Por Jay Klein, CTO en Voyager Labs
Hay puntos débiles específicos en mente relacionados con el negocio cuando una compañía decide usar productos que emplean tecnología de IA. La mayoría de ustedes estará de acuerdo en que los problemas como la forma en que el producto usa los algoritmos de aprendizaje automático o la cantidad de capas en los modelos de la red neural profunda mencionados por el fabricante pueden parecer insignificantes en los debates “previos a la decisiones”, dado que esto no refleja las implicancias del éxito de la implementación de la solución.
No obstante esto, cuando me incorporé a Voyager Labs hace algunos años, advertí estos patrones de debate exactos con nuestros clientes. Tenían (y todavía tienen) una curiosidad extrema sobre las capacidades de IA de nuestros productos, y estaban entusiasmados por comprender mejor los aspectos algorítmicos de aquello que ofrecemos. Durante este tipo de debate, se pone sobre la mesa comúnmente terminología familiar y relacionada: aprendizaje automático, aprendizaje profundo, supervisado, no supervisado, etc. Un mero oyente durante este tipo de reunión concluiría que los clientes intentan llevar a cabo algún tipo de evaluación a través de una lista de verificación de términos populares sobre la IA.
No me malinterpreten. Los clientes tienen el derecho de evaluar lo que les sea necesario para tomar las decisiones correctas para el negocio. Asimismo, no tenga nada en contra de las “listas de verificación”.
Listas de verificación
Una lista de verificación es una herramienta eficaz para hacer un análisis comparativo o recordatorios y avisos importantes. Sin embargo, una lista de verificación solo es útil siempre y cuando tenga los puntos “adecuados” en ella. Permítame ejemplificar con una breve historia.
Un granjero consultó con el hombre sabio de su pueblo acerca de sus caballos. “Tengo dos caballos y es me resulta muy difícil distinguirlos”, dijo el granjero. El hombre sabio hizo algunas preguntas obvias: “¿Por el largo de la cabellera? ¿La forma de las orejas? ¿La forma de la cola?” Siempre que el hombre sabio señalaba algunos criterios, el granjero regresaba a casa, pensaba en la perspectiva del hombre sabio y volvía con una respuesta.
De manera frustrante, ambos caballos tenían el mismo largo de cabellera, la misma forma de las orejas…
El hombre sabio estaba a punto de darse por vencido y pidió una inspección final: “¿Quizás la altura?” El granjero volvió un día más tarde sonriendo: “Está en lo cierto… una pulgada de diferencia… y es el caballo blanco que es más alto que el caballo negro… ”.
Podemos aprender tres cosas a partir de esta historia (y, no es sobre los aspectos estadísticos de la altura del caballo):
Primero: una lista de elementos evidentes y básicos en la lista de verificación no le podrá decir si la historia es verdadera y completa.
Segundo: es muy fácil manipular la lista.
Tercero (y más importante): en muchos casos, lo que falta en la lista son los puntos importantes para usted, el cliente.
¿Cómo cambiamos la lista de verificación? Perfeccionamos a nuestros objetivos.
Con cuidado y de manera auténtica.
Tal como mencioné anteriormente, la realidad es que, detrás de la decisión de una compañía de usar un producto con tecnología de IA incorporada, hay puntos débiles específicos relacionados con el negocio en los que no se pueden medir las soluciones directamente tan solo por mencionar modelos y algoritmos de IA específicos.
En palabras simples, al crear una lista de verificación, no queremos ir “cuesta abajo” y usar puntos de bajo nivel, dado que no nos permitirá hacer hincapié en la diversidad y poder revelar la conexión entre los puntos en sí y los resultados del caso de negocio. No obstante, por otro lado, no queremos ir por descriptores de alto nivel que tendrán el mismo efecto que antes o teñirán el mundo en soluciones en blanco y negro. Por ejemplo, todos hemos advertido las recientes discusiones sobre la “sólida IA” apuntando a la dirección de la inteligencia artificial general, que todavía está bastante lejos de cualquier comercialización práctica en la mayoría de los casos, si no en todos. Incluir “sólida IA” en este tipo de lista, no solo crea este efecto de dicotomía, sino que es completamente confuso e insignificante tanto desde la perspectiva de la preparación (marketing) y aplicabilidad (es relevante) en el caso de negocio específico que está evaluando el cliente.
Transformación narrativa
Resulta bastante evidente que necesitamos cambiar los puntos de discusión en torno de la tecnología y las soluciones de IA por algo significativo y auténtico acerca de las luchas de la vida real que los negocios enfrentan. Este es el momento de presentar la IA auténtica.
Comencemos por la parte de “auténtica”. El diccionario Merriam-Webster define “auténtica” de la siguiente manera:
- digna de aceptación o creencia dado que cumple con un hecho o está basada en él
- de conformidad con un original, de modo que reproduce las características esenciales
Hay algo en relación con esta terminología, “auténtica”. No me malinterpreten, no estoy intentando insinuar que hay alguna clase de “falsa IA”, que es necesario contrastar con algo “real”. En realidad, son las características esenciales las que debemos reconocer y, como consecuencia, redefiniremos la lista de verificación.
Por ejemplo, asuma una perspectiva de CIO/CDO al enfrentar un nuevo problema que debe resolverse. Cuando se explora un producto o una solución basado en la IA, surgen varias preguntas en relación con los aspectos de la IA de este, que pueden revelar las características esenciales mencionadas anteriormente:
- ¿El producto usa la tecnología de IA específicamente para mi problema, de manera óptima (p. ej., rendimiento, costo, etc.)?
- ¿Aborda el problema completo o solo una parte de él?
- ¿Puede asimilarse en el ecosistema existente sin imponer nuevas demandas?
- ¿Puede abordar las condiciones ambientales apremiantes del espacio del problema?
Piense en “original”, “transversal”, “pragmático”.
Mantenga su pensamiento allí, volveré pronto.
