A solicitud de VVP, destacado 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 IA y aprendizaje automático específicos al ‘asesoramiento en la práctica’. En varias ediciones, se destacarán los siguientes temas:

• Comenzando con IA y AA específicos
• Operacionalizando en procesos empresariales
• Integrando en paisajes IT existentes
• Medir es aprender: KPIs para AA
• Ética, regulaciones y sociedad
• IA y AA: una visión del futuro cercano

En esta segunda edición, respondemos a la pregunta: ¿cómo se operacionaliza un algoritmo entrenado?

Desafíos en la operacionalización de la IA en procesos empresariales

Imagina que tú y tu equipo de ciencia de datos han diseñado un prometedor algoritmo de IA para predecir cancelaciones, con el objetivo de que los asesores las aborden proactivamente. Este proceso se discutió en la parte 1 de esta serie, ‘IA en la práctica’. El potencial está ahí, pero pronto te das cuenta de que deben superarse varios obstáculos complejos para implementarlo prácticamente. ¿Cuáles son estos obstáculos y cómo puedes superarlos?

Faltan Resultados Medibles

Un objetivo claramente formulado identifica con precisión lo que el algoritmo de IA debe lograr y se alinea con los objetivos empresariales. El alcance, por otro lado, dirige el proyecto definiendo fuentes de datos relevantes, presupuesto, plazos y resultados esperados. ¿Cuáles son los pasos para lograr esto?

Un proyecto de ciencia de datos es generalmente una inversión donde:

• No está claro qué puede entregar.
• No está seguro si tu equipo puede realizarlo.

Por lo tanto, haz que el proyecto sea lo más pequeño y manejable posible sin perder su valor e impacto si tiene éxito. Trata de lograr resultados lo más rápido posible para demostrar que estás en el camino correcto.

Si no logras esos resultados, evalúa y ajusta con el equipo. ¿Si los logras? ¡Primer objetivo alcanzado! Luego, crea una historia convincente y preséntala a tus interesados empresariales, discutiendo cómo escalarlo dentro de tu organización.

Preguntas Sobre la Calidad Consistente de los Datos

Un obstáculo común es la calidad y la provisión consistente de datos actualizados. Las inconsistencias y los valores faltantes pueden poner en peligro la precisión del modelo de IA. ¿La solución? Una exploración exhaustiva de qué datos son siempre Precisos, Disponibles y Consistentes (el ABC de los datos).

Si los datos esenciales no cumplen con estos criterios para lograr tu objetivo, aplica una limpieza de datos extensiva, como manejar valores faltantes, valores atípicos extremos y datos ingresados incorrectamente. Luego, deberás asegurar estructuralmente estos pasos de limpieza en una tubería de transformación de datos y un proceso asociado para que puedas agregar estos datos a tu base para un modelo operativo confiable.

Falta de Confianza en el Modelo de IA

La falta de comprensión y confianza en los modelos de AA forma una barrera para la aceptación entre los usuarios no técnicos. Si no prestas suficiente atención a esto, surgirán desconfianza y resistencia. Una solución es seleccionar modelos transparentes con buena explicabilidad y métodos inteligentes donde la complejidad se traduzca en un concepto comprensible. La visualización y la documentación clara (de procesos) aumentan la confianza, empujando la objeción del «caja negra» al fondo.

Como con cualquier cambio, es importante involucrar cuidadosamente a tus colegas en este proceso. Dales suficiente tiempo para hacer preguntas y acostumbrarse a esta nueva tecnología y sus posibilidades. Ten en cuenta que sus preguntas y comentarios son insumos esenciales para hacer que la aplicación prevista tenga éxito en la práctica.

Preocupaciones Sobre Seguridad, Privacidad y Ética

Es obvio que la seguridad y la privacidad de los datos (de los clientes) son requisitos previos para comenzar. Afortunadamente, se ha implementado mucha legislación nueva en los últimos cinco años, y las organizaciones también la están aplicando de manera práctica y estructural.

La confianza no es solo un tema de legislación y tecnología. También pueden esperarse objeciones éticas desde varios ángulos:

• ¿Estamos seguros de que el algoritmo es justo?
• ¿Y qué significa eso?
• ¿Ciertos grupos están peor con un algoritmo?
• ¿Consideramos eso éticamente responsable?
• ¿Cómo evito que mi algoritmo discrimine?

Afortunadamente, la Asociación de Aseguradores Holandeses ha establecido varias directrices que puedes incorporar en tu algoritmo y enfoque. ¿Quieres asegurarte de no pasar nada por alto? Asigna a una persona responsable de esto.

Falta del Ciclo de Retroalimentación

Escuchar las experiencias de los usuarios y usar esta retroalimentación crea un ciclo iterativo dinámico, permitiendo que el modelo evolucione según los requisitos empresariales. Un mecanismo de retroalimentación estructurado es crucial para la capacidad de autoaprendizaje del modelo de IA. Cómo configurar esto correctamente difiere según la aplicación de IA.

En el caso específico de ‘prevenir cancelaciones’, haz que los asesores, por ejemplo, registren lo que hicieron con la predicción: llamaron al cliente, lo visitaron o no hicieron nada. De esta manera, puedes medir con el tiempo qué efecto tiene en las cancelaciones.

Monitoreo Insuficiente

El lema debería ser: «mantén el algoritmo en la correa». No quieres ‘alucinaciones’ o degradaciones inesperadas del rendimiento, por ejemplo, durante una ruptura de tendencia. Esto significa que debe haber un sistema de monitoreo y advertencia cuidadoso para rastrear el rendimiento del modelo. Una aplicación sostenible requiere documentación detallada de los parámetros y los datos utilizados para que el modelo permanezca transparente y reproducible.

El Modelo No es Escalable

Un algoritmo debe ser ‘por diseño’ parte de un sistema con escalabilidad en mente. Las soluciones en la nube seguras y la infraestructura escalable como la tecnología MLOps (la variante ML de DevOps) son generalmente necesarias. Considera las proyecciones de crecimiento y asegura un sistema suficientemente flexible que se adapte a los requisitos empresariales en evolución. Hacer las elecciones correctas para la integración con el paisaje IT es esencial (por ejemplo, procesamiento en tiempo real o por lotes). Más sobre esto en la próxima edición.

Por Último, Pero No Menos Importante: Involucramiento Insuficiente

Según el profesor de innovación Henk Volberda, el éxito de la innovación depende solo un 25% de la tecnología y un 75% de la adopción humana. La adopción exitosa comienza con el «patrocinio del CEO», ya que el agua fluye de arriba hacia abajo. El liderazgo debe asegurar suficiente capacitación, comunicación y apoyo al implementar un modelo de IA. Invierte suficiente tiempo y energía para hacer de esta nueva tecnología parte de tu organización, desde la estrategia hasta la operación. Porque ahí es donde reside el verdadero retorno de la inversión: la colaboración exitosa entre expertos humanos y tecnología de IA.

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

En resumen: idear, construir y validar un algoritmo robusto es solo la fase uno de implementar con éxito la IA en la práctica. En la próxima edición, profundizaremos en cómo integrarlo con los sistemas y flujos de trabajo existentes de IT.