesidad de una metodología estructurada. Un poco más abajo hablaré de este tema. Me parece todavía más básicos tres aspectos para mejorar esta percepción. El primero lo señala una artículo reciente del Harvard Business Review donde analiza una encuesta realizada a ejecutivos donde se les pregunta sobre los factores que dificultan conseguir una organización basada en datos. Casi el 92 % de los encuestados señalaban obstaculos culturales, no tecnológicos, como la principal barrera. Es preciso un cambio de mentalidad antes de comenzar con proyecto ML / IA. Esto nos lleva al segundo aspecto. Para facilitar este cambio hay que plantearse desde el lado tecnológico si se puede empezar con un sistema más sencillo, por ejemplo, empleando reglas lógicas. Una vez que se han preprocesado los datos es posible aplicar reglas deterministas que son más sencillas de explicar para demostrar valor de explotar los datos. A partir de las limitaciones que imponen las reglas es más fácil entender los beneficios que aporta ML / IA. El tercero dejar de hablar de caso de uso y empezar a hablar de caso de negocio, ya que no siempre el primero incluye al segundo. Al final del día, un proyecto basado en ML (machine learning)/ IA tiene que dar unos resultados que puedan bien, impactar en la cuenta de resultados, bien generar beneficios intangibles que puedan medirse con algún tipo de métrica que actue como proxy. Aunque luego haya que realizar ajuste a las previsiones o a las métricas, ayuda encuadrar el proyecto si se va más allá de la funcionalidad y si incluye tiene en cuenta el impacto desde el principio.

El segundo reto, que me parece más preocupante es:

B. Reto: Puesta en producción de modelos analíticos: «87% de los modelos de Machine Learning nunca llegan a ponerse enproducción. Uno de los grandes retos de los últimos años en materia de Inteligencia Artificial es pasar de las bien conocidas pruebas o pilotos a modelos que trabajen en producción.»

Me temo que aquí se juntas muchos factores para que se obtenga una proporción tan elevado. Quizás, el más básico, que se acometen proyectos que desde inicio no tienen ningún futuro. Para paliar este problema, es fundamental contar con una metodología que ordene los pasos que se tienen quedar, que aumente la probabilidad de éxito a medida que se ejecuten pasos, y que en su defecto, cierre el proyecto lo antes posible para evitar gasto de recursos y tiempo, y lo que es más crítico, que evite la perdida de confianza del cliente. Los proyectos ML / IA tienen un factor de incertidumbre mayor que los proyectos de desarrollo software. Esto, aparte de asumirlo, exige tomar más precauciones antes de empezar, y tener una metodología que te permita retirarse a tiempo. En contrapartida, los proyectos exitosos de IA/ML consiguen resultados imposibles de obtener con otras tecnologías. Estos beneficios redundan en mejoras espectaculares en los procesos de negocio internos, y/o en incrementos sustanciables en la cuenta de resultados.

Existen múltiples metodologías para acometerse estos proyectos. CRISP-DM es un buen ejemplo que me gusta especialmente porque me parece que es fácil de entender por ejecutivos. Más allá de la metodología que se eliga, es casi obligado realizar una primera fase 0 de auditoría de datos. El objetivo es aumentar el éxito del proyecto desde el principio ya que no se empieza a trabajar hasta que no se asegura que hay material para empezar. Parece una perogrullada, pero es que hay que grabarse a fuego que el elemento clave un proyecto de ML / IA son los datos. Así, esta auditoría tiene el objetivo de analizar otros de los retos que señalan en el informe especificos de los datos: el acceso, la calidad, la seguridad de los mismos, y añadiría la representatividad.

No se me ocurre cierre mejor que enlazar un video que publicó recientemente Cassie Kozyrkov (CK) donde resumía sus cuatros ingredientes para un buen caso de uso en ML / IA.

Mezclando en la batidora los ingredientes que plantea CK con los que se mencionan en esta reflexión, nos quedan los siguientes puntos para conseguir superar las barreras en un proyecto ML / IA:

• Plantearse si es más fácil empezar desarrollando una solución más sencilla previa al sistema ML / IA que permita explicar el valor de explotar los datos.
• Hay que dejar de hablar de caso de uso y empezar a hablar de caso de negocio. Es necesario poder medir los resultados de tu sistema (CK).
• Es preciso contar con una metodología que ordene los pasos que se tienen quedar, que aumente la probabilidad de éxito a medida que se ejecuten pasos, y que en su defecto, cierre el proyecto lo antes posible para evitar gasto de recursos y tiempo, y lo que es más crítico, que evite la perdida de confianza del cliente.
• Esta metodología tiene que contar con una primera fase 0 de auditoría de datos. Esta auditoría tiene el objetivo de analizar la accesibilidad, la calidad y la seguridad de los mismos.
• Son necesarios datos que sean representativos, de buena calidad, y a ser posible, muchos (CK).
• El objetivo es automatizar, no realizar proyectos que empleen una vez los datos (CK). Es mucho más díficil rentabilizar un proyecto IA/ML que no termine en un sistema que se alimente con nuevos datos constantamente. Los proyectos de “un solo uso” requiere operar sobre una cantidad muy grande de datos para que sean rentables.
• Es más sencillo hacer la tarea que explicar “cómo” se hace (CK). Esta la principal ventaja en la que apalancarse para realizar un proyecto de ML/ ML. No es necesario realizar una representación muy sesuda y profunda del proceso que se quiere automatizar. Simplemente se requiere dar ejemplos de entrada y de salida. ¡Esto es una gran ventaja! Ahora bien, es preciso identificar en el proceso de auditoria si se disponen de datos etiquetados o hay que crearlo. En este último caso, es preciso contar con una metodología adecuada.