Vivimos un período paradójico: tras el revuelo de los últimos años, la inteligencia artificial (IA) es por fin una realidad para muchas empresas. Sin embargo, está claro que las promesas de creación de valor a menudo no se cumplen. Sin embargo, la IA se ha presentado a menudo como una tecnología revolucionaria que generaría masivamente nuevos ingresos y aumentaría significativamente la rentabilidad de las empresas. Para explicar esta brecha entre discurso y realidad, es importante comprender esta tecnología y las especificidades de los proyectos vinculados a ella.
Es difícil definir simplemente la inteligencia artificial. Está en la encrucijada de las matemáticas, la informática, las ciencias sociales e incluso la filosofía. Primero dejemos de lado elIA simbólica, también llamado determinista. es el de sistemas expertos lo que permitió el desarrollo de muchos sistemas grandes en los años 70 y 90.
Hoy en día hablamos generalmente de IA “probabilística” que consiste en crear valor a partir de datos mediante enfoque estadístico. Aquí es donde encontramos el concepto estrella de aprendizaje automático : los algoritmos se parametrizan con datos previos durante una fase de aprendizaje para crear un “modelo” que se utilizará para construir una proyección, reconocer una imagen o incluso procesar el lenguaje.
Dentro del aprendizaje automático, existen algunas docenas de algoritmos, cada uno con características específicas, incluidos los famosos algoritmos de aprendizaje profundo o redes neuronales artificiales. Tienen capacidades y actuaciones notables. Los encontramos en el procesamiento de imágenes (hablaremos de visión por ordenador) y del lenguaje (hablaremos de PNL para Procesamiento del Lenguaje Natural).
Una vez establecidas estas definiciones, en términos concretos, ¿cuáles son las principales aplicaciones de la IA en los negocios?
Aplicaciones en marketing
El marketing es una de las primeras áreas donde la IA aportará valor. Esto generalmente implica utilizar un enfoque de aprendizaje automático sobre datos previos para construir un modelo con el fin de poder segmentar a tus clientes, saber qué oferta preferirán, predecir el potencial de compra o incluso personalizar la experiencia del cliente... y retenerla.
La capacidad de los sistemas de IA para encontrar elementos relevantes en una masa de datos también puede permitir implementar enfoques de marketing muy eficaces (marketing hiperpersonalizado), o incluso sistemas de recomendación que permitan ofrecer a los clientes potenciales sólo los productos que puedan interesarles. .
El rendimiento de este enfoque se basa en la capacidad de los algoritmos para procesar una gran masa de datos, pero también datos de diferente naturaleza. Más allá de los datos estructurados de los clientes (datos CRM, datos de navegación en Internet, etc.), las imágenes y los textos (correos electrónicos, redes sociales, etc.) utilizados proporcionarán otra información valiosa sobre los clientes. Por ejemplo, el uso de técnicas de procesamiento del lenguaje (PNL) permitirá realizar un “análisis de sentimiento” basado en intercambios escritos con el cliente para conocer automáticamente su nivel de satisfacción.
Por último, no podemos hablar de relación con el cliente sin mencionar la chatbots. Las más simples son preguntas frecuentes mejoradas y no involucran IA en el sentido de aprendizaje automático. Proporcionan escenarios estáticos a los clientes, lo que ha contribuido en gran medida a crear experiencias de usuario negativas. Sin embargo, si estos escenarios se mejoran con aprendizaje automático y PNL, los chatbots aprenderán con el tiempo y podrán manejar intercambios "imprevistos", lo que mejorará enormemente la experiencia del cliente.
IA en las finanzas corporativas
En esta área, la IA se utiliza para desarrollar muchos tipos de aplicaciones, como predicción de ingresos o gastos. Utilizando datos previos, el algoritmo está entrenado para predecir ingresos futuros en función de diferentes características actuales. Una vez más, es interesante señalar que más allá de los datos financieros de la empresa, podemos utilizar datos externos (contexto económico, clima, etc.) si pueden correlacionarse de una forma u otra con la actividad de la empresa.
La Detección de anomalías es una de las otras capacidades de algunos algoritmos de aprendizaje automático. Muy útil en finanzas, se utiliza para detectar transacciones fraudulentas y, en general, para identificar datos anormales que ayudarán a identificar un riesgo. Una aplicación muy útil para profesiones relacionadas con la calidad, el cumplimiento, etc. El enfoque clásico basado en reglas es ampliamente superado por el enfoque estadístico que permite tener en cuenta una gran cantidad de datos y, en general, gestionar mejor su riesgo.
IA en la industria
Mantenimiento predictivo
Encontramos IA en los sistemas de mantenimiento predictivo que son ampliamente utilizados en la industria. En lugar de realizar un mantenimiento de su sistema, sea el que sea, cada 6 meses según la norma del fabricante, entrenaremos un modelo de aprendizaje automático con datos de funcionamiento pasados, para tener una aplicación capaz de indicar el “momento adecuado” para hacerlo. mantenimiento u otra modificación del sistema, que puede tener impactos financieros significativos.
Visión industrial al servicio de la calidad
Para dar otro ejemplo sobre herramientas industriales, podemos hablar de enfoques para visión por computador para realizar un diagnóstico de calidad. En una línea de producción industrial, entrenaremos un algoritmo sobre imágenes de productos para enseñarle a reconocer cuando hay un defecto, un problema, etc. Luego se colocará una “cámara inteligente” (cámara mejorada mediante un algoritmo de procesamiento de imágenes) en la línea de producción industrial. línea de producción para realizar una inspección visual como lo haría el ojo humano, ¡pero mucho más eficiente!
Procesamiento automatizado de documentos
Por último, las tecnologías de análisis de imágenes y procesamiento del lenguaje se utilizan cada vez más para automatizar procesos de procesamiento de documentos que antes estaban reservados a los humanos. Ya sea para reconocer y procesar facturas automáticamente, procesar correos electrónicos o incluso buscar información en grandes masas de datos textuales, estas aplicaciones, a veces llamadas automatización inteligente, utilizan modelos de inteligencia artificial de tipo red de neuronas artificiales. Estas tecnologías avanzadas reemplazan a los humanos en tareas repetitivas para permitirles concentrarse en tareas con mayor valor agregado.
IA lista para usar
También es interesante observar que cada vez más proveedores de soluciones de IA ofrecen sistemas de IA “listos para usar”, es decir, listos para usar. La empresa puede integrar con relativa facilidad estos modelos ya entrenados en sus procesos comerciales. Esto es muy interesante, en particular para las PYME y las ETI que tienen datos limitados en volumen y calidad, así como pocos recursos expertos internos, como científicos de datos, capaces de construir soluciones "internas".
Así, una pequeña empresa podrá utilizar las soluciones del mercado para montar, sin demasiadas dificultades, si cuenta con el socio adecuado, una solución de chatbot para automatizar sus relaciones con los clientes, un sistema de procesamiento automático de documentos o incluso una solución de visión por ordenador. para detectar defectos en su línea de producción. En estos casos, ¡el ROI (retorno de la inversión) puede ser muy rápido!
Este resumen no exhaustivo ilustra la variedad de posibles aplicaciones de la IA, cualquiera que sea el sector de la empresa de que se trate. Ya sea para automatizar tareas o para hacer lo que los humanos no pueden hacer, la IA parece ser la "aplicación asesina".
Proyecto IA, los obstáculos a superar
Sin embargo, numerosos estudios muestran que, a pesar de inversiones a veces importantes, la mayoría de las grandes empresas todavía tienen dificultades para pasar de pequeños proyectos piloto a la producción a gran escala para crear valor.
Por su parte, las empresas más pequeñas todavía se están dando cuenta de los beneficios que les aportan las soluciones de IA, a pesar de una menor madurez tecnológica.
Llegados a este punto, es interesante destacar las principales especificidades de los proyectos de IA que explican parte de las dificultades que encuentran las empresas. El primero se refiere al concepto mismo de aprendizaje automático. Muy diferente de un enfoque de software clásico, se puede comparar con un sistema de reglas. En el aprendizaje automático no “programamos” las reglas o parámetros operativos del sistema, sino que se “aprenden” a través de los datos de aprendizaje. Ya no estamos en el mundo de la causalidad, sino en el de la correlación y la estadística, lo que implica un enfoque de diseño iterativo, a veces bastante exploratorio, con resultados menos predecibles.
Segunda especificidad ligada a la primera: la necesidad de tener un enfoque Agile en los proyectos, incluso más colaborativo que en los proyectos de TI tradicionales, y que involucra, además de equipos de negocio y de TI, equipos de datos, lo que añade complejidad.
Por último, son las ideas preconcebidas, e incluso las fantasías, relativas a la IA, las que pueden tener un impacto significativo. Para algunos empleados, la IA da miedo (nuestro inconsciente colectivo ha sido alimentado por décadas de películas distópicas de ciencia ficción), con robots inteligentes que eventualmente podrían hacerse cargo de sus trabajos. Desgraciadamente, este último tema, más serio, fue alimentado durante años por estudios de organizaciones de referencia ampliamente difundidos en los medios de comunicación, que resultaron ser completamente falsos. ¡Un famoso estudio de Oxford publicado en 2013 predijo la destrucción de 47 puestos de trabajo estadounidenses % para 2023 debido a la IA!
Proyecto de IA: puntos a tener en cuenta para tener éxito
1. Líderes comprometidos y aculturados a la IA
El primero es el de el compromiso y la comprensión de los líderes de la empresa. A veces nos sorprende ver que los líderes no se dan cuenta de la oportunidad que representan los datos. Por lo tanto, es esencial sensibilizarlos sobre los desafíos de los proyectos de IA y sus especificidades para que apoyen los proyectos de IA asignando los recursos humanos y financieros adecuados.
En relación con esto, la aculturación a los datos y la IA es imprescindible para los gerentes, pero también para todos los empleados, para promover la adopción de soluciones por parte de los equipos comerciales.
2. Elija sabiamente sus proyectos de IA
El segundo tema se refiere la elección de los proyectos a lanzar. En los últimos años, hemos visto demasiadas decenas de proyectos piloto que implementan la IA en grandes empresas. Cada unidad de negocio había contratado su propio equipo de Ciencia de los datos y todos tuvieron una buena idea para probar. Por el contrario, una buena práctica consiste en centrarse en dos o tres temas principales, con un fuerte apoyo de la dirección y un buen nivel de inversión. La elección del primer proyecto de IA llevado a cabo es clave, porque su éxito corre el riesgo de condicionar inversiones posteriores en IA.
3. Datos en cantidad, calidad y bien gestionados
El tercer tema se refiere a los datos y su gestión. Como dice el refrán, “sin datos no hay IA”. Podríamos añadir el famoso “ basura dentro basura fuera » lo que significa que si los datos de entrenamiento de los modelos de IA son de mala calidad, ¡el resultado no será bueno!
La Gestión de datos, un antiguo tema para los departamentos de TI, se vuelve crítico a medida que se desarrollan los casos de uso. Y si las grandes empresas han implementado en su mayor parte estrategias reales de gobernanza de datos (reglas de gestión, acceso, cumplimiento, calidad, seguridad de los datos), esto sigue siendo un problema importante y, a menudo, un tema que deben iniciar las empresas más pequeñas.
Más allá de la implementación de plataformas técnicas de gestión de datos, una buena práctica consiste en Involucrar a los equipos de negocios en el gobierno de datos. Esto es particularmente relevante para la cuestión de la calidad, porque los datos se han convertido en “activos” comerciales clave, al igual que una herramienta industrial o los recursos humanos.
4. Atraer y retener talento
El cuarto tema son las habilidades. En los últimos años, la mayoría de las grandes empresas han contratado científicos de datos, especialistas en modelado de datos, pero también ingenieros de datos quién gestionará y preparará los datos utilizados en la IA.
Uno de los retos para estas empresas será retener estos talentos muy buscado a través de una política de remuneración atractiva, pero también de autonomía, proyectos innovadores y el desarrollo de una comunidad de datos real.
Para medianas empresas y pymes no es necesariamente necesario contratar este tipo de perfil. Estas tareas pueden ser realizadas en parte por editores de soluciones y otros proveedores de servicios. Para la mayoría de las empresas, el principal problema sigue siendo la aculturación de los directivos y equipos empresariales implicados en proyectos de IA.
5. Desarrollar habilidades a través de la formación.
Ante la falta de perfiles cualificados, las empresas podrán utilizar la formación para desarrollar las competencias de sus empleados, por supuesto los de TI, pero también los de las profesiones (RR.HH., marketing, finanzas, etc.). Podrán formarse en manipulación de datos utilizando herramientas sencillas como Power BI.
En última instancia, implementar soluciones de IA en las empresas no es un camino fácil. La creación de valor requiere compromiso de la dirección y aculturación de los empleados. Además, más allá de la creación de nuevos ingresos y una mayor rentabilidad, en el futuro próximo la IA cambiará la naturaleza misma del trabajo y las relaciones entre humanos y máquinas. Se ocupará de tareas repetitivas y codificables y revolucionará los modelos tradicionales de organización del trabajo.
De este modo, la IA podría permitir a las empresas ser más flexibles, más horizontales y ofrecer a los empleados perspectivas de avance hacia tareas con mayor valor añadido y complementarias a la IA. Algunas profesiones también desaparecerán y el impacto sobre el empleo será importante, aunque es muy difícil hacer predicciones. Razón de más para prepararse.
