Cráneos de IA en una repisa blanca contra un fondo azul
Blog de INPUT by Alteryx

Por qué tantas organizaciones se equivocan con la IA y el aprendizaje automático

Si deseas obtener un retorno de la inversión en la ciencia de datos, debes comprender lo que esta puede (o no) hacer. De lo contrario, pierdes tiempo y dinero. 

Cráneos de IA en una repisa blanca contra un fondo azul

Se suponía que la inteligencia artificial (IA) sería la panacea para una amplia variedad de problemas comerciales, pero no siempre produce resultados positivos y realizables. ¿Por qué sucede esto? En la actualidad, cada vez más organizaciones utilizan la IA, el aprendizaje automático (ML) o el análisis de datos en sus operaciones, pero sencillamente no se está obteniendo el valor comercial de estas implementaciones. 

Hay una serie de razones por las que la IA se tambalea en lugar de avanzar. A las personas se les dificulta comprender lo que hace la IA y cuáles son sus limitaciones. A menudo, estos malentendidos están impulsados por los medios de comunicación, gracias a reportajes sensacionalistas o muy simplificados. Sin embargo, muchas de las personas que afirman conocer el tema también repiten mitos sobre la ciencia de datos. 

8 mitos sobre la IA

1. La IA resolverá todos los problemas por arte de magia 

La IA promete grandes cosas: aumentar los ingresos, disminuir los costos, identificar el fraude antes de que ocurra y eliminar todo el trabajo repetitivo y monótono. Sin embargo, las organizaciones que implementan la IA y el ML con expectativas muy altas suelen darse cuenta de que la realidad no está a la altura. 

La IA debe ser un proceso gradual y creciente. Las organizaciones deben comenzar con proyectos como la mejora de procesos y el aumento de la satisfacción del cliente o la automatización de los procesos comerciales. Con el tiempo, a medida que crecen las capacidades y la comprensión de la IA, esta se puede utilizar para enfrentar los grandes desafíos financieros.  

Además, recuerda el principio de Pareto: el 80 % de los resultados proviene del 20 % de los aportes. No hay necesidad de profundizar en detalles y problemas que no van a producir resultados cuantificables. Lo único que hacen es atascar al sistema y a tu personal. 

2. El aprendizaje automático se trata de “pensar como un ser humano” 

Los seres humanos son criaturas complejas y nuestros cerebros son increíblemente complicados. Utilizamos la heurística todo el tiempo, es decir, “reglas generales” que hemos aprendido con años de experiencia. Aprendemos estereotipos que nos permiten hacer juicios en forma rápida, pero no siempre son correctos. No queremos que las computadoras piensen como los seres humanos porque los seres humanos tienen errores en su pensamiento. 
La verdad es que el aprendizaje automático se trata de realizar predicciones a partir de los datos. Si los datos son de mala calidad, los resultados no serán imparciales.
Ingresas basura = obtienes basura

El aprendizaje automático se limita a aprender los prejuicios en los datos y las suposiciones que hace el equipo. ¿Por qué importa esto? El sesgo en los algoritmos, los datos y el equipo puede generar pérdidas cuantificables para el negocio. 
Por ejemplo, los bancos utilizan la IA para tomar decisiones sobre a quién prestarle dinero. ¿Quién es un riesgo? ¿Quién tiene más probabilidades de pagar su préstamo a tiempo? Sabemos que hay muchos datos sesgados, por lo que el aprendizaje automático basado en esos datos también será defectuoso. 
En el pasado, los hombres eran los titulares de la hipoteca. Las mujeres que solicitaban préstamos eran rechazadas por razones que no tenían nada que ver con sus recursos económicos o su capacidad de pagarle al banco. Si la IA examinara estos datos, no diría “Veo que el sistema bancario tiene una tradición patriarcal”, diría “Los préstamos rechazan a las mujeres con mayor frecuencia, por lo que deberían rechazarse las solicitudes de hipoteca de las mujeres”. ¿Recuerdas el fiasco de la tarjeta de crédito de Apple, en el que un marido obtuvo una línea de crédito 20 veces mayor que la de su esposa?
En realidad, las mujeres tienen un menor riesgo crediticio que los hombres en todas las categorías. En general, las mujeres pagan los préstamos a tiempo y tienen menor morosidad. Por lo tanto, si un banco implementa aprendizaje automático defectuoso, no solo les otorga préstamos a hombres que presentan un mayor riesgo, sino que pierden los ingresos que las mujeres de bajo riesgo proporcionarían. 
El otro lado de esto es que es ilegal discriminar en base al género. Y es ilegal considerar el género cuando se determina la solvencia. Pero se ha encontrado que el proceso de concesión de crédito en el que no considera el género discrimina a las mujeres. 
El aprendizaje automático se trata de aprender a partir de los datos, que a menudo son defectuosos, sesgados y nada imparciales. La mayor parte del tiempo, no es evidente, sino que son sutilezas y datos inferidos en el conjunto de datos de entrenamiento. 

3. La IA es plug and play 

Considerando todos los programas SAAS que existen y las grandes promesas hechas por las empresas de software, es entendible que pienses que la IA es sencilla. Solo hay que introducir los datos, y las máquinas se encargarán de analizar la información y decir lo que se quiere saber. ¡No se necesita saber programación!  
Pero, incluso si el personal comprende el programa, hay mucho trabajo que se debe realizar primero. 
Limpieza de datos: hay datos y hay buenos datos. No tiene sentido ingresar grandes cantidades de datos si están incorrectos, incompletos, si la muestra es muy pequeña o si se está registrando la información incorrecta.  
Comprender el resultado de la tarea: cuando un negocio o cliente dice que quiere un taladro, un buen científico de datos sabe que en realidad quiere un agujero. No solo eso, sino que también sabe si los datos podrán proporcionar esa información. 
Conocimiento del dominio: la realidad de la ciencia de datos es que la industria carece de talento. En otras palabras, no hay suficientes analistas y científicos de datos de calidad. No hay personal capacitado y con experiencia, y esto obstaculiza la eficacia y la captación de la IA en el mercado. Las organizaciones no cuentan con (o no pueden encontrar) científicos de datos con las capacidades adecuadas, por lo que subcontratan a proveedores externos. Confiar en proveedores externos solo es una solución a corto plazo. El conocimiento del dominio es fundamental para producir resultados exactos. 

4. El aprendizaje automático predice el futuro 

Es verdad, si es que el futuro es exactamente igual al pasado. El ML entrena con datos históricos y realiza predicciones basadas en la teoría de que sucederá exactamente lo mismo. 
Sin embargo, el ML es más que solo hacer predicciones. Puedes utilizarlo para crear insights comerciales, simplificar procesos, agregar nuevos productos o características y también para realizar una previsión. Si no utilizas el ML para cambiar el comportamiento de tus decisiones comerciales, ¿de qué sirve?

5. Las predicciones mejoran de manera automática con el tiempo 

El ML utiliza diferentes algoritmos, denominados modelos, para crear sus predicciones. Desde el momento en que comienzas a producir un modelo, se empieza a degradar. Esto se debe a que tanto los datos como el entorno pueden cambiar, y las personas también. Un modelo será consistente. Es por esto que los modelos deben volver a entrenarse desde el principio, o se debe usar un modelo nuevo si es que se adapta mejor. 
La degradación de los modelos ocurre por la evolución de los datos. Esto sucede cuando lo que el modelo intenta predecir cambia según variables imprevistas. Por ejemplo, si estás realizando una predicción de ventas en una tienda física, se deben tener en cuenta otras variables, como el clima, qué días festivos se acercan y lo que hacen los competidores. 
Un ejemplo de evolución del concepto es cuando un sistema de diagnóstico de cáncer de piel no detecta cánceres de piel debido a variables ignoradas. La máquina sabe que debe buscar bordes elevados, formas irregulares y cambios con el tiempo, lo que alerta al médico sobre el presunto cáncer. Sin embargo, si la máquina no considera el color de la piel (debido a la exposición al sol o la raza), habrá falsos negativos. 
 
La generalización, o los cambios de covariables, son otro problema de los modelos. Si los datos utilizados para entrenar un modelo eran de una población, tal vez de un país occidental y adinerado, entonces se sobreajustan a ese grupo de datos. Los otros grupos y datos no vistos significan que las predicciones no serán exactas, ya que no se generalizan bien. 
Se deben tomar medidas para evitar la degradación del modelo. Se debe monitorear el rendimiento del ML después de su implementación. Si el modelo se degrada, debes reestructurarlo o probar otro modelo que se ajuste mejor. Es posible que necesites parámetros diferentes, o que agregues características nuevas. Esto se denomina aprendizaje continuo, y si quieres que las predicciones sean exactas, se deben revisar y ajustar. 

6. El aprendizaje automático se trata de ofrecer una mayor exactitud 

La exactitud es buena, pero no indica el desempeño. Un modelo con una exactitud del 51 % podría predecir los números de la lotería correctamente y tú ganarías diez millones de dólares. Un modelo con una exactitud del 99 % podría dar un falso negativo al predecir una solicitud de préstamo fraudulenta, lo que se traduce en grandes pérdidas. 
El ML trabaja con base en probabilidades, no certezas. 

Así como los modelos necesitan una revisión constante, los resultados se deben verificar para determinar la precisión. ¿Cuántos falsos negativos son falsos positivos? ¿Cuál es el valor comercial de estos errores? ¿Cuánto ingreso potencial perdiste? ¿El sistema no discrimina lo suficiente y estás sobrecargando a tu equipo de ventas con demasiados clientes potenciales, o no tienen nada que hacer porque el sistema es muy estricto y rechaza a muchos clientes potenciales? 

7. La IA y el ML están reemplazando a las personas 

Claro, y el cielo se está cayendo, Chicken Little. Cada vez que ocurre un cambio grande y amenazante, las personas se asustan porque creen que perderán su trabajo. Esto fomenta la oposición a la adopción de la IA, ya que las personas se ponen testarudas para resistir la inseguridad laboral. Un estudio demostró que el 38 % de las personas espera que la tecnología elimine puestos en su lugar de trabajo en los próximos tres años. Se prevé que para el 2030 se habrán perdido hasta 20 millones de puestos de trabajo a manos de los robots en el sector manufacturero. Es un número aterrador. 
La verdad es que la IA y el ML están aumentando la cantidad de personas.

Ellos se encargan de las tareas aburridas y repetitivas, y permiten que las personas se encarguen de las tareas creativas, impredecibles y más complejas. La IA debe trabajar con los seres humanos para realizar cambios positivos en el lugar de trabajo. 
Basta examinar la Revolución Industrial para ver lo que depara el futuro de la revolución de IA. Esta reforma importante de casi todo lo relacionado con el trabajo en los siglos XVIII y XIX no causó sufrimiento y pérdida del empleo a largo plazo. Las personas siempre encuentran nuevos trabajos (a menudo después de un período de ajuste doloroso) y el miedo al desempleo masivo es infundado. 
Aunque la IA causará pérdidas de empleo, se espera que cualquier pérdida se compense con los nuevos trabajos creados en una economía más fuerte y rica. 
La automatización y la IA cambiarán trabajos y vidas, eso no se puede negar. Pero, en su mayor parte, los cambios serán positivos. 

8. Cuantos más datos mejor para el aprendizaje automático

 Ingresas basura: obtienes basura. Si alimentas la máquina con información irrelevante, datos que no se han limpiado o que son incorrectos, los resultados lo reflejarán. Los científicos de datos afirman que alrededor del 50 % de su rol es la limpieza de datos, y eso ocurre por algo.  
Ni la máquina más inteligente puede crear insights a partir de datos defectuosos.  

Los beneficios de la ciencia de datos podrían ser enormes 

Este no es un mito; si se realizan correctamente, los resultados comerciales de la ciencia de datos podrían cumplir todo lo prometido. Más rápido, mejor, más fuerte: el superhéroe de las organizaciones. 
Pero, para utilizar la IA a nivel organizacional, debe haber una comprensión más amplia de lo que puede hacer y en qué partes no será útil. De lo contrario, solo es parte del alrededor de un 80 % de proyectos de ciencia de datos que nunca se pone en marcha. Para obtener un retorno de la inversión en la ciencia de datos, sé realista acerca de lo que la IA puede hacer y aplícala con sensatez a proyectos bien definidos con datos excelentes. Si bien eso no suena tan atractivo (y fácil) como plug-and-play-y-predice-el-futuro, es una estrategia mucho más exitosa para obtener los resultados que la IA puede ofrecer.

Leer después

Si te interesa saber más, Rompe los siete mitos del aprendizaje automático.

Escrito por
Retrato de David Sweenor
David Sweenor
Director sénior de Director de Marketing de Productos
Patrón naranja
Blog
5 minutos para leer

Las cinco etapas de la madurez analítica

Conoce las cinco etapas de la madurez analítica y realiza una evaluación para descubrir en qué posición te encuentras.

Líder comercial
Líder de analítica
Alteryx Platform
Leer ahora
Money bills
Blog
5 minutos para leer

El Banco SoFi optimiza la previsión de efectivo

¿Necesitas ayuda con tus previsiones de efectivo? Descubre cómo el Banco SoFi simplificó su proceso.

Finanzas
Líder de analítica
Líder comercial
Leer ahora
Documentos de impuestos
Blog
5 minutos para leer

Impuestos corporativos + hojas de cálculo = ¿negocio riesgoso?

Descubre cómo las funciones de impuestos corporativos se pueden posicionar para convertirse en activos comerciales estratégicos.

Finanzas
Líder de analítica
Líder comercial
Leer ahora

Obtén más artículos de INPUT en tu BANDEJA DE ENTRADA

orador