Cómo hacer que su empresa Machine Learning esté lista
En los últimos años, ha habido un aumento asombroso en el interés por los sistemas inteligentes aplicados a todo, desde la atención al cliente hasta la curación del cáncer. Simplemente rociar el término «IA» en mazos de lanzamiento de lanzamiento parece aumentar la probabilidad de obtener acceso a financiación. T a los medios informan continuamente que AI va a robar nuestros puestos de trabajo, y el gobierno de EE.UU. parece preocupado sobre la perspectiva de robots asesinos súper inteligentes, ya que se trata de abordar la mayor disparidad de riqueza en la historia del país. Comparativamente, ha habido muy poca discusión de lo que la inteligencia artificial es, y donde deberíamos esperar que afecte realmente a los negocios.
Cuando las personas hablan de IA, aprendizaje automático, automatización, big data, computación cognitiva o aprendizaje profundo, hablan de la capacidad de las máquinas para aprender a cumplir objetivos basados en datos y razonamiento. Esto es tremendamente importante, y ya está cambiando los negocios en prácticamente todas las industrias. A pesar de todas las afirmaciones audaces, quedan varios problemas centrales en el corazón de la Inteligencia Artificial donde se ha avanzado poco (incluyendo el aprendizaje por analogía y la comprensión del lenguaje natural). El aprendizaje automático no es mágico, y la verdad es que no tenemos ni los datos ni el entendimiento necesarios para construir máquinas que toman decisiones rutinarias, así como seres humanos.
Eso puede venir como una decepción para algunos, y potencialmente generar disrupción algunas campañas de marketing muy caras. Pero la probabilidad de que surjan agentes computacionales súper inteligentes autodirigidos en un futuro previsible es extremadamente baja, así que manténgalo fuera del plan de negocio anual por ahora. Dicho esto, ya se puede lograr una cantidad enorme con la maquinaria que tenemos hoy. Y ahí es donde los gerentes con visión de futuro deberían centrarse.
En los próximos cinco a 10 años, las mayores ganancias empresariales probablemente se derivarán de la obtención de la información adecuada a las personas adecuadas en el momento adecuado. Basándose en la revolución de la inteligencia empresarial de los últimos años, el aprendizaje automático turborecargará patrones de búsqueda y automatizará la extracción de valor en muchas áreas. Los datos impulsarán cada vez más una economía en tiempo real, donde los recursos se recopilan de manera más eficiente, y la producción de bienes y servicios se convierte en demanda, con tasas de fallas más bajas y una previsibilidad mucho mejor. Esto significará cosas diferentes para diferentes industrias.
En los servicios, no solo mejoraremos a la hora de pronosticar la demanda, sino que aprenderemos a proporcionar el producto adecuado sobre una base hiperindividualizada (el enfoque de Netflix).
En el comercio minorista veremos cadenas de suministro más sofisticadas, una comprensión más profunda de las preferencias del consumidor y la capacidad de personalizar productos y experiencias de compra tanto en línea como fuera de línea. Los minoristas se centrarán en la creación de tendencias y la formación de preferencias/construcción de marcas.
En la fabricación habrá una evolución hacia el monitoreo completo del sistema en tiempo real, un área conocida como «detección de anomalías». Los componentes se conectarán cada vez más, permitiendo flujos de datos en tiempo real que los algoritmos de aprendizaje automático pueden utilizar para revelar problemas antes de que ocurran, optimizar la vida útil de los componentes y reducir la necesidad de intervenciones humanas.
En la agricultura, los datos se utilizarán para decidir qué cultivos cultivar, en qué cantidades, en qué lugares, y harán que el proceso de cultivo sea más eficiente año tras año. Esto creará cadenas de suministro más eficientes, mejores alimentos y un crecimiento más sostenible con menos recursos.
En resumen, la IA puede ser una manera de salir, pero el aprendizaje automático ya ofrece un gran potencial. Entonces, ¿cómo pueden los gerentes incorporarlo en la toma de decisiones diarias y en la planificación a largo plazo? ¿Cómo puede una empresa convertirse en Listo para ML-?
En primer lugar, catalogar sus procesos de negocio. Busque procedimientos y decisiones que se tomen con frecuencia y de forma consistente, como aprobar o denegar una solicitud de préstamo. Asegúrese de recopilar todos los datos posibles sobre cómo se tomó la decisión, junto con los datos utilizados para tomarla. Y asegúrese de recoger la decisión en sí misma. En el ejemplo hipotético de préstamo, desea registrar si el préstamo fue aprobado, los datos utilizados para tomar esa decisión y cualquier otra información sobre las circunstancias detrás de la decisión. (¿Quién lo hizo? ¿A qué hora del día? ¿Qué tan confiados se sintieron en la decisión?) Este es el tipo de datos que se pueden utilizar para impulsar el aprendizaje automático en el futuro.
En segundo lugar, concéntrese en problemas simples. La automatización y el aprendizaje automático funcionarán bien cuando el problema esté bien definido y entendido, y donde los datos disponibles ejemplifiquen la información necesaria para tomar una decisión. Un buen problema para el aprendizaje automático es identificar una transacción fraudulenta. La pregunta «¿Qué hace que los clientes se sientan felices?» es más vago, más desafiante, y no el lugar para empezar.
En tercer lugar, no use aprendizaje automático donde la lógica empresarial estándar sea suficiente. El aprendizaje automático es útil cuando el conjunto de reglas no está claro, o sigue patrones complejos y no lineales. Si desea transparencia y fiabilidad, opte por el enfoque más simple posible que cumpla con sus criterios de rendimiento.
En cuarto lugar, si un proceso es complicado, utilice el aprendizaje automático para crear sistemas de apoyo a la toma de decisiones. Si el objetivo no está claro para definir con respecto a los datos, intente crear resultados intermedios para ayudar a sus equipos a ser más eficaces. Se puede pensar en el aprendizaje automático como parte del camino jerárquico de toma de decisiones, y engendrará una mejor comprensión del problema en el futuro.
El punto es que hay mucho que se puede hacer sin necesidad de cavar muy profundo. La mayoría de su plantilla seguirá teniendo un trabajo, y usted puede ayudarlos a ser más productivos, y trabajar en más interesantes y exigentes (leer: más valioso) digitalizando más partes mecánicas de su negocio. Por ahora, la inteligencia artificial no puede convertir el rendimiento de una empresa de mal en bueno, pero lata hacer algunos aspectos de un bueno negocio gran.
Si te quedas sin fruta, aunque apuesto a que no lo harás, puede ser el momento de considerar la creación de un equipo para atacar problemas más complejos con el aprendizaje automático. Sea paciente, ya que esta inversión no dará sus frutos inmediatamente. Si decide crear un equipo de este tipo, sea abierto, participe con la comunidad investigadora y contribuirá a construir la economía del mañana.
— Escrito por James Hodson
