Comúnmente, podemos preguntarnos por qué las empresas tradicionales no implementan la inteligencia artificial (IA) tan fácilmente o de forma tan prolífica como las empresas de economía de red. Existen varias razones detrás de esto, algunas son tecnológicas y otras son culturales.
En primer lugar, siempre existe la pregunta del caso de negocios para implementar cualquier cosa en una empresa. Por ejemplo, al implementar un nuevo sistema de nómina, alguien podría argumentar “actualmente le pagamos a personas que ya no están en la organización; el sistema nuevo bloquearía esas lagunas y nos ahorraríamos mucho dinero.”
En principio, alguien podría hacerlo para un nuevo sistema de administración de campañas que utiliza tecnologías IA para obtener un aprendizaje profundo. Este sistema podría revisar los datos previos y realizar un análisis retrospectivo para saber si es capaz de predecir si las personas a las que se les ofrecen descuentos realmente terminan siendo consumidores leales. Se podrían utilizar estas estadísticas para justificar la implementación en campo.
Desafortunadamente, la baja precisión y los falsos positivos que generalmente acompañan a dicho análisis retrospectivo no son lo suficientemente sólidos para convencer a las empresas de que alguien podría obtener una ganancia significativa al implementar sistemas predictivos en línea en campo. Por ejemplo, una proporción de falsos positivos de incluso 15% podría ser muy costosa para una empresa; otorgar tantas ofertas y descuentos no vale la pena cuando solamente 1% de la audiencia realmente se convierte en un cliente regular.
La cuestión es que todos los sistemas de IA primero necesitan implementarse para que puedan aprender continuamente de sus errores y mejorar. Pero el costo comercial de la implementación de sistemas de aprendizaje meramente para aprender no es tan fácil de justificar. Se requiere un cambio significativo en el modo de pensar de la empresa para que ésta pueda apreciar que la implementación de un sistema en un pequeño grupo de clientes y permitirle aprender, es la única forma de tener un sistema IA lo suficientemente preciso para que sea rentable y justificar su escalabilidad.
El siguiente gran reto es más fundamental. Supongamos que debemos concebir un sistema para publicidad conversacional. No existen datos históricos sobre cuál sistema analizar porque ¡nadie ha intentado crear un sistema de publicidad conversacional! Podríamos desarrollar un prototipo y analizarlo de forma interna, pero las proporciones de conversión o los números de valoración de dicho análisis, comúnmente, no inspirarían confianza, porque estos no son análisis “reales”.
Este es un clásico problema contrafáctico: no sabemos lo que podría haber pasado si hubiéramos implementado algo anteriormente porque, de hecho, nunca se analizó. Una vez más, la única forma de salir de esta cuestión es realmente implementar una iniciativa, permitirle aprender y mejorar y, después evaluar cómo se llevó a cabo. La desconfianza tradicional entre el área de IT y la comercial también se presenta en la forma de abordar los temas. Al mismo tiempo, también existe la falta de comprensión en la parte IT, así como la comercial en relación con lo que se requiere para realizar la experimentación de campo en un contexto IA.
Por Gautam Shroff, Vicepresidente, Jefe Científico, Jefe de TCS Research y miembro del Consejo Tecnológico Corporativo de TCS.
Recuerda dejarnos un comentario
Da click aquí para ver nuestra nota recomendada
Te compartimos el siguiente vídeo:
 ){kind=link}