Cómo pasar de la experimentación al éxito de la IA: 8 claves

Una de las áreas de mayor crecimiento en el terreno de la digitalización es la Inteligencia Artificial (IA). Según Gartner, en el año 2025, el uso de la IA estará muy extendido y liderará la inversión tecnológica de las compañías en todo el mundo. Esta tecnología se ha convertido en una fantástica herramienta, que cuenta con una ejemplar técnica algorítmica, pero que, en muchas ocasiones, no se sabe cómo utilizar para que genere valor de negocio.

Quizás por eso, los proyectos de Inteligencia Artificial todavía no están llegando a fases de puesta en producción tanto como debieran. Como señala el psicólogo y profesor de la Universidad de Harvard, Howard Gardner, el 85% de ellos fracasa, dejando frustrados a los equipos. En este contexto, Keepler Data Tech, compañía tecnológica especializada en analítica avanzada de datos, apunta 8 pasos que debe emprender cualquier empresa para escalar el uso de la IA a toda su organización:

• Infraestructura de datos. Toda empresa debería considerar la nube pública como entorno sobre el que construir sus infraestructuras. Las principales nubes públicas invierten más de 90 billones de dólares en investigación y desarrollo, lo que es garantía de tener una infraestructura con capacidades para asumir situaciones y necesidades futuras.

• Recursos dedicados. Es necesario dedicar gente especializada a este tipo de plataformas de datos, ya sea contratando o reubicando a esos empleados clave que, por su conocimiento técnico y de la organización, tengan capacidad para liderar las iniciativas.

• Silos organizativos. Generar una cultura en torno al dato que evite los silos organizativos, ya que esto impide la reutilización de inversiones en proyectos entre unas y otras unidades de negocio.

• Silos de datos. Evitar los silos de datos para que no se produzca una desconexión operacional, ya que el dato con el tiempo pierde valor. Consideramos que el enfoque más apropiado es el de tenerlos lo más cerca posible a donde se producen y hacer un modelo más federado al acceso a los datos (data mesh), lo que permite el uso de los datos en el contexto donde se generan y también poder ser reutilizados en otros ámbitos para casos de uso específicos. En Keepler vemos data mesh como una evolución natural para organizaciones que están escalando en casos de uso de la inteligencia artificial.

• Propuesta de valor. Es muy complicado analizar lo que va a aportar un caso de uso a una empresa, pero hay que plantearse que el trabajo con datos es algo iterativo y experimental. Las empresas que triunfan son las que fallan rápido y pasan enseguida a otro objetivo. En este punto, siempre recomendamos realizar enfoques interactivos incrementales, en los que se explore el dato, se identifique un pool de datos limitados, se realice una prueba de concepto, se extraiga conocimiento y, sobre todo, se tomen decisiones basadas en los resultados de este proyecto.

Te puede interesar

Ericsson presenta software 5G Advanced para redes programables de alto rendimiento

• Modelo de gobierno de IA. El modelo de datos en la compañía va a depender del modelo organizativo del que dispongan. Hay empresas muy reguladas, en las que la toma de decisiones está muy centralizada y otras que pueden delegar esa toma de decisiones a otras áreas de negocio, lo que las lleva a ser muy independientes. Es el gran dilema entre velocidad y control sobre los datos. A pesar de este debate, hay una serie de mínimos a nivel de seguridad en el diseño, privacidad en el diseño, control de servicios. Todo eso debe estar automatizado y centralizado, pero capaz de proveer a las diferentes áreas.

• El acceso a talento que permita utilizar los datos de manera adecuada es actualmente muy complejo y escaso. El 46% de las empresas españolas experimenta dificultades para encontrar los perfiles digitales que necesita y busca. Para contrarrestar esto, las empresas están empezando a realizar planes analíticos, de carreras relacionadas con las nuevas tecnologías, pero aún es un tema que tiene que definirse claramente en muchas compañías.

• Implantación efectiva. Es necesario alinear los esfuerzos en IA y con automatización de procesos que realmente ayuden, desde el punto de vista del negocio. Pequeños proyectos experimentales que se han comprobado que funcionan, se quedan en el cajón, y no sirven para nada si no se logra una implementación o puesta en producción adecuada, que es el valor añadido de este tipo de proyectos. La nube pública multiplica las capacidades de la inteligencia artificial, pero hay una serie de componentes básicos que son necesarios conocer y saber utilizar para evitar que se generen esos silos o que esos experimentos con IA se queden en el cajón. Puede hacer muchas cosas, pero hay unos componentes alrededor de la tecnología que son básicos y que se deben tener en cuenta, para hacer un uso escalado y real en IA.