Cinco razones clave por las que las estrategias de IA fallan y lo que pueden hacer las empresas para evitar estas trampas.
La inteligencia artificial es una característica atractiva para los sistemas y aplicaciones de TI de nueva generación, y se invertirá mucho en ellos aquí en 2021. Pero a menudo se necesita cierta delicadeza para asegurarse de que funcionen de manera tan óptima como se prometió.

No sorprende que la inteligencia artificial sea un ingrediente clave en el espacio tecnológico moderno. Desde el aprendizaje automático hasta los wearables y la robótica, la IA en todas las industrias es una necesidad cada vez mayor para las empresas que buscan seguir siendo competitivas a largo plazo. Sin embargo, existen algunas razones comunes por las que las empresas a menudo se quedan cortas en la implementación de su estrategia de IA.

Aquí analizaremos cinco razones clave por las que las estrategias de IA fallan y lo que pueden hacer las empresas para evitar estas trampas.

1.- Rendimiento técnico y flexibilidad.

El trabajo inicial en soluciones de inteligencia artificial generalmente involucra pequeños subconjuntos de datos, que requieren recursos informáticos más pequeños. Cuando la IA se expande a sistemas de producción más amplios, el rendimiento puede verse afectado de manera exponencial. La atención insuficiente al rendimiento a escala crea sistemas de IA que parecen funcionar bien durante las pruebas, pero que la empresa en general no puede utilizarlos rápidamente.

Solución: las empresas deben ser precisas en los requisitos informáticos para escalar y realizar pruebas, con la mayor frecuencia posible, en un entorno cercano a la producción.

2.- Veracidad de datos y volumen de datos.

Hay problemas fundamentales que surgen de las decisiones relacionadas con la arquitectura de datos. Una base de datos incorrecta puede inutilizar fácilmente un sistema de prueba de trabajo de IA escalado. Además, esto se ve reforzado por problemas de preparación y limpieza de datos. Por ejemplo, las intervenciones manuales por parte de seres humanos pueden ser efectivas para preparar datos de prueba, pero esto normalmente no se puede escalar.

Solución: tome decisiones de arquitectura de datos basadas no solo en el crecimiento, sino también en la comprensión de los procesos necesarios para la capacitación de datos necesaria para construir IA.

3.- Procesos comerciales y personas.

Uno de los mayores desafíos que enfrenta la implementación de nuevas tecnologías son los seres humanos, y la implementación de la IA solo será tan sólida como la capacitación y el apoyo para el personal que la implementa. Las soluciones de IA también deben desarrollarse con un mecanismo para garantizar que los canales orientados al cliente estén completamente preparados para las reacciones de los clientes. Por ejemplo, esto podría incluir un aumento temporal en las llamadas telefónicas si los chat-bots no funcionan correctamente o un tsunami de correos electrónicos si un servicio de contestador telefónico no los lleva a donde deben ir.

Solución: darse cuenta de que la IA requiere trabajo humano es fundamental para pensar en la implementación de la IA. Las empresas deberán implementar estrategias para abordar los desafíos rápidamente antes de una iniciativa de IA, incluidas las consideraciones sobre cómo afectará al personal humano y a los clientes.

4.- Comportamientos inesperados.

Respaldar problemas comerciales que no aparecieron en las pruebas es muy difícil de escalar. Escalar la IA requiere que los sistemas de producción permitan situaciones que no se encuentran en los diseños o planes. Con el tiempo, pueden surgir nuevos desafíos debido a cambios en el propio sistema de IA. El aprendizaje automático está diseñado para mejorarse a sí mismo con el tiempo y, por lo general, esto mejora la precisión de un algoritmo. Sin embargo, también puede dar lugar a otras revelaciones, como identificar nuevos patrones de comportamiento del cliente o fraude.

Solución: una parte importante de escalar la IA significa desarrollar y trabajar a través de una variedad de escenarios hipotéticos. Las empresas deben desarrollar contingencias técnicas y operativas, como preguntar cómo “apagar” una solución de IA temporalmente con una interrupción mínima.

5.- Seguridad y gobierno de los datos

Uno de los problemas más importantes al escalar la IA para la producción son las implicaciones de seguridad. El riesgo cibernético es un elemento que debe considerarse desde todos los ángulos al implementar la IA. La IA introduce nuevas vulnerabilidades y representa nuevos riesgos para las soluciones de ciberseguridad establecidas.

Solución: antes de implementar la IA, las empresas deben desarrollar un enfoque de implementación basado en el riesgo, identificando los puntos débiles y reforzándolos de manera adecuada. También pueden considerar trabajar con un tercero para probar las protecciones de ciberseguridad con anticipación para identificar puntos de vulnerabilidad.

© 2019 EnlineaSaltillo.com

Todos los derechos reservados.