A petición de VVP, presentado en la última edición de VVP, la plataforma líder para asesores financieros en los Países Bajos, nuestro CTO y estratega de IA, Dennie van den Biggelaar, explica cómo aplicar la IA y el aprendizaje automático específicos al «asesoramiento en la práctica». En varias ediciones, se destacarán los siguientes temas:

Comenzando con IA y ML específicos Operativización en procesos comerciales Integración en paisajes informáticos existentes Medición = aprendizaje: KPIs para ML Ética, regulaciones y sociedad IA y ML: un vistazo al futuro cercano

En esta tercera edición, respondemos a la pregunta: ¿cómo se integra un algoritmo entrenado con su paisaje informático y herramientas existentes?

Integración de Software de IA

El sector de seguros está al borde de una revolución tecnológica. Con la integración de motores de decisión de IA, los aseguradores pueden mejorar significativamente el servicio al cliente y obtener mejores resultados comerciales. Los algoritmos de IA pueden predecir la pérdida de clientes, calcular el valor de por vida del cliente (CLV) y hacer recomendaciones para la venta cruzada y adicional, lo que permite a los asesores tomar decisiones mejor informadas. Pero ¿cómo se integran estos algoritmos en su paisaje informático existente? ¿Cómo garantiza que sus empleados tengan estas predicciones y sugerencias en el momento adecuado para trabajar de manera más fácil y efectiva? Este artículo analiza varios consejos técnicos concretos para integrar con éxito motores de decisión de IA en sistemas de seguros.

Definir una Integración Exitosa

Creo firmemente que los problemas informáticos siempre deben servir a un objetivo comercial. Una integración exitosa siempre comienza con la pregunta: ‘¿Cuándo es exitosa esta integración?’ Crear una historia de usuario puede ayudar, por ejemplo:

“Como [marketer digital en la agencia de suscripción X], quiero [saber semanalmente qué clientes necesitan un producto adicional Y], para que pueda [configurar una campaña de marketing automática dirigida para este grupo] con el objetivo de [generar (nuevas) oportunidades semanales para mis asesores de campo].”

Este es un buen punto de partida para presentar a los expertos técnicos lo que se espera de ellos. Por lo general, siguen más preguntas:

¿Qué información específica quiere ver el usuario? ¿Con qué frecuencia debe actualizarse? ¿Cómo mediremos el éxito de estas campañas automáticas?

Al plantear y responder estas preguntas, el equipo identifica naturalmente el marco de una integración exitosa. ¡Este no es un trabajo para una sola persona: es importante que tanto los negocios/usuarios como los expertos técnicos estén representados en este ejercicio!

Analizar el Paisaje Informático Existente

Una integración exitosa comienza con un análisis exhaustivo de la infraestructura informática existente. Muchos intentos de integración fracasan debido a una falta de comprensión de los sistemas actuales, lo que lleva a problemas de compatibilidad. ¿Con qué sistemas informáticos, bases de datos e interfaces existentes debe ‘colaborar’ el algoritmo de IA? ¿Qué cantidades de datos deben transferirse? ¿Cuándo y con qué rapidez?

(La integración exitosa significa crear sinergia entre sistemas de backend y de frontend.)

En la práctica, esto significa trabajar y alinearse con varios socios informáticos de sistemas de backend y de frontend. Comience este inventario temprano e incluya a todos los interesados (externos) en sus planes. Si no tiene tiempo o recursos para hacer esto usted mismo, designe a uno de sus socios informáticos para que gestione este proyecto por usted. Después de todo, ¡es su experiencia!

Claro, Escalable y Ágil

Desafortunadamente, a menudo he visto organizaciones con planes innovadores cuyo paisaje informático era demasiado rígido. Por lo tanto, diseñe una arquitectura modular y escalable para permitir futuras expansiones y cambios, asegurando que su organización permanezca ágil. En la actualidad, es mejor práctica utilizar arquitecturas de microservicios, donde cada funcionalidad se ejecuta como un servicio separado. Esto facilita la adición, reemplazo o actualización de nuevos elementos sin reformar toda la infraestructura.

Consistencia y Calidad

La calidad de los datos es crucial para el éxito de la IA. Muchos sistemas de IA funcionan mal debido a datos inconsistentes, incompletos o desactualizados. Por lo tanto, implemente un pipeline de limpieza y preprocesamiento de datos para garantizar que todos los datos enviados al motor de decisión de IA estén limpios y actualizados. Las herramientas automatizadas para la integración y validación de datos pueden ayudar a garantizar la fiabilidad de los resultados de la IA. Utilice procesos ETL (Extract, Transform, Load) para extraer datos de diversas fuentes, transformarlos en un formato uniforme y cargarlos en un repositorio de datos central. Esto garantiza un flujo de datos simplificado, esencial para entrenar y utilizar con éxito modelos de IA.

Pruebas, Validación y Monitoreo

Las pruebas y la validación exhaustivas son esenciales para garantizar que los modelos de IA funcionen correctamente dentro de los sistemas existentes. Pruebas insuficientes pueden provocar errores y problemas inesperados después de la implementación. Por lo tanto, realice pruebas extensas en un entorno simulado que imite el entorno de producción. Valide la salida de los modelos de IA con datos históricos y análisis de escenarios. Involucre a los usuarios finales en la fase de pruebas para garantizar que los modelos cumplan con los requisitos comerciales y las necesidades del usuario.

Usar APIs

Las APIs (Interfaces de Programación de Aplicaciones) son esenciales para conectar los motores de decisión de IA con los sistemas existentes. Sin interfaces estandarizadas, la comunicación entre sistemas puede ser ineficiente y problemática. Al desarrollar e implementar APIs que puedan recibir y enviar datos, la integración se vuelve flexible y escalable. Esto garantiza que el motor de decisión de IA pueda comunicarse robustamente tanto con sistemas de back-office como de front-office.

Seguridad y Privacidad

La seguridad de los datos es crucial, especialmente dada la naturaleza sensible de los datos de seguros. La seguridad insuficiente puede provocar violaciones de datos, lo que resulta en la pérdida de confianza del cliente y violaciones de privacidad. Por lo tanto, utilice solo los datos que sean realmente necesarios y anonimice tanto como sea posible. Si realmente necesita ciertos datos sensibles, aplique cifrado. Asegúrese de que todas las transferencias de datos entre sistemas y el motor de decisión de IA se realicen a través de una conexión cifrada. Utilice controles de acceso y registro de auditoría para garantizar la seguridad de los datos y el cumplimiento de las regulaciones.

Conclusión

Una integración exhaustiva es un requisito previo para que la IA aterrice con éxito en su organización. Debe considerar no solo un caso de negocio escalable y al usuario, sino también pensar en agilidad, seguridad, privacidad y calidad. Por lo tanto, necesita un equipo con diferentes competencias y debe coordinar y colaborar con socios informáticos.

Primero, asegúrese de que usted o alguien en su organización tenga una comprensión clara del marco de negocios de una integración exitosa. Haga esto explícito para que pueda transmitirlo. Luego, designe a alguien responsable de la realización y la gestión de proyectos asociada. Si no desea o no puede liberar recursos para esto, fácilmente puede involucrar a uno de sus socios informáticos de confianza para esto. ¡Entonces puede enfocarse en su propio negocio principal!

«Es fácil crear un algoritmo de autoaprendizaje. Lo difícil es crear una organización de autoaprendizaje.» – Satya Nadella, CEO de Microsoft

En resumen: concebir, construir y validar un algoritmo robusto es solo la fase uno de la implementación exitosa de IA en la práctica. En la próxima edición, profundizaremos en cómo integrarlo con sistemas informáticos y flujos de trabajo existentes.