Füture INESE.-Una de las herramientas con las que cuentan las empresas para alcanzar con éxito la digitalización es la Inteligencia Artificial. Según Gartner, en el año 2025 la AI liderará la inversión tecnológica. Pero la realidad es que estos proyectos de Inteligencia Artificial no son tan exitosos: como indicaba el psicólogo y profesor de la Universidad de Harvard Howard Gardner, el 85% de ellos fracasan.
Bajo este prisma, Francisco Díaz, business analyst en Compensa Capital Humano, del grupo Howden, aporta siete recomendaciones para conseguir que la Inteligencia Artificial se implemente de manera eficaz en las empresas:
1. Buscar un promotor interno para el proyecto
La falta de soporte y liderazgo es una de las causas principales de fracaso en los proyectos de AI. Por ello, subraya el experto, las iniciativas en este campo son muy atractivas, pero sus probabilidades de fracaso son altas.
«Es deseable crear un prototipo que ilustre el concepto, sin necesidad de emplear todos los recursos, y ayude a vislumbrar sus resultados», advierte.
2. Colaboración en la data
Díaz recuerda que la Inteligencia Artificial se basa en la data y, en mayor o menor medida, la empresa tendrá personas o grupos que manejen información necesaria para el proyecto. «Por lo que tiene que haber alguien en disposición de pedirles esta información», remarca.
La falta de colaboración es otra de las causas de fracaso más frecuentes y se manifestará también en la reticencia a asignar recursos al proyecto para una gran variedad de tareas a ejecutar fuera del desarrollo en sí.
3. Selección óptima de las iniciativas de Machine Learning
Otro punto importante es que un proyecto de estas características requiere de una inversión en recursos, que necesitarán estar bien planificados para justificar su coste. En la propuesta es preferible centrarse en la problemática de negocio que resuelven en vez de en las características tecnológicas.
Junto a esto, deberá incluir un ROI (retorno de la inversión) aproximado, el tiempo de comercialización de la idea, el esfuerzo estimado y los escollos que habrá que salvar. Sin olvidar, añade, de un análisis de viabilidad técnica.
4. Confeccionar un acta de constitución del proyecto (Project chárter)
La definición del proyecto y de sus requerimientos es trascendental para poder empezar el desarrollo del mismo. Este project chárter debe conocer el alcance del proyecto, qué queremos construir y los objetivos de negocio.
5. Composición del equipo
Para evitar la falta de experiencia y la desconexión entre desarrollo de software y ciencia de datos hay que definir los perfiles necesarios. Necesitaremos un especialista en data science, pero también un ingeniero de datos (data engineer) con conocimientos de IT y programación más tradicional. Es esencial que intervengan en el equipo expertos de negocio para que puedan ir realizando un seguimiento de los resultados.
No necesariamente tendrán que ser incorporados externamente, muchas veces ya existen recursos en la propia empresa o posibilidades de formación más adecuados.
6. Involucrar a stakeholders
En la vida útil del proyecto, se van a dar interacciones con una gran variedad de profesionales y proveedores que se deben de gestionar adecuadamente. Hay que ser conscientes también de las reticencias que puede ocasionar la AI como sustituto de tareas que actualmente realizan.
7. Un seguimiento constante
Para el ejecutivo es importante que los problemas no surjan únicamente en la implantación del proyecto, sino que es necesario prestar atención a cómo ejecutar lo que hemos dibujado. Las posibilidades de la inteligencia artificial son infinitas, por lo que es recomendable mantener un alcance conservador e instaurar fases de desarrollo.
Además, hay que tener en mente que los proyectos de AI tienen un componente de desarrollo de software, pero que también es importante escoger el método de gestión adecuado.
Por último, y aparte de las anteriores recomendaciones, Francisco Díaz explica que el conjunto de tecnologías y algoritmos que podemos elegir para implementar nuestras soluciones es muy amplio. “Es importante escoger soluciones simples y transparentes, y, sobre todo, que sea fácil de explicar su funcionamiento interno”, concluye.
