IA en las empresas que no son de tecnología

¿LA IA  es demasiado cara o complicada?

Traducción y adaptación libre realizada por el autor basada en «AI Doesn’t Have to Be Too Complicated or Expensive for Your Business» por Andrew Ng, publicado el 29 de julio de 2021 en Harvard Business Review.

La Inteligencia Artificial (IA) posee un potencial inmenso, pero su adopción aún no es extensiva en todas las industrias. Actualmente, su presencia es notable en negocios online de gran consumo como Google, Baidu y Amazon. Estas compañías, que gestionan datos masivos de millones de usuarios, han integrado la IA de manera efectiva en sus operaciones. Sin embargo, el desafío persiste en expandir esta tecnología a sectores como el sanitario, industrial y agrícola.

¿Por Qué la IA No Se Ha Generalizado Aún?

La razón principal de esta limitada expansión se debe a que las empresas mencionadas tienen procesos operativos clave relativamente limitados, lo que les permite desarrollar sistemas de IA eficientes para un amplio número de usuarios. Esta estrategia, sin embargo, no es tan efectiva en otras industrias con diferentes necesidades y estructuras.

Adoptando un Nuevo Enfoque para la IA

Para llevar la IA más allá de estos gigantes digitales, es esencial adoptar un enfoque diferente. Hay que superar diversas barreras que no han sido un problema para los líderes actuales en IA. Según Andrew Ng, «la clave para crear sistemas de IA valiosos es que necesitamos equipos que puedan programar con datos en lugar de programar con código». Esto implica un enfoque centrado en la calidad y coherencia de los datos, asegurando que reflejen los fenómenos corporativos importantes para que la IA pueda aprender de manera efectiva.

Desafíos en la Implementación de la IA

Las empresas puramente digitales tienen una ventaja inherente en la recopilación de datos, pero fuera de este sector, nos enfrentamos a desafíos como:

  1. Pequeños Conjuntos de Datos: En industrias con menos usuarios, los conjuntos de datos son considerablemente menores, lo que dificulta el entrenamiento de modelos de IA efectivos.
  2. Costo de Personalización de Sistemas de IA: La personalización de sistemas de IA para necesidades específicas puede ser costosa, especialmente en sectores como la manufactura y la salud.
  3. Brecha entre Prueba de Concepto y Producción: Convertir un prototipo de IA en un sistema completamente funcional en producción puede llevar mucho tiempo y recursos.

Hacia un Futuro Data-Centric en IA

Para maximizar el potencial de la IA, necesitamos un enfoque sistemático que resuelva estos problemas en todas las industrias. El enfoque centrado en los datos, apoyado por plataformas de operaciones de aprendizaje automático (MLOps), es clave para este avance. Las empresas que adopten rápidamente este enfoque obtendrán una ventaja competitiva significativa.

Desarrollo de IA en Modo Data-Centric

Los sistemas de Inteligencia Artificial (IA) se componen de tres elementos fundamentales: el software (que incluye un modelo de IA), el propio modelo y los datos de entrenamiento (data training). Estos componentes trabajan conjuntamente para permitir que la IA funcione eficazmente. Por ejemplo, en la inspección automatizada en la fabricación, un ingeniero de IA podría desarrollar un software con un algoritmo de Deep Learning. Este software se entrena con un conjunto de datos, como imágenes de piezas defectuosas y no defectuosas, para aprender a distinguirlas.

Del Desarrollo Centrado en Software a un Enfoque Centrado en Datos

Durante la última década, la investigación en IA se ha centrado principalmente en el desarrollo centrado en software (software-centric development) o desarrollo centrado en el modelo (model-centric development). En este enfoque, los datos se consideran un elemento fijo, y el objetivo es optimizar o desarrollar nuevos modelos que aprendan eficientemente de los datos disponibles. Muchas empresas tecnológicas, con acceso a grandes conjuntos de datos de millones de consumidores, han impulsado innovaciones significativas en IA utilizando este método.

Sin embargo, con el nivel actual de sofisticación y evolución de la IA, el principal desafío para muchos proyectos es la obtención de datos adecuados y de alta calidad. Aunque el big data ha sido muy beneficioso, ahora se reconoce que para muchos proyectos es más efectivo centrarse en la calidad de los datos. Estos deben ser completos, cubriendo casos importantes, y estar etiquetados de manera consistente. En esencia, los datos no solo proporcionan la cantidad necesaria para alimentar la IA, sino también la calidad esencial.

La Importancia de la Calidad de Datos en la IA

Este cambio de enfoque del software a los datos ha permitido la incorporación de expertos en datos con conocimientos específicos de sus industrias en el desarrollo de sistemas de IA. Por ejemplo, en el sector de la fabricación, los trabajadores altamente capacitados pueden aportar su experiencia para definir e identificar defectos en los productos. Esta colaboración entre expertos en datos y desarrolladores de IA es crucial para crear sistemas más precisos y eficientes.

Si esperamos que cada fábrica pida a sus trabajadores que inventen un nuevo software de inteligencia artificial como una manera de darle a esa fábrica la solución personalizada que necesita, el progreso será lento. Pero si, en cambio, construimos y proporcionamos un sistema y herramientas para capacitar a estos expertos en el campo para diseñar los datos (permitiéndoles expresar su conocimiento sobre la fabricación proporcionando datos a la IA), las probabilidades de éxito serán mucho mayores.

Desarrollo de IA sistemático y reusable

El avance hacia un desarrollo de Inteligencia Artificial (IA) centrado en datos se está acelerando gracias al emergente campo de las operaciones de aprendizaje automático (MLOps). MLOps ofrece herramientas innovadoras que simplifican la construcción, implementación y mantenimiento de sistemas de IA, haciéndolos más accesibles y manejables que nunca.

El Papel Crucial de las Herramientas MLOps en la IA

Estas herramientas, diseñadas específicamente para generar conjuntos de datos de alta calidad, son fundamentales para superar los desafíos comunes en proyectos de IA. En particular, abordan eficazmente los problemas asociados con conjuntos de datos pequeños, reducen los costos elevados de personalización y acortan significativamente el tiempo necesario para llevar un proyecto de IA desde su concepción hasta su implementación en producción.

¿Cómo Funcionan las Herramientas MLOps?

  1. Garantizar Datos de Alta Calidad: Esto permite que los sistemas de IA aprendan de manera eficiente incluso de conjuntos de datos más pequeños, que son comunes en la mayoría de los departamentos y empresas.
  2. Involucrar a Expertos Empresariales en la Creación de Datos: Facilitar la participación de expertos en procesos empresariales en el diseño de conjuntos de datos de calidad.
  3. Proporcionar Software de Andamiaje para la Producción de IA: Las plataformas MLOps ofrecen las herramientas necesarias para implementar sistemas de IA, reduciendo el tiempo entre la prueba de concepto y la producción de años a semanas o meses.

El Futuro de los Proyectos de IA

A pesar de los avances, la mayoría de los proyectos valiosos de IA todavía están en su fase inicial. Se estima que entre el 80% y el 85% de los proyectos de IA en empresas se encuentran actualmente en la etapa de prueba de concepto. Esto subraya el enorme potencial de crecimiento y desarrollo en el campo de la IA, especialmente con la adopción de enfoques centrados en datos y el uso de herramientas MLOps.

¿Qué pueden hacer las empresas?

IA en las empresas

En el desarrollo de proyectos de Inteligencia Artificial (IA), es crucial no solo centrarse en la cantidad de datos recopilados, sino también en su calidad. La claridad y relevancia de los datos son esenciales para enseñar conceptos efectivamente a los sistemas de IA.

Adoptando un Enfoque Centrado en Datos en la IA

Es importante que los equipos de desarrollo de IA, incluidos aquellos con formación académica o de investigación avanzada, consideren adoptar un enfoque centrado en los datos, en lugar de limitarse a un enfoque centrado en el software. Este cambio de paradigma hacia técnicas centradas en datos puede mejorar significativamente la eficacia de los sistemas de IA.

Planificación y Herramientas MLOps para Proyectos de IA

Para llevar con éxito un proyecto de IA a producción, es esencial planificar meticulosamente el proceso de implementación y respaldarlo con herramientas MLOps adecuadas. Incluso en las etapas iniciales, como la prueba de concepto, es importante que los equipos empiecen a desarrollar un plan a largo plazo para la gestión de datos, así como para la monitorización y mantenimiento del sistema de IA final.

La IA Más Allá de los Entornos de Internet y su Potencial en Diversas Industrias

Aunque la IA es común en entornos de Internet y empresas con abundancia de datos, su adopción en otras industrias aún está en desarrollo. Sin embargo, esta situación presenta una oportunidad significativa para expandir la IA a nuevos sectores. Al igual que la electricidad transformó todas las industrias, la IA tiene el potencial de hacer lo mismo. Los próximos pasos en este camino incluyen un cambio hacia un enfoque centrado en los datos, apoyado por herramientas MLOps. Estas herramientas permiten a los expertos del sector participar activamente en la creación, implementación y mantenimiento de sistemas de IA, asegurando que todas las industrias puedan aprovechar los beneficios que la IA ofrece.

Resumen

El enfoque software-centric para construir IA utilizado por los gigantes tecnológicos no se aplica a las empresas que no tienen una ingente gran cantidad de datos que pueden utilizar para entrenar modelos. Sectores como la agricultura, la manufactura y la salud necesitan soluciones de inteligencia artificial centradas en datos que se adapten a sus diversos usos.

  • Estas organizaciones deberían cambiar su enfoque de la construcción del modelo correcto ( un software-focused approach) para centrarse en obtener buenos datos.
  • Las nuevas herramientas de operaciones de Machine Learning (MLOps) ayudan a producir conjuntos de datos de alta calidad sin altos costos ni largos tiempos de producción.
  • Para cualquier proyecto de IA que desee llevar a producción, asegúrese de emplear las herramientas MLOps adecuadas para respaldarlo.

Si te gustaría conocer más sobre cómo la IA puede ayudar a tu empresa o si ya tienes un proyecto en mente que te gustaría implementar, deja que MODUS se convierta en tu socio estratégico.