La inteligencia artificial y el aprendizaje automático pueden dar lugar a soluciones nuevas para las empresas. Esto es lo que los líderes de TI deben saber para lanzar y mantener una estrategia exitosa de aprendizaje de la máquina.
Machine learning (ML) se está convirtiendo rápidamente en una prueba decisiva para los CIO avanzados y las empresas que no adopten el aprendizaje automático para el desarrollo de productos o las operaciones de negocios, corren el riesgo de quedar por detrás de competidores más ágiles en la próxima década.
Eso es según Dan Olley, quien, como CTO de Elsevier, la unidad de información científica y de salud de RELX Group, ha aumentado la adopción de su organización de las tecnologías de ML en los últimos años, pues cree fundamentalmente que se está en un punto de inflexión con el aprendizaje automático y que va a cambiar la forma en que se interactúa con el mundo digital durante la próxima década.
Es una suposición razonable. El crecimiento en el poder de cálculo, la creciente sofisticación de algoritmos y modelos de entrenamiento y una fuente aparentemente ilimitada de datos han facilitado importantes innovaciones en la inteligencia artificial.
La IA, que incluye cualquier tecnología en la que una máquina pueda imitar el comportamiento de la mente humana, incluye subcampos tales como ML, en los que los algoritmos basados en estadísticas automatizan la ingeniería del conocimiento. Google, Amazon, Baidu y otros están dedicando más dinero en AI y ML. Por otra parte, la actividad empresarial desencadenada por estos acontecimientos atrajo tres veces más inversión en 2016 -entre 26.000 y 39.000 millones de dólares, según el McKinsey Global Institute.
El tiempo para adoptar AI y ML es ahora
La adopción de AI fuera del sector de la tecnología se encuentra en su mayor parte en una fase temprana, experimental, con pocas empresas que la despliegan a escala, informa McKinsey. Las empresas que aún no han adoptado la tecnología de la IA a escala o como parte central de su negocio no están seguras de los beneficios que pueden esperar de tales inversiones, de acuerdo con McKinsey. Pero Olley, cuyos esfuerzos de ML en Elsevier han ayudado a clientes farmacéuticos a descubrir fármacos y entregar información médica relevante, afirma que los casos de uso de ML abundan en gestión del talento, ventas y marketing, atención al cliente y otras áreas.
Dan Olley y Gartner ofrecen los siguientes consejos:
1. Entender dónde encaja la ciencia de datos
No es necesario centralizar su ciencia de datos y las operaciones ML. De hecho, puede tener sentido integrar la ciencia de los datos y el aprendizaje automático en cada departamento, incluyendo ventas, marketing, recursos humanos y finanzas.
2. Comenzar
Gartner dice que debe fomentar pequeños experimentos en diferentes áreas de negocio con tecnologías de IA particulares para propósitos de aprendizaje, no ROI.
3. Trate sus datos como si fuera dinero
Los CIO deben tratar sus datos como si fueran dinero administrándolos, protegiéndolos y obsesionándolos.
4. Deja de buscar personas perfectas para el puesto
Los científicos de datos tienden a ser las personas que tienen una alta aptitud en matemáticas y estadísticas y son expertos en encontrar ideas en los datos, no necesariamente ingenieros de software que pueden escribir algoritmos y productos de artesanía.
5. Construir un currículo de formación en ciencias de los datos
No todo el mundo que practica la ciencia de los datos va a ser un científico de datos o requiere un cinturón negro en la materia. Gartner le aconseja identificar el conocimiento de AI y las brechas de talento y desarrollar un plan de formación y contratación para construir sus capacidades.
6. Endose la ciencia de los datos y las plataformas ML
Las empresas que se ponen al día con AI y ML o que son inseguros acerca de cómo abordar un problema de ciencia de datos puede volcar sus datos en las plataformas de ciencias de datos.
7. Cuidado con los “datos derivados”
Si va a compartir sus algoritmos con un socio entiende que están viendo sus datos tenga en cuenta que sus datos son la nueva moneda.
8. No siempre hay que tratar de resolver el problema completo
Resuelva cada trozo del problema. Obtenga más datos. Construya con el tiempo.
9. No piense demasiado en sus modelos de datos
Es más importante obtener los conjuntos de entrenamiento adecuados que perfeccionar los modelos de datos.