Cómo incorporar la inteligencia artificial en la cadena de valor

Según publica el portal Ituser.es aunque la tecnología de inteligencia artificial está siendo ampliamente adoptada, pocas empresas han sido capaces de incorporarla en toda su cadena de valor con eficacia. Repasamos las claves para conseguirlo de la mano de los especialistas de Stratesys.

Se espera que el mercado de la inteligencia artificial alcance los 407.000 millones de dólares en 2027 y es, sin duda, una de las tecnologías más prometedoras. Sin embargo, la gran mayoría de los modelos de IA se quedan en la fase de prueba inicial, sin llegar a ser ser producidos a gran escala.


Banner_frasco-suscripcion-800x250

Cinco puntos clave que las compañías deben tener en cuenta

La consultora Stratesys ha identificado los cinco puntos clave que las compañías deben tener en cuenta para incorporar con éxito esta prometedora tecnología en toda la cadena de valor corporativa:

– Incorporar la inteligencia artificial en el ADN de la empresa. La fase más importante y el primer paso, es mostrarle a los altos ejecutivos cómo su uso puede ayudar a cada unidad de negocio de la compañía. Se debe entender que es es transversal a todas las áreas que conforman una organización y que puede apoyar en la toma de decisiones de los expertos, ofreciendo hasta 10 veces más eficacia mientras eleva la productividad hasta un 40%. Hoy en día, la tendencia de empresas líderes es crear un departamento de IA para aumentar significativamente la productividad y, en consecuencia, sus ingresos y/o márgenes.

Datos de calidad

Se pueden encontrar grandes volúmenes de datos dentro una empresa utilizando las mejores tecnologías para gestionarlos, pero si éstos carecen de calidad no será viable la creación de modelos de inteligencia artificial eficaces. La calidad de los datos se debe gestionar conjuntamente entre Negocio, Arquitectura y Científicos de Datos, pero la voz cantante la deben llevar los equipos de Negocio como máximos conocedores de los datos y los problemas a resolver. Los modelos aprenden de lo que se les enseña, si los datos son de baja calidad, los modelos de IA también lo serán.

Metodología de desarrollo

Una de las fases más importantes para crear un departamento de IA, es tener una metodología sólida de desarrollo de modelos. En esta fase debe incluirse un equipo multidisciplinar conformado por personas de negocio, ingenieros de datos, arquitectos de tecnología y científicos de datos; mientras se coordinan a través del «business translator», que será clave para entender el problema desde el punto de vista de negocio y trasladdarlo al lenguaje de los equipos técnicos en IA. Además, debe entender los resultados de los modelos creados y traducirlos a los KPIs de la empresa.

Plataformas de inteligencia artificial

Hoy en día se necesitan plataformas que ayuden a agilizar, gestionar y automatizar los modelos de forma eficaz y eficiente. La plataforma seleccionada debe tener la capacidad de democratizar esta tecnología hacia aquellas áreas de la empresa en las que no se tienen científicos de datos.

La plataforma debe proveer funcionalidades de low-code para que expertos en negocio puedan crear sus propios modelos de IA con sólo la supervisión de científicos de datos. Esto puede provocar la creación de dos a tres veces más modelos de IA en toda la empresa. La idea que hay detrás de esta democratización es también que una nueva cultura permee en las organizaciones a través de la aplicación de estas nuevas técnicas generando una profunda diferenciación con la competencia.

– Inteligencia Artificial Explicativa. Una parte fundamental de crear modelos de IA es entender que ha hecho el modelo y cómo toma las decisiones. Además, entender qué decisiones provee el modelo ante casos atípicos ayuda tanto a los expertos en negocio como a los científicos de datos a entender la veracidad del modelo cuando realiza las predicciones. Actualmente, se están dictando regulaciones en varios sectores, por ejemplo, el sector financiero, para utilizar sólo aquellos modelos que puedan proveer una explicación de las predicciones. Por tanto, crear modelos explicativos debe estar sobre la mesa desde la concepción del caso de uso.


Reciba las últimas noticias de la industria en su casilla:

Suscribirse ✉