Uso de la IA para hacer más efectivos a los trabajadores del conocimiento

Las nuevas capacidades de IA que pueden reconocer el contexto, los conceptos y el significado están abriendo nuevas vías sorprendentes para la colaboración entre los trabajadores del conocimiento y las máquinas. Los expertos ahora pueden proporcionar más de sus propios insumos para la capacitación, el control de calidad y el ajuste de los resultados de IA. Las máquinas pueden aumentar la experiencia de sus colaboradores humanos y, a veces, ayudar a crear nuevos expertos. Estos sistemas, al imitar más estrechamente la inteligencia humana, están demostrando ser más robustos que los grandes sistemas impulsados por datos que vinieron antes de ellos. Y podrían afectar profundamente a la 48% de la fuerza laboral estadounidense que son trabajadores del conocimiento y los más de 230 millones de roles de trabajadores del conocimiento en todo el mundo. Pero para aprovechar al máximo las posibilidades de este IA más inteligente, las empresas tendrán que rediseñar los procesos de conocimiento-trabajo y los puestos de trabajo.

Los trabajadores del conocimiento, personas que razonan, crean, deciden y aplican conocimientos en procesos cognitivos no rutinarios, están de acuerdo en gran medida. De más de 150 expertos de este tipo procedentes de una encuesta global más amplia sobre IA en la empresa, casi el 60% dice que sus antiguas descripciones de puestos se están volviendo obsoletas a la luz de sus nuevas colaboraciones con AI. Alrededor del 70% dicen que necesitarán capacitación y reconversión (y aprendizaje en el trabajo) debido a los nuevos requisitos para trabajar con IA. Y el 85% está de acuerdo en que los ejecutivos de C-Suite deben involucrarse en el esfuerzo general de rediseñar roles y procesos de trabajo de conocimiento. A medida que esos ejecutivos se embarcan en el trabajo de reimaginar cómo aprovechar mejor el trabajo de conocimiento a través de la IA, estos son algunos de los principios que pueden aplicar:

Deje que los expertos humanos le digan a AI lo que les importa. Considere el diagnóstico médico, donde es probable que la IA se convierta en omnipresente. A menudo, cuando la IA ofrece un diagnóstico, el razonamiento del algoritmo no es obvio para el médico, quien finalmente debe ofrecer una explicación a un paciente: el problema de la caja negra. Pero ahora, Google Brain ha desarrollado un sistema que abre la caja negra y proporciona un traductor para humanos. Por ejemplo, un médico que esté considerando un diagnóstico de cáncer de IA podría querer saber hasta qué punto el modelo considera varios factores que considera importantes: la edad del paciente, si el paciente ha recibido quimioterapia previamente,.

La herramienta Google también permite que los expertos médicos introduzcan conceptos en el sistema que consideren importantes y pongan a prueba sus propias hipótesis. Así, por ejemplo, el experto podría querer ver si la consideración de un factor que el sistema no había considerado anteriormente, como la condición de ciertas células, cambió el diagnóstico. «Muchas veces en aplicaciones de alto riesgo, los expertos de dominio ya tienen una lista de conceptos que les importan. Vemos esta repetición una y otra vez en nuestras aplicaciones médicas en Google Brain. No quieren que se les dé un conjunto de conceptos, sino que quieren decirle al modelo los conceptos que les interesan».

Hacer que los modelos sean susceptibles de sentido común. A medida que han aumentado las preocupaciones de seguridad cibernética, las organizaciones han aumentado el uso de instrumentos para recopilar datos en diversos puntos de su red para analizar amenazas. Sin embargo, muchas de estas técnicas basadas en datos no integran datos de múltiples fuentes. Tampoco incorporan el conocimiento de sentido común de los expertos en seguridad cibernética, que conocen la variedad y los diversos motivos de los atacantes, comprenden las amenazas internas y externas típicas y el grado de riesgo para la empresa.

Investigadores del Instituto Alan Turing, el instituto nacional británico de ciencia de datos e inteligencia artificial, están tratando de cambiar eso. Su enfoque utiliza un Modelo bayesiano: método de análisis probabilístico que captura la compleja interdependencia entre los factores de riesgo y combina los datos con el juicio. En ciberseguridad para redes empresariales, esos factores complejos incluyen el gran número y tipos de dispositivos en la red y el conocimiento de los expertos en seguridad de la organización sobre atacantes, riesgos y mucho más. Si bien muchos sistemas de ciberseguridad basados en IA incorporan la toma de decisiones humanas en el último momento, los investigadores del Instituto están buscando formas de representar e incorporar conocimientos especializados en todo el sistema. Por ejemplo, la comprensión de expertos de los analistas de seguridad sobre las motivaciones y comportamientos detrás de un ataque de robo de IP, y cómo pueden diferir de, por ejemplo, un ataque de denegación de servicio, se programan explícitamente en el sistema desde el principio. En el futuro, ese conocimiento humano en combinación con fuentes de datos de máquinas y redes se utilizará para entrenar defensas de seguridad cibernética más eficaces.

Use IA para ayudar a convertir a los novatos en expertos reconocidos. La IA puede convertir rápidamente a los principiantes en profesionales. Hewlett Packard lo demostró cuando utilizaron la plataforma de computación cognitiva de su laboratorio de IA para analizar dos años de datos de llamadas para el centro de llamadas de un cliente. El centro de llamadas utilizaba un sistema basado en cola para enrutar las llamadas de los clientes, lo que daba lugar a largos tiempos de espera y a una asistencia al cliente de mala calidad. La plataforma de computación cognitiva fue capaz de determinar las «microhabilidades» únicas de cada agente, el conocimiento del agente de un tipo específico de solicitud del cliente, capturado de llamadas anteriores. Estas microhabilidades se utilizan ahora para hacer coincidir las llamadas entrantes con los agentes que han procesado correctamente solicitudes similares. El centro de atención al cliente ha experimentado una mejora del 40 por ciento en la resolución del primer contacto y una reducción del 50 por ciento en la tasa de llamadas transferidas.

A medida que los agentes de servicio al cliente adquieren nuevas habilidades, el software de IA actualiza automáticamente su experiencia, eliminando la necesidad de actualizar manualmente su perfil de habilidades en sus registros de recursos humanos. Además, a medida que un agente se vuelve más conocedor, el software aprende a enrutar problemas más complejos a ella. Mientras tanto, el software refuerza continuamente su experiencia y la deducción de «microhabilidades» por parte de la IA aumenta la eficiencia con la que el experto «entrena» el software. Vale la pena señalar que hay otras empresas trabajando en este reto de reciclaje; por ejemplo, ASAPP, una startup bien financiada, está proporcionando sugerencias en tiempo real para los representantes de servicio al cliente.

Utilice técnicas de IA eficientes en datos para mapear los procesos de trabajo de expertos humanos. Debido a que muchos tipos de expertos son relativamente escasos, no generan grandes cantidades de datos. Pero el aprendizaje profundo y el aprendizaje automático, en los que se han basado muchos avances de IA, necesitan montañas de datos para entrenar y construir sistemas desde abajo hacia arriba. En el futuro veremos más sistemas de arriba abajo que requieren mucho menos datos para su construcción y capacitación, permitiéndoles capturar y encarnar el conocimiento especializado de los trabajadores.

Considere una competencia organizado por el Laboratorio de Procesamiento de Imágenes Médicas del Hospital Universitario de Brest y la Facultad de Medicina y Telecom Bretagne de Bretaña (Francia). Los competidores se enfrentaban a ver qué sistema de imágenes médicas podía reconocer con mayor precisión qué herramientas estaba usando un cirujano en cada instante en una cirugía de cataratas mínimamente invasiva. El ganador fue un sistema de visión artificial entrenado en seis semanas en solo 50 videos de cirugía de cataratas: 48 operaciones realizadas por un cirujano reconocido, una por un cirujano con un año de experiencia y otra por un interno. Los sistemas precisos de reconocimiento de herramientas permiten al personal médico analizar rigurosamente los procedimientos quirúrgicos y buscar formas de mejorarlos. Estos sistemas tienen aplicaciones potenciales en la generación de informes, entrenamiento quirúrgico e incluso soporte para la toma de decisiones en tiempo real para cirujanos en el quirófano del futuro.

Como sugieren estos ejemplos, ingenieros y pioneros en todas las disciplinas están diseñando IA para que sea más fácil de entrenar y evaluar por expertos y pueda incorporar sus conocimientos extremadamente valiosos y a menudo escasos. Para comenzar a aprovechar estas nuevas posibilidades, las organizaciones tendrán que asignar su gasto en IA en consecuencia. Y para obtener el mayor valor tanto de sus sistemas como de sus trabajadores del conocimiento, tendrán que reimaginar la forma en que interactúan los especialistas y las máquinas. Así como los sistemas de aprendizaje automático actuales aumentan las capacidades de los trabajadores ordinarios, los sistemas del mañana elevarán el rendimiento de los trabajadores del conocimiento a niveles previamente inalcanzables de excelencia uniforme.

— Paul R. Daugherty H. James Wilson Via HBR.org