El talento es el componente más valioso de la inteligencia artificial.

La Inteligencia Artificial (IA) está en el centro de atención. Aún nos encontramos al inicio de su curva evolutiva, y quizás la IA se encuentre hoy donde internet estaba hace 20 años. Pero, incluso en sus primeras etapas, ya demuestra que tiene el potencial de transformar nuestra sociedad. Estamos presenciando las primeras etapas de esta transformación.

Curiosamente, estamos viendo cómo los trabajos de oficina, antes considerados fuera del alcance de la automatización, se ven directamente afectados. Tecnologías como RPA (Automatización de Procesamiento Robótico) automatizan tareas rutinarias que realizamos a diario, como copiar archivos, enviar correos electrónicos, modificar horarios, solicitar aprobación, etc.

Todo esto se puede automatizar mediante algoritmos de aprendizaje automático. Los sistemas de IA aprenden continuamente, evolucionan y, como resultado, pueden realizar tareas con mayor eficiencia que las personas. ¿Significa esto que desaparecerá toda una actividad profesional? Pues bien, las que se puedan automatizar por completo desaparecerán, como ocurrió con los ascensoristas.

Lo cierto es que la gran mayoría de nuestras actividades profesionales incluyen una parte de tareas que pueden automatizarse y, por lo tanto, ser reemplazadas por robots de software. Se estima que en aproximadamente el 60 % de las ocupaciones, al menos el 30 % de las actividades que las componen son técnicamente automatizables.

Al automatizar estas tareas, se reducen los costos operativos y el personal involucrado puede dedicarse a actividades de mayor valor añadido. Pero para comprender el potencial y las limitaciones de la IA, es necesario comprender qué es.

La IA es una constelación de tecnologías y requiere talento, datos, hardware, algoritmos, aplicaciones e integración. El talento es el componente más valioso, ya que a partir del talento se crean los demás componentes. Los datos son fundamentales para el entrenamiento de algoritmos, especialmente los de aprendizaje automático y aprendizaje profundo.

El hardware, ya sea en la nube o local, es esencial para procesar algoritmos. Estas son las operaciones matemáticas que le indican al sistema cómo navegar por el océano de datos para proporcionar respuestas a preguntas específicas. Las aplicaciones luego hacen que estas respuestas sean útiles para tareas específicas.

Y la integración, que no sólo permite que la "pila" de tecnologías de IA funcione sin problemas, sino que también permite que las aplicaciones de IA interactúen con otras aplicaciones y con procesos de negocio para resolver problemas del mundo real.

Todo esto requiere un ecosistema que mantenga la maquinaria en funcionamiento. Por ecosistema, me refiero a un marco integral para el desarrollo del talento, la inversión, la regulación, la protección de la propiedad intelectual y las políticas de incentivos. Es evidente que, para aprovechar el potencial de la IA, necesitamos personal cualificado. Y hoy nos enfrentamos a un enorme desafío: la escasez de talento.

La demanda de talento en IA está creciendo y existe una brecha significativa entre la oferta y la demanda, con diversos puestos disponibles para cada profesional de IA verdaderamente cualificado. La IA requiere habilidades avanzadas en matemáticas, estadística y programación.

La demanda de talento en IA está creciendo y existe una enorme brecha entre la oferta y la demanda.

Pero, además de las habilidades técnicas, los equipos de IA necesitan cada vez más conocimientos del ámbito empresarial para interpretar los datos adecuadamente y ofrecer recomendaciones relevantes. Además, necesitan experiencia en ingeniería de software para desarrollar soluciones que funcionen en el mundo real. La combinación de habilidades técnicas, sectoriales y de ingeniería que se exige a los profesionales de IA limita la cantidad de talento disponible.

Una organización, para utilizar la IA de manera eficaz, debe poseer las habilidades para las siguientes actividades:

a) Planificar e implementar una estrategia de IA alineada con las estrategias de negocio. De hecho, deberíamos tener estrategias de negocio que consideren la IA como un medio para alcanzar sus objetivos.

b) Mantenimiento del hardware y software de IA, ya sea local o en la nube. Probablemente veremos combinaciones híbridas.

c) Gobernanza de datos;

d) Desarrollo de aplicaciones de software basadas en IA;

e) Competencia en el desarrollo, entrenamiento y ajuste de algoritmos, en términos de desempeño y precisión;

f) Competencia para garantizar los estándares éticos y de privacidad, así como el apego a la normativa que involucra el uso de IA.

Aunque a primera vista parece un equipo similar a un equipo de desarrollo de software tradicional, se aprecian algunas diferencias en sus habilidades . En primer lugar, en el desarrollo tradicional, pocas aplicaciones se centran en los modelos matemáticos y pocos desarrolladores son competentes en matemáticas. En IA, los modelos matemáticos son fundamentales. El equipo necesita profesionales con una sólida formación matemática y estadística.

El ciclo de desarrollo de software también es diferente. En el software tradicional, el ciclo consiste básicamente en especificar los objetivos del programa; escribir el código; probar el software; y entregar (poner en producción) y mantener el sistema. En IA, el ciclo es diferente:

a) Especificas los objetivos del programa, pero en lugar de escribir código,

b) buscar identificar los datos necesarios y explorarlos, y a partir de ahí

c) entrenar el algoritmo con estos datos.

Los pasos (b) y (c) son iterativos, y el entrenamiento y ajuste de los algoritmos continúa hasta alcanzar el nivel de precisión deseado. Recomiendo estudiar el tutorial de Google " Desafíos de la gestión de datos en el aprendizaje automático de producción " para comprender mejor los desafíos del desarrollo de una solución de IA. Puede encontrar texto complementario aquí .

Ahora el algoritmo puede entrar en producción. Sin embargo, tener un modelo en producción no significa que deba ser visible públicamente. Imagine una fase piloto, donde debería estar expuesto a datos en tiempo real, para que su equipo pueda realizar mejoras hasta que cumpla con los requisitos que lo hagan disponible para uso público.

Con datos en vivo, puede realizar pruebas de ejecución más exhaustivas y proporcionar a su equipo de IA retroalimentación sobre qué funciona bien y qué no. En esta etapa, priorice establecer un proceso de lanzamiento controlado y gradual. También debe supervisar el rendimiento y la escalabilidad de su sistema.

Planifique ciclos de mejora continua, investigue e implemente mejoras en los modelos y cambios de interfaz. Los nuevos modelos deben demostrar un rendimiento superior al de los que reemplazan. Pruebe todos los cambios antes de publicar las actualizaciones en el entorno de producción. Estos ciclos continuarán durante toda la vida útil del sistema.

Recuerde que un sistema de IA nunca deja de evolucionar.

Recuerde que un sistema de IA nunca deja de evolucionar. Desafortunadamente, en el momento en que un sistema de aprendizaje automático se pone en producción, ¡comienza a degradarse! Para mantener la inteligencia del sistema de IA, pruebe regularmente los resultados con datos en vivo para garantizar que sigan cumpliendo con sus criterios de aceptación.

Asigne presupuesto para futuras actualizaciones y reentrenamiento, y monitoree sistemáticamente la degradación del rendimiento. A medida que su empresa crece o cambia de enfoque, los datos (incluidos los datos de series temporales y las características de los productos) evolucionarán y se expandirán. El reentrenamiento sistemático de sus sistemas debe ser un componente de su estrategia de IA. Recuerde que la IA es una capacidad, no un producto. Está en constante mejora. Surgen nuevos algoritmos, y las técnicas de IA que utilizamos hoy podrían quedar obsoletas en unos años.

Para complementar esto, sugiero consultar el artículo " Aprendizaje automático vs. Programación tradicional " para comprender claramente las diferencias entre escribir software tradicional y desarrollar soluciones de IA. Y no olvide que las soluciones de IA no existen en el vacío. Deben integrarse con los demás sistemas de la empresa. A menudo, la "parte de IA" de la aplicación también debe integrarse en código tradicional que requiere una interfaz de usuario, acceso a bases de datos y sistemas tradicionales, etc.

El hecho de que estemos adoptando la IA no significa en absoluto que estemos poniendo fin al desarrollo de software programático. Al contrario, creo que necesitaremos cada vez más software tradicional, ya que su potencial se verá potenciado por los modelos de IA integrados en él.