Ante la aparición de mensajes apocalípticos que auguran el fracaso de los proyectos empresariales que no se suban al tren de la Inteligencia Artificial (IA) y aprendan a sacar provecho de sus datos, pocos han quedado indiferentes. Después de las criptomonedas y el metaverso, nos enfrentamos a la necesidad de entender y de poner en práctica un nuevo concepto abstracto, al menos para quien no acaba de incorporarse al mundo laboral con un máster de Data Science a sus espaldas; que somos la mayoría. ¿Será la IA la que termine por volvernos locos? Con afán de evitarlo, hoy presentamos una serie de 12 fascículos, publicados mensualmente, en los que recorreremos el proceso para llegar a la implementación de la IA en la empresa. Queremos hacer hincapié en que este proceso no se trata únicamente de la parte de generación de una solución, sino también de la exploración previa del contexto y la puesta en producción final. Al fin y al cabo, los datos no son magia, y necesitamos los mecanismos adecuados para que nos aporten valor de verdad. Si bien el alcance de la IA es realmente impresionante, vamos a empezar por desmitificar este concepto entendiendo sus aplicaciones más cercanas. Serán éstas las que nos proporcionarán resultados más inmediatos.
La Inteligencia Artificial es la simulación de la inteligencia humana procesada por máquinas. Esta definición no resulta práctica cuando se trata de trazar un plan para su implementación en la industria.
En primer lugar, el concepto de máquinas imitando inteligencia humana es muy general y poco realista, ya que más bien suelen ser operaciones simples programadas que se hacen muy rápido sobre muchos datos. Por otro lado, con “inteligente” nos solemos referir a software que analiza datos del pasado y que “memoriza” la información para usarla en el futuro. Necesitamos desgranar la materia de la IA para conocer sus distintos ámbitos de aplicación, como la automatización, el machine learning, el procesamiento de lenguaje natural, el reconocimiento de voz o la visión artificial. El interés en una u otra de las materias que comprende la IA reside en gran medida en el problema que se desea solucionar y en el tipo de datos de los que se dispone, véase datos numéricos, imágenes, sonido o texto. Me atrevería a decir que haciendo un repaso de los datos disponibles en cualquier empresa, puede que no tengamos ni imágenes, ni sonido, ni texto pero, ¿quién no tiene datos numéricos a su alcance?
A día de hoy, los términos “aprendizaje automático” o “Machine Learning (ML)” se utilizan a menudo de forma errónea, ya que muchas soluciones que se comercializan como ML son en realidad automatizaciones; sistemas mucho más sencillos, y no herramientas que se entrenan a sí mismas para mejorar en función de los datos que se les suministran. Y no por eso dejan de tener mérito. Sin embargo, un sistema de recomendación, un optimizador de un flujo productivo, un sistema de predicción de fallo… son aplicaciones en las que el ML tiene mucho sentido. Para desarrollarlos existen un abanico de métodos, entre los que habrá que elegir en función de los datos disponibles, su tipología y el problema a abordar; datos de mediciones continuas de un sensor, clasificaciones de piezas producidas con fallo/no fallo, datos sobre horas de uso de un aplicación y frecuencia… Y aun así es interesante remarcar que aumentar la complejidad de la solución no asegura un mejor resultado. Aumenta la complejidad de la solución. Como recomendación, conviene empezar cubriendo las oportunidades de automatización con reglas simples, por su virtud en cuanto a rapidez de puesta en marcha; y que sea sólo cuando nos encontremos con las limitaciones asociadas a las reglas cuando recurramos al ML.
Volviendo a otros tipos de datos disponibles, las imágenes, grabaciones de voz u otros sonidos y documentación en formato texto son, al igual que los datos numéricos, grandes candidatos para que las empresas puedan explotar y de los que extraer información accionable. Las particularidades en cuanto a formato y características de la materia prima sobre la que se realiza el análisis son la razón de que se hayan desarrollado metodologías específicas para cada una de ellas. Por ejemplo, suele ser común disponer de campos de texto libre que raramente son utilizados a posteriori por el esfuerzo que requiere hacer esa revisión de forma manual. Esa barrera se supera con las herramientas apropiadas del campo de la IA.
La IA tiene un gran potencial para subir el nivel de la información que manejamos. Ya sabemos que no es lo mismo ver el sombrero que la boa que se comió al elefante. Como hilo conductor de este blog nos enfrentaremos a trazar un plan para abordar un proyecto con IA de una manera tangible, poniendo sobre la mesa casos reales aplicados a la industria.
En los próximos fascículos ahondaremos en los primeros pasos para arrancar un proyecto en el que la IA pueda tener cabida.