Cuando te sientas a tomar una cerveza, en lo último que piensas es en la Inteligencia Artificial (IA). Solo quieres sentir ese sabor más o menos amargo, según tus gustos, que tanto te refresca, aunque sea invierno. Pues siento decirte que si lo haces es en parte gracias a una compañía llamada Carlsberg que hace casi 150 años inició uno de los primeros laboratorios de investigación industrial, que descubrió una forma de purificar la levadura que permitía una producción constante de cerveza. La compañía decidió compartirla gratuitamente con otras cerveceras, y la levadura Carlsberg se usa en la mayoría de las lager del mundo que se elaboran hoy en día. También otro invento: La escala de PH, que mide la acidez (o cantidad de hidrógeno en una solución), fue descubierta en estos laboratorios, regalada y todavía hoy es usada. Podemos hablar de un espíritu de “código abierto”.
Hace varios años que Carlsberg ha implementado un proyecto de IA. Se trata de sensorizar aspectos relacionados con la cerveza, lo que les permitirá, además de detectar contaminantes en tierra, aire o agua, superar el uso de cromatografías y la espectrometría para detectar nuevos sabores y aromas, un proceso que puede durar horas por cada fermentación testada y que ahora se acortará significativamente. Lo hace junto a varias universidades y Microsoft, compañía que ha presentado un interesante estudio, elaborado por EY, para cartografiar la situación de la adopción de la IA y ver cómo las principales empresas de 15 países de Europa se benefician de la IA, estudio del que ha hecho un especial para las empresas españolas.
Y si hemos citado el ejemplo de una de las 4 compañías cerveceras más importantes del mundo es para transmitir una idea clave: La IA no va solo de tecnología, que también, sino de una forma de ver el mundo. Es necesario crear una cultura alrededor de la IA.
Emil Christian Hansen. Jefe del Departamento del Laboratorio de Investigación Carlsberg. En 1883 desarrolló el primer método para cultivar levadura pura, que revolucionó la industria cervecera.
Fuente: www.carlsberggroup.com
"Es difícil innovar un producto de 5.000 años de antigüedad pero cuando has visto cada molécula de cerveza y cada gen en la cebada, te das cuenta de que todavía hay infinitas oportunidades de crear una cerveza aún mejor"
Birgitte Skadhauge. Vicepresidenta en Carlsberg Research Group.
El estudio de Microsoft nos ofrece una herramienta muy interesante para entender lo que hemos introducido. En uno de sus bloques plantea, por una parte, la importancia que una serie de ítems tienen para la empresa, así como el grado de competencia (saber) en dicho ítem que la empresa dice tener.
Cultura abierta
Quizá éste sea el elemento nuclear, porque el quid de la cuestión no está en los datos sino en su tratamiento. Con una brecha relativamente pequeña entre su importancia (promedio 3.9/5) y la competencia (promedio 3.2/5) que asumen las empresas entrevistadas, crear una cultura abierta es una de las capacidades donde las empresas líderes en IA se sienten más cómodas. Sin embargo, un problema en este sentido es el concepto de compartir datos abiertamente, cuando el valor de los datos sigue siendo en gran parte desconocido hasta que han sido tratados, procesados o combinados con otros conjuntos de datos, y este problema también es posible que venga desde dentro de la organización, al compartir datos entre departamentos. En cualquier caso, una política de transparencia sobre los proyectos en curso y los resultados deseados ayudará a establecer colaboración a través de proyectos interorganizacionales o en copropiedad entre expertos en IA y las empresas.
Alianzas externas
Uno de los principales problemas que se han detectado es la falta de experiencia por parte de las empresas en proyectos de IA y la escasez de talento en el mercado y dentro de las empresas para abordar este tipo de problemas.
En España el 90% de las empresas entrevistadas se consideran entre moderada y altamente competentes para realizar alianzas externas y lo consideran importante (3.5/5) de media, lo que indica que la mayoría, ya han participado en algún tipo de proyecto compartido y, por lo tanto, han adquirido algo de experiencia en este campo.
Un ejemplo de este modelo de alianzas externas podría ser Pavabits, una empresa surgida de la colaboración durante más de 5 años entre la constructora Pavasal y Cuatroochenta y que ha resultado en la creación de un software para la digitalización de la recepción y validación de facturas en la nube, que a partir de ahora Pavabits comercializará como Invoice System.
Analítica Avanzada y Gestión de Datos
Existen otros dos elementos imprescindibles sobre los que debemos trabajar si queremos implementar una estrategia de IA en nuestra compañía: la Analítica Avanzada y la Gestión de Datos. De ambos hemos hablado ya en artículos anteriores.
Sobre la Analítica Avanzada (AA) o Inteligencia de Negocio (BI) es importante mirar hacia dentro de la empresa y capacitar a nuestros empleados que ya están trabajando en ella, con habilidades de IA generando un perfil híbrido que repercutirá en los proyectos futuros. Sin duda es una de las capacidades consideradas importantes en relación con la IA y su importancia está en el 4,2/5. Sin embargo hay margen de mejora pues el nivel de competencias de las empresas está en el 3.2/5 en el caso español, sólo una décima por debajo del europeo.
El otro aspecto es la Gestión de Datos o Data Management (DM). Es imprescindible tener estrategias óptimas que nos permitan capturar, almacenar, estructurar, etiquetar, acceder y gobernar datos para construir la base y la infraestructura para trabajar con las tecnologías de IA. Del informe de Microsoft se desprende que:
Las empresas encuestadas dedican entre 2 y 3 años a crear la infraestructura de datos adecuada para la IA e incluso más en el caso de proyectos muy ambiciosos que requieren seguir perfeccionando estas infraestructuras.
En esta área, pese a que la consideran muy importante (4,2/5) la media de competencia de las empresas españolas está en el 3,4/5 y aunque estamos por encima de la media europea, hay margen para seguir mejorando.
Para crear soluciones de IA precisas y útiles, las empresas necesitan, además de una gran cantidad de datos, también datos precisos que estén debidamente estructurados y etiquetados. No hacerlo puede provocar que los datos sean simplemente inútiles, pues su uso podría dar lugar a resultados indeseables o poco fiables.
Encontramos muchas compañías que están preocupadas por limpiar, estructurar y migrar datos históricos para aprovecharlos; otras han optado por construir nuevas estructuras de datos desde cero para recopilar los datos correctos en el futuro.
El 60% de las empresas avanzadas informan sobre el uso de arquitecturas híbridas en instalaciones y en almacenamiento basado en la nube, mientras que los menos avanzados dependen principalmente de plataformas en las instalaciones.
Existe un elemento que, aunque transversal, es crucial en el tratamiento de los datos: La reciente implementación de RGPD en la UE ha resaltado la necesidad de gobernar los datos para saber para qué son utilizados.
De hecho, los 3 riesgos más importantes asociados a los proyectos de IA, en España, y que se perciben como un freno son los siguientes:
Top 3 business risks in Spain
Requisitos regulatorios
En particular, la necesidad de directrices y normativas claras sobre la IA. Al ser un campo reciente existe miedo a la inversión en proyectos que cuando se regule la materia haya que redefinir.
Sobrecarga de información
Fruto de los grandes volúmenes de datos con los que tratamos de encontrar resultados comprensibles y procesables.
Impacto sobre los empleados
Fruto del miedo que se genera al sentirse reemplazables por las soluciones generadas con su experiencia. Por lo que se hace necesario gestionar el cambio a su nuevo rol, orientado a ayudar a los clientes y desarrollar productos y servicios.
Datos sintéticos
Los datos sintéticos forman parte de lo que algunos han llamado “tecnologías críticas” para la IA 2.0, y su uso. Básicamente consiste en “fabricar datos” que permitan eliminar el riesgo de fuga de información confidencial y abordar los problemas regulatorios y del RGPD. No es que se generen estos datos de manera “artificial” sino que tratándolos del modo adecuado nos permiten “anonimizarlos” o “pseudonimizarlos”, aunque hoy día se prefiere la agregación de datos (pues se evita la inferencia de los datos eliminados y de este modo que se puedan reconstruir) a costa de que los “resúmenes” generados en la agregación, reduzcan demasiado el valor informacional de los datos. No obstante, existen más técnicas en las que no vamos a entrar.
Los datos sintéticos los genera un modelo de machine learning que ha sido previamente entrenado sobre los datos originales. El entrenamiento del modelo tiene como objetivo identificar los patrones de actividad existentes en los datos, para poderlos reproducir. Es decir, el modelo ha de ser capaz de generar un nuevo conjunto de datos cuyas propiedades estadísticas sean iguales a las de los datos originales.
Vistos los elementos afines al la inteligencia artificial, cabría preguntarse:
¿Para qué usan la IA las empresas?
1. Predecir.
El 74% de las empresas ven la predicción como un uso relevante de la IA, esta funcionalidad, incluye:
El análisis de las causas del abandono, identificando e involucrándose proactivamente para evitar el posible abandono de sus clientes. También los equipos de ventas utilizan el análisis predictivo, por ejemplo para identificar clientes potenciales con la mayor probabilidad de conversión.
Por su parte, empresas que venden o utilizan maquinaria avanzada y cara, utilizan el mantenimiento predictivo para ahorrar costos, mejorando el mantenimiento y la reducción del tiempo de inactividad.
2. Automatizar
Se estima que entre un 20 y un 30% de las tareas que se realizan en las empresas pueden automatizarse. Un uso cada vez mayor es la implantación de chatbots que ayuden a mejorar la relación con el usuario y permitan obtener información que podemos revertir en el circuito IA.
3. Generar conocimiento para la toma de decisiones
El 58% de las empresas ven la IA como una forma de tomar mejores decisiones. Con una adecuada infraestructura de datos, se puede acelerar el análisis de datos, detectar tendencias y acelerar procesos como el desarrollo de productos.
4. Personalizar
El 44% de las empresas utilizan IA para personalizar la experiencia de usuario, no solo en el momento del consumo (adquisición) de un bien o servicio, también en las fases previas y posteriores. En este sentido, Cuatroochenta ha desarrollado un motor de recomendación de productos y servicios para los clientes de una cadena de hoteles, basándose en el historial de uso y en su propio perfil.
5. Prescribir
Desde el uso de motores de sugerencias y recomendaciones para ayuda en la toma de decisiones a otros tipo de soporte más avanzado que requiera disponer de un elevado volumen de información. Por ejemplo, Cuatrochenta programa la limpieza de baños en aeropuertos atendiendo a distintas variables, como el orden de llegada de aviones, puertas de embarque, personal disponible, etc.
"La AI permitirá que los objetos entiendan, haciéndolos más útiles. Por supuesto, la AI no solo beneficiará nuestra relación con los objetos, sino también automatizará todo tipo de procesos que eran anteriormente demasiado complejos para la industria o los servicios."
Claudio F. González. Catedrático de la UPM. El gran sueño de China.
En definitiva
La transformación de las organizaciones impulsadas por la IA es continua. Esto requiere ver la IA como un proceso, no como un proyecto. Por eso si todavía en vuestra empresa no habéis dado el salto, es el momento de hacerlo automatizando pequeñas tareas. Es sencillo. Poco a poco, el nivel tecnológico y de capacitación de los empleados se incrementará. Las empresas que están en ello, seguro que siguen motivadas en continuar explorando casos de uso, a veces con resultados inciertos, pero que siempre sirven de impulso para seguir liderando el avance hacia el cliente y el empleado.
