Inteligencia Artificial con impacto en las organizaciones: No invierta el planteamiento del problema con la selección de herramientas

¿Cómo debe ser estructurado un equipo de Ciencia de Datos para forjar un criterio mínimo organizacional y tener la capacidad real de impactar en la generación de valor y eficiencias?
Santiago Arrubla

Santiago Arrubla

IA | Energia | Analítica | Oil&Gas

A menudo, cuando el llamado hype, tendencia o moda es tan fuerte, nos dejamos llevar por ello y tratamos de utilizar la moda forzosamente, sin importar si aplica. Recientemente lo hemos visto con la Inteligencia Artificial (IA) Generativa, con la cual tratamos de buscar el problema que se ajusta a la herramienta, en vez de plantear el problema y seleccionar apropiadamente las herramientas para su solución. 

Si bien ambas aproximaciones pueden ser consideradas como correctas en la búsqueda de aplicaciones de IA, en un contexto empresarial u organizacional, la primera suele sacarnos de la practicidad y del impacto de la aplicación. Nos suele llevar a aplicaciones inocuas o sin sentido organizacional, a “tratar de matar una mosca con una bazuca”.

Una organización con un criterio lo suficientemente maduro en Ciencia de Datos tendrá el conocimiento y la literatura suficiente para poder: uno, identificar el problema y plantearlo; dos, identificar las herramientas adecuadas para su solución; y tres, saber utilizar dichas herramientas. Alterar esta secuencia lógica de estos tres simples pasos, por ejemplo, al invertir el paso uno con el dos, suele forzar la aplicación de las herramientas – “utilizar un martillo para ajustar un tornillo”. 

Se dice que cerca del 85% de los proyectos de Ciencia de Datos en las organizaciones fracasan, y solo el 2% llegan a generar valor. De estas cifras, podríamos estar tentados a archivar la Ciencia de Datos en una organización; no obstante, un solo proyecto bien aplicado de 100 lo pagaría todo, y por ende debemos enfocarnos más bien en mejorar la tasa de éxito siguiendo los tres pasos mencionados.

De este modo, ¿existe un sesgo adicional al de la moda o tendencia para invertir el planteamiento del problema con la selección de herramientas? Se deben considerar dos elementos, siendo el primero la complejidad del problema prioritario que enfrenta la organización, cuya solución debería generar un impacto o beneficio tangible. 

Dichos problemas suelen ser complejos y, en consecuencia, tener cierta dificultad en ser identificados, planteados y formulados. No en vano, “la mitad de la solución de un problema es su planteamiento”. En segundo lugar, las herramientas de IA son muy variadas y es posible que, para resolver efectivamente un problema, se requiera una combinación de ellas. Sin embargo, saber utilizar las herramientas requiere un conocimiento, y es natural que sesguemos el uso de las herramientas que sabemos utilizar al problema – sin duda, si no conocemos un destornillador, trataremos de ajustar un tornillo con un martillo.

En resumen, son tres las causas identificadas por las cuales invertimos el planteamiento del problema con la identificación de las herramientas para su solución. Por un lado, la moda y el hype; por otra parte, el sesgo de las herramientas que sabemos utilizar o conocemos; y, en tercer lugar, la complejidad de los problemas organizacionales per se, que hace que no tengamos necesariamente un problema bien planteado que nos permita a su vez identificar apropiadamente las herramientas necesarias para su solución. 

En un contexto organizacional, dichos tres elementos deben ser soportados por un equipo interdisciplinario de Ciencia de Datos, constituyendo el llamado criterio mínimo organizacional en IA para poder tener soluciones end-to-end apropiadas, que impacten la generación de valor y/o generen eficiencias para hacer más con menos.

¿Cómo debe ser estructurado un equipo de Ciencia de Datos para forjar un criterio mínimo organizacional y tener la capacidad real de impactar en la generación de valor y eficiencias? Esta es una segunda pregunta natural. Quizás la abordaremos en una próxima oportunidad; no obstante, quería estar primero seguro de plantear bien el problema antes de posibles mecanismos para su solución.