Me gustan las cosas imperfectas. Me gusta mi suéter con sus agujeros en los codos, esa pintura mía sobre la que mi gato caminó mientras se estaba secando, ese código fuente que estoy usando para mi doctorado que nunca parece ejecutarse como esperaba. Aunque me gusta así. La imperfección hace las cosas más interesantes.
Sin embargo, cuando se habla de negocios, se puede ganar dinero, potencialmente mucho dinero. Y a diferencia de otras partes de la vida, en el mundo de los negocios, una pequeña imperfección puede resultar en pérdidas de millones de dólares.
Eso asusta. Lo que es aún más aterrador es cuando estas pérdidas ocurren porque los ingenieros cometen errores al intentar implementar una tecnología nueva y en rápida evolución cuya riesgos nadie lo entiende completamente todavía y el regulaciones de los cuales apenas se están escribiendo. Si los líderes empresariales dudan acerca de este posible campo minado, solo prueba que son humanos.
Estoy hablando de IA. Sin embargo, por aterrador que pueda ser, muchas personas, incluidos muchos líderes empresariales, siguen estando increíblemente entusiasmadas con la IA. Las ventajas potenciales son enormes porque la IA puede finalizar procesos que solían llevar horas en segundos. Ese ahorro de tiempo es una mejora de varios órdenes de magnitud. Dados estos rendimientos, no es de extrañar que las empresas estén invirtiendo miles de millones de dólares en IA cada año.
A pesar de esta inversión masiva, la adopción de la IA sigue siendo irregular. La dificultad proviene no solo de la incertidumbre con respecto a los riesgos y las regulaciones, sino también del hecho de que muchas empresas fallan, al menos inicialmente, en hacer una evaluación realista de los tipos de cambios que la IA puede y no puede traer.
La mentalidad de todo o nada
Larry Clark compartió una anécdota en Revisión de negocios de Harvard que resume perfectamente el problema. Habló con un consultor cuyo cliente hacía predicciones correctas sobre su industria el 25 por ciento de las veces. El consultor les informó que una solución de inteligencia artificial podría aumentar este número hasta en un 50 por ciento. El ejecutivo del equipo, sin embargo, se negó a implementar una solución que «estaba equivocada la mitad de las veces».
Una tasa de fracaso del 50 por ciento es, sin duda, enorme en la mayoría de los casos. ¡Pero aun así habría sido el doble de bueno que la solución existente!
Muchos ejecutivos se decepcionan cuando ven que la IA no revolucionará su empresa de la noche a la mañana. Pero como Kevin Kelly, editor fundador de cableado, Ponlo:: “El futuro pasa muy lentamente y luego todo a la vez”.
Creo que esta regla se aplica a muchas áreas de la tecnología, y especialmente a la IA. Claro, grandes desarrollos nuevos están en el horizonte, pero no puede esperar que sucedan mañana. Las cosas buenas necesitan tiempo para desarrollarse. Incluso en el acelerado mundo de la tecnología, la paciencia es una virtud.
Los líderes, por lo tanto, no deberían estar descontentos cuando la IA no transforma repentinamente su negocio en el próximo Google. De hecho, si una nueva solución de IA trae muchas pequeñas mejoras con el tiempo, eso puede ser más valioso a largo plazo de todos modos. Una gran disrupción tiende a afectar otros procesos comerciales que eran estándar hasta ese momento, y esta reorganización puede terminar siendo un movimiento arriesgado a pesar de las ventajas de una gran ola de disrupción.
La IA no siempre es la mejor solución. Imagen por autor
Si ya ha trabajado con IA, sin duda habrá oído hablar de conceptos que incluyen exactitud, precisión, recuperación, puntaje F1, ajuste insuficiente, ajuste excesivo, falsos positivos y falsos negativos. Pero la mayoría de los líderes empresariales te mirarán como si fueras un extraterrestre si les hablas con una jerga técnica como esa. Los ejecutivos se preocupan más por los resultados que por los detalles técnicos.
Ron Glozman, quien fundó una empresa que crea soluciones de inteligencia artificial para la industria de seguros, ha hecho este punto exacto. Lo que realmente importa es si la solución de IA facilita las cosas para los trabajadores humanos, reduce los costos o aumenta los márgenes. Que obtengas o no resultados espectaculares a nivel técnico no importa tanto, siempre y cuando tu solución mejore el status quo de tu empresa.
Por supuesto, los científicos de datos seguirán expresando sus objetivos en jerga técnica porque les resulta útil. Sin embargo, para traducir esta jerga a términos comerciales, los ejecutivos deben trabajar en estrecha colaboración con los científicos de datos, involucrarlos en las operaciones comerciales y nunca dejar de preguntarles cómo el rendimiento de las diferentes métricas técnicas podría afectar el negocio en su conjunto.
Sin embargo, lo que complica las cosas es el hecho de que los científicos de datos tienen una gran demanda. Por lo tanto, muchas empresas carecen de personal en esta área. En consecuencia, muchos científicos de datos con demasiados proyectos en sus manos necesitan priorizar el análisis duro y no encuentran tiempo para pensar mucho en la parte comercial de su trabajo.
Para evitar esta situación, contrate científicos de datos antes de que realmente los necesite y proporcione capacitación interna a los nuevos miembros del equipo. Agregar capacitación dentro de la empresa requiere una inversión inicial, por supuesto, pero hacerlo tiene dos grandes ventajas. Primero, la capacitación interna hace que los científicos de datos se familiaricen con los detalles de la empresa desde el primer día. En segundo lugar, este tipo de capacitación es especialmente atractivo para los candidatos más jóvenes que a menudo aportan ideas frescas y no exigen salarios tan altos como los de sus pares de mayor antigüedad. Establecer un riguroso régimen de entrenamiento interno puede tomar un tiempo, pero valdrá la pena a largo plazo.
La precisión no lo es todo
Los algoritmos de aprendizaje automático deberían ser lo más precisos posible, ¿verdad? Después de todo, no queremos que nuestras máquinas hagan juicios erróneos y, por ejemplo, clasifiquen erróneamente un tumor canceroso como benigno. Esta noción suena bien, pero la precisión no siempre es el objetivo. Dejame explicar.
En primer lugar, existe el riesgo de sobreentrenamiento. Un modelo de IA puede aprender un conjunto de datos tan bien que discierne incluso pequeños detalles que en realidad no son relevantes para el resultado. Por ejemplo, considere una solución de IA que clasifique un conjunto de datos con muchas especies animales diferentes. Imaginemos además que este conjunto de datos contiene solo un tipo de gatos, perros y jirafas. Pero también contiene dos tipos de monos: negro y naranja.
¿Qué sucede si entrenas demasiado bien a este modelo para que no solo reconozca un mono por un mono sino que también sepa si es negro o naranja? Eso puede sonar dulce, pero se vuelve problemático si prueba el modelo en una imagen de un mono gris. ¿Cómo clasificará el modelo a ese animal? ¿Un gato? ¿Un perro gris?
En este ejemplo, surgió el riesgo de clasificar erróneamente nuevos datos porque el modelo se volvió demasiado preciso durante el entrenamiento. Para evitar este problema, los científicos de datos y los ejecutivos de negocios deben preocuparse un poco menos por la precisión durante el entrenamiento y mucho más por el rendimiento durante las pruebas. La perfección no es el objetivo aquí.
En el ejemplo de tumor anterior, esto significaría permitir que el algoritmo clasifique erróneamente los tumores durante el entrenamiento. Esta recalibración podría significar apuntar a una precisión del 90 por ciento en lugar del 98. Luego, cuando el algoritmo se implemente en la vida real, estará mejor preparado para clasificar un tumor que no se parece a ninguno de los que vio en la etapa de entrenamiento. Eso es primordial porque encontrar un punto de datos diferente a cualquier otro sucede mucho. Además, le está dando al algoritmo la oportunidad de mejorar su precisión en la vida real porque cada nuevo punto de datos se retroalimenta al sistema y ayuda a volver a entrenarlo.
Tómalo paso a paso. Imagen por autor
El paso de la capacitación no es el único lugar donde los ejecutivos deben moderar sus ambiciones. Como Jon Reilly escribe para diversidad de datoslas empresas tienden a usar IA en problemas enormes y esperan resultados significativos.
Sin embargo, no es así como funciona la IA todavía. En cambio, funciona mejor en tareas más pequeñas y muy especializadas en las que se necesita procesar un gran volumen de datos de alguna manera. Comience a incorporar IA en trabajos que se volverán demasiado repetitivos para los humanos y luego desarrolle a partir de ahí. Considere esto como un enfoque de abajo hacia arriba. Los enfoques de arriba hacia abajo son difíciles de lograr con la IA actual. Todavía estamos bastante lejos de la IA que puede transferir conocimiento de un dominio a otro, y aún más lejos de la inteligencia generalizada. En la actualidad, enseñar a una máquina cómo realizar tareas aburridas y repetitivas a gran velocidad es mucho más fácil que hacer que complete una tarea compleja, incluso si hay mucho tiempo disponible. Sin embargo, eso no excluye que esta situación pueda cambiar en el futuro.
Si los ejecutivos realmente quieren implementar IA siempre que sea posible, deben recordar el clásico regla 80/20, que establece que el 20 por ciento de sus herramientas y recursos conducen al 80 por ciento de su producción. Concéntrese primero en esas herramientas y recursos para asegurarse de que sus soluciones tengan el mayor impacto posible.
Una vez más, es mejor comenzar con las partes más fáciles que rediseñar toda la empresa como un algoritmo de IA. Debe priorizar la incorporación de algunas soluciones de parches que realmente funcionan en lugar de una gran solución general que es demasiado complicada para implementarse de manera efectiva.
Las empresas vacilantes perderán
Al igual que con cada nueva tecnología que llega a la corriente principal, los primeros en adoptar son los que recolectarán todo el efectivo. La buena noticia es que aún no es demasiado tarde para ingresar a la IA.
Sin embargo, esa no es una excusa para perfeccionar meticulosamente su modelo de IA y ponerlo en práctica dentro de cinco años. A pesar de todos los obstáculos que he mencionado (y hay otros además de estos), cada vez más empresas están viendo los beneficios potenciales de la IA y están comenzando a utilizarla ahora, sin importar cuán pequeñas o complicadas puedan ser las cosas al principio.
Y ese es el enfoque correcto. La tecnología es lo suficientemente nueva como para que aún no hayamos probado todos los nichos y casos extremos. Debe probar soluciones a medias y luego iterar sobre ellas. Si no impulsa sus actualizaciones de IA con regularidad y las pone a disposición de todas las partes interesadas, corre el riesgo de perderse lecciones clave.
Este problema exacto me ha pasado durante mis estudios. Estaba trabajando en un procedimiento para procesar una gran cantidad de datos de una manera más eficiente que antes. El procedimiento era mi parte del proyecto, así que pensé en desarrollarlo y perfeccionarlo solo en la medida de lo posible antes de compartirlo con mi equipo.
Sin embargo, cuando finalmente lo compartí después de tres meses, me di cuenta de los comentarios de mis colegas que me había estado perdiendo algunas ideas clave. Me las había arreglado para hacer que el código fuera tres veces más eficiente que la versión anterior. Sin embargo, después de implementar las ideas de mis colegas, la mejora no fue triple sino quíntuple. Aunque mi trabajo era un proyecto de investigación público y no un negocio, y aunque prácticamente no había dinero en juego, la idea de haber desperdiciado varias semanas sin hablar antes con mis colegas todavía me duele.
Las empresas que apunten a la perfección demasiado pronto o que aún no se hayan decidido a implementar la IA se quedarán atrás. Paradójicamente, debe poder rechazar sus ambiciones y sentarse con una solución imperfecta si quiere terminar por delante del resto.
No se preocupe demasiado por el código imperfecto. Imagen por autor
Las soluciones imperfectas son incómodas porque nunca puedes conducir a casa desde el trabajo y pretender que tu trabajo está completo, totalmente hecho. Siempre hay un error para encontrar, un ajuste para hacer, una función para agregar.
Deberá aprender a amar esta realidad si necesita IA para su negocio. Esta regla no se trata solo de negocios, por supuesto. Muchas situaciones de la vida funcionan mejor con un pragmatismo tosco y sucio que con procesos perfectamente orquestados que fallan tan pronto como el autobús se retrasa un minuto, metafóricamente hablando.
Esa no es una excusa para ser perezoso o para hacer solo lo mínimo necesario para mantenerse al día con la competencia. Haz siempre lo mejor que puedas. Solo recuerda que lo mejor a menudo está lejos de ser perfecto.
Este artículo apareció originalmente en incorporado.