olly - stock.adobe.com

Inteligencia artificial y automatización: Desafíos y consejos de implementación

Para sacar el máximo provecho de la inteligencia aplicada (mezcla de IA, ML y RPA), las empresas necesitan implementarla en todo el negocio y no en silos, afirman ejecutivos chilenos.

Las soluciones de inteligencia artificial, aprendizaje automático y automatización robótica de procesos se han ido instalando con fuerza en los procesos productivos de numerosas empresas. Los aportes que entregan incluyen ahorro de costos, mayor eficiencia en diversas tareas y aprovechar los beneficios de la transformación digital.  

No obstante, aún quedan distintos desafíos que deben superar. De acuerdo con el estudio Technology Vision de Accenture, mientras que el 71 % de los ejecutivos chilenos dijo que espera adoptar la inteligencia artificial en algún nivel de negocio en los próximos meses, solo el 11 % espera haberla desarrollado en diferentes áreas de negocio.

Francisco Rojas, Accenture.

A juicio de los expertos, para que la inteligencia aplicada (la mezcla de estas tres tecnologías) crezca en un mayor porcentaje, es necesario implementarla a escala, es decir, a través de todo el negocio y no en silos o para proyectos específicos. «En este sentido, hay un importante desafío, ya que para estar al nivel de las economías desarrolladas, las empresas chilenas no pueden seguir impulsando las nuevas tecnologías en silos o unidades específicas de las organizaciones. Es necesario entender que la digitalización debe ser la base de los negocios. De otra manera, las compañías no lograrán mantenerse competitivas en la cuarta revolución industrial, donde la transformación digital es una necesidad», sostiene Francisco Rojas, líder de Inteligencia aplicada de Accenture Chile.       

Pablo Zegers, Anastasia.

«La inteligencia artificial no es una bala mágica de plata que soluciona todos los problemas; no hace magia, sino que es una herramienta que debe ser integrada a los trabajos y a los equipos humanos para que, en conjunto, puedan aumentar la eficacia profesional, aumentar ventas, ya sea a quien le corresponda el negocio. Entonces, entender cómo mejorar los procesos internos de la empresa es uno de los principales desafíos», complementa Pablo Zegers, CAIO, director de IA (Chief Artificial Intelligence Officer) de Anastasia.

La consultora de mercado IDC, tomando en cuenta que esperan que estas tres tecnologías experimenten crecimientos a tasas de más del 20 % durante los próximos cinco años, considera que existen al menos dos importantes desafíos que deberán enfrentar las empresas al implementar este tipo de soluciones. «El primero de ellos es el relacionado a las personas o al ‹talento humano›. Esta será una arista en la cual las organizaciones tendrán que invertir para lograr incorporar a sus respectivos equipos a profesionales preparados y capacitados adecuadamente, aunque la disponibilidad de éstos sea escasa. De hecho, de acuerdo con el estudio ‹IDC Future of Work 2020›, se estima que, para 2024, a nivel mundial, se necesitará incorporar a 10,5 millones de personas adicionales, por lo cual será muy necesario acortar esa brecha para continuar con el proceso de transformación digital de las organizaciones», afirma José Ignacio Díaz, analista senior de Telecomunicaciones de IDC Chile.

José Ignacio Díaz, IDC.

El segundo desafío, explica Díaz, es «alinear los objetivos estratégicos de la organización y plantear las preguntas correctas que queremos que nos respondan los datos. Junto con ello, entregar estos insumos y tomarnos el tiempo para que las máquinas aprendan y sean capaces de brindarnos los resultados de valor que se requieren para la correcta toma de decisiones».

Consejos para implementar soluciones de IA, ML y RPA

Los expertos señalan que hay varias recomendaciones que se pueden dar, pero todo empieza por desarrollar los mecanismos para cuantificar las potenciales ventajas que da utilizar IA en la empresa. Sin estas métricas, va a ser imposible identificar si se está agregando valor o no.

Entonces, hay que hacer un ejercicio previo a introducir este tipo de herramientas, que son muy complejas y a veces muy difíciles de evaluar, para ver si están realmente aportándole al negocio. En ese sentido, no hay que engañarse con métricas que no están directamente relacionadas con la compañía, ya que a veces se invierte tiempo midiendo elementos que en el fondo no tienen ninguna relación directa con el negocio, y por lo tanto no se sabe si están haciendo algo que aporte valor a las operaciones. 

«Se puede ocupar las mejores técnicas o los mejores algoritmos, pero hay un elemento que es crítico: el ciclo de desarrollo tiene que ser muy rápido. Si, por ejemplo, tengo un algoritmo que se demora cuatro horas, y en correr invierto todos los días cuatro horas en cada ciclo en ver si corro bien o mal. Ahora, si yo lo logro con buenas prácticas de programación, y utilizando software de último nivel, achicar esas cuatro horas a cinco minutos, que se puede en muchísimos casos, logro acelerar el ciclo de desarrollo y asegurar resultados más rápidos y, por lo tanto, adecuarme a las necesidades del negocio con mayor facilidad», explica Zegers, de Anastasia.

Cristián López, Unitti.

Otro consejo se relaciona con el manejo de los datos dentro de la empresa. «En las compañías, existe una serie de datos muchas veces no normalizados, incompletos o poco precisos. Esto afecta directamente en la implementación de IA. Todo proyecto de IA parte por un proceso de análisis y normalización de la información, en el que se busca siempre completar la información faltante, para mejorar la precisión y asertividad de los modelos», destaca Cristián López, CEO de Unitti.

En esta misma línea, Rojas, de Accenture Chile, destaca que la capacidad que tenga una empresa para implementar la inteligencia aplicada es una cuestión de datos. «La organización deberá llevar sus datos al lugar correcto en el momento adecuado, al mismo tiempo que se asegura de que estén disponibles en los formatos correctos, con las conexiones adecuadas. Esto requiere de mucha preparación. Si las empresas tratan de tomar un enfoque de abajo hacia arriba, pueden quedarse atascadas en un océano interminable de datos. Pero si enfocan sus esfuerzos en la aplicación que necesitan en ese momento, serán capaces de manejar los desafíos que el proceso de implementación genera. Para una implementación exitosa de la inteligencia aplicada se requiere de una transformación de la infraestructura de TI y de los procesos de negocio», dice.

Otro ingrediente vital en la inteligencia aplicada es la cultura y el talento para la adopción. Para que funcione se necesitan especialistas calificados, ingenieros y científicos de datos, traductores de inteligencia aplicada y expertos en visualización inspirada. «Cuando se trata de estos profesionales, la competencia en el mercado es alta; pero no solo se trata de atraer el talento necesario, sino también de retenerlo. Y, para ello, las empresas deberán proporcionarles una experiencia que ellos valoren. Eso significa impulsar un entorno que fomente la innovación y el aprendizaje continuo, así como proyectos que enfaticen el valor social. El talento de hoy en día quiere hacer el bien, desarrollar y ampliar sus habilidades, y anhelan un lugar de trabajo que lo entienda y le dé flexibilidad”, advierte Rojas.

Martín Acuña, Polux.

«Aconsejamos a las empresas que, cuando implementen este tipo de soluciones, siempre estén alineadas a una estrategia de negocio clara y a la vez acompañada de personas expertas que velarán por su correcto funcionamiento y gestión», agrega Martín Acuña, CTO de Polux.

Díaz, de IDC Chile, enfatiza que se debe poner foco en la estrategia de nube, ya que será la que determinará el ritmo y la dirección de cómo reasignarán las empresas esta infraestructura, con el objetivo de transformar estas organizaciones en unas más adaptables, escalables y resilientes. Sobre todo, considerando que el futuro es híbrido y las empresas deberán analizar y decidir dónde alojaran y procesarán sus cargas de datos. Por otro lado, también es aconsejable diseñar una adecuada estrategia de ciberseguridad que acompañe este desarrollo tecnológico, y que no solo considere tecnología, sino también procesos de entrenamiento y capacitación al personal.

«Además, el consejo es habilitar estas nuevas tecnologías bajo esquemas de metodologías ágiles, las cuales permiten evaluar y corregir rápidamente los resultados que se van obteniendo. Lo importante es iniciar ya la digitalización de ciertas cargas de trabajo, tanto en esquemas de nube privada como pública, y no quedarse atrás en este proceso porque, además de contribuir a eliminar la burocracia administrativa por la revisión de procesos, nos permitirá aumentar la satisfacción de los clientes», concluye.

Caso de éxito de Accenture

Accenture diseñó una solución basada en IA que permite una recopilación de datos más rápida y mejor, y un modelado más preciso, para optimizar el gasto en medios de los retailers, la cual se está aplicando en empresas de todo el mundo, entre ellas de América Latina. La primera tarea consistió en acelerar el proceso de flujo de datos existente, para luego agregar y procesar todos los datos de los canales de medios, las ventas y el gasto que alimentaban el modelo de medición. «Al personalizar AIP+, los servicios y capacidades de IA preintegrados de Accenture para realizar la agregación de datos, ayudamos a reducir el proceso existente en un 80 % utilizando la automatización para acelerar el procesamiento y la validación», dice Francisco Rojas, líder de Inteligencia aplicada de Accenture Chile.      

Una vez resuelto el problema del flujo de datos, el equipo se dedicó a modificar el modelo subyacente que producía las mediciones. Anteriormente, estos modelos se basaban en hipótesis; es decir, el personal tenía que formular minuciosamente todas las posibles interdependencias entre los distintos canales. El nuevo aprendizaje automático se introdujo en el proceso, ayudando a identificar proactivamente aquellas interdependencias entre canales que potencialmente impulsan las ventas. De esta forma, el equipo pudo actualizar los modelos cada mes, iterando a partir del modelo del mes anterior en lugar de empezar desde cero.

La solución redujo el desfase entre el periodo de medición y la información sobre el rendimiento de cinco meses a cinco semanas, lo que abrió un margen de planificación de 10 meses y medio para el mismo periodo del año siguiente. Además, al pasar de una medición anual (en la que el rendimiento se expresaba como una media) a mediciones mensuales, la información es más matizada, y el equipo podía ver cómo un canal u otro podía variar su rendimiento a lo largo del año.

Solo en una empresa, refiere Rojas, esta solución permitió desbloquear 300 millones de dólares en oportunidades de compra de medios y creación de valor. Esto significa que el equipo pudo gastar la misma cantidad en medios y generar 300 millones de dólares más en ventas.

Investigue más sobre Estrategias de TI

ComputerWeekly.com.br
Close