Inteligencia artificial para el análisis de datos en empresas

Los ejecutivos Lawrence S. Maisel, Robert J. Zwerling y Jesper H. Sorensen defienden que la inteligencia artificial aplicada al análisis de datos es la oportunidad de crear herramientas, técnicas y procesos comerciales que ayuden a comprender patrones, relaciones y tendencias. En su libro AI‐enabled analytics for business: A roadmap for becoming an analytics powerhouse plantean una hoja de ruta para impulsar e implementar la inteligencia artificial en los análisis de datos de las empresas.

La inteligencia artificial tiene más de 75 años de historia. El matemático Alan Turing ya exploró la posibilidad matemática de la IA y sugirió que, si la premisa de que “los humanos utilizan la información de la que disponen y la razón para resolver problemas y tomar decisiones” era cierta, las máquinas también podrían hacer lo mismo. Esta fue la base de su artículo “Maquinaria computacional e inteligencia” en el que, ya en 1950, trató cómo construir artefactos inteligentes y poner a prueba sus conocimientos.

Entonces, ¿qué es la inteligencia artificial? A grandes rasgos, es la capacidad de una máquina de tomar decisiones que, hasta la fecha, habían estado reservadas a los humanos. Pero, ¿qué significa eso, cómo se presenta la IA y cómo transformará nuestras vidas y la sociedad?

Tarde o temprano, la IA formará parte de todas las empresas. No obstante, cuando se integre en cada negocio dependerá por completo de lo que cada ejecutivo sepa y comprenda sobre la IA y la analítica de datos. He aquí el abismo entre quienes ya han adoptado esta tecnología y el resto.

Muchos ejecutivos carecen de una visión clara y una estrategia definida para implantar la IA en su negocio, división, grupo o departamento

Las implementaciones de inteligencia artificial están comenzando y, por el momento, los proyectos solo se han dirigido a algunas tareas y áreas específicas de las compañías. Y, si bien la tendencia de incorporar análisis avanzados va en la buena dirección, en estos momentos está habiendo más fallos que aciertos. La buena noticia es que los errores en IA y en analítica son altamente evitables.

Muchos ejecutivos carecen de una visión clara y una estrategia definida para implantar la IA en su negocio, división, grupo o departamento. Otros piensan entender su potencial, pero suelen trabajar con términos o conceptos mal definidos de lo que significa la analítica. Su reacción inicial es contratar consultores y software impulsado por IA, aunque no comprendan cómo se empleará ese análisis a la hora de tomar decisiones.

En las salas de juntas resuenan lamentos como “necesitamos mejores predicciones”, “¿qué está impulsando nuestro negocio?” o “tenemos que ser más inteligentes en lo que hacemos”. Pero, ¿cómo se consigue esto? Muchos ejecutivos han leído montañas de informes de consultoras sobre “qué” hay que lograr, si bien “cómo” hacerlo no está claro. Esta es la razón por la que tantas empresas quedan rezagadas en la adopción de la IA y la analítica de datos.

IA y machine learning: similares, aunque diferentes

“Inteligencia artificial” y “machine learning” son conceptos que se repiten una y otra vez y se usan indistintamente pero, aunque están muy relacionados, no son lo mismo. La IA es un conjunto de capacidades que hacen que una máquina pueda tomar decisiones humanas. Por su parte, el aprendizaje automático es una de las formas en que puede lograrlo y, por tanto, está contenido dentro de la IA. Todo el machine learning es IA, pero no toda la inteligencia artificial es ML.

El machine learning integra algoritmos ─modelos matemáticos─ empleados por los ordenadores para realizar tareas específicas sin recibir instrucciones explícitas, a menudo basándose en patrones y deducciones. Otra forma popular de IA son las redes neuronales altamente avanzadas, que imitan la estructura de la sinapsis del cerebro.

Últimos avances en machine learning

El aprendizaje automático requiere habilidades especializadas para su uso e implementación. Con frecuencia, el machine learning se combina con otras herramientas en pro de facilitar la toma de decisiones. Por ejemplo, imagine que un banco desea aumentar su número de préstamos sin incrementar el perfil de riesgo de su cartera. Este podría utilizar el machine learning para hacer predicciones, importar los resultados a hojas de cálculo e informar a los nuevos clientes de que su solicitud ha sido aprobada.

Los grandes proyectos de aprendizaje automático suelen implicar la colaboración de científicos de datos, programadores, administradores de bases de datos y desarrolladores de aplicaciones. Además, el machine learning necesita grandes volúmenes de datos de alta calidad para su entrenamiento. Este requisito paraliza el 80% de los proyectos relacionados con esta forma de IA.

Aunque es popular y poderoso, aplicar el machine learning no es fácil. Numerosos softwares nuevos están facilitando su uso, pero todavía está reservado, principalmente, a los científicos de datos. Supongamos, por ejemplo, que queremos predecir qué clientes de nuestro e-commerce van a completar su compra frente a aquellos que salen de la web antes de pagar. Este proceso conlleva varios pasos entre los que se encuentran la recopilación de datos, su preparación, la selección del algoritmo y su programación, el entrenamiento de un modelo, pruebas y, por último, su implementación. Cualquier fallo en alguno de estos puntos requiere un reinicio o un retorno a un punto anterior.

Pese a ser complejo, el machine learning ofrece un gran valor comercial en una amplia gama de aplicaciones

Una de las limitaciones del aprendizaje automático es que, en la mayoría de los casos, los modelos no son trasladables a una empresa similar o a otro departamento dentro de la misma compañía. Y, como ya se ha mencionado, suelen necesitar otras herramientas a fin de que sus resultados sean útiles para los gerentes.

Pese a ser complejo, el machine learning ofrece un gran valor comercial con una amplia gama de aplicaciones, tales como la predicción de la pérdida de clientes, los acuerdos de ventas que se cerrarán en los próximos 60 días, los medicamentos que tienen más probabilidades de pasar a la siguiente fase de unos ensayos, cuántos consumidores más comprarían con un descuento del 5% o la previsión de la demanda.

Vivimos un momento de cambios apasionantes. Las empresas se esfuerzan en mejorar la productividad y, con ella, la vida de las personas. La invención de la energía y del motor eléctrico transformó radicalmente la sociedad y trajo consigo inmensos beneficios a la humanidad a principios del siglo XX. La IA provocará transformaciones aún más profundas que afectarán a las próximas generaciones.