Tabla de contenido0
Según una encuesta realizada a más de 9.000 empresas llevada a cabo por la Comisión Europea, un 78 % de las europeas afirman saber qué es la Inteligencia Artificial (IA), el 15 % no lo tiene muy claro, y solo un 7 % admite no saber lo qué es.
Estas cifras están invertidas, y solo un porcentaje muy bajo entiende realmente las implicaciones de la IA. A pesar de que parezca la solución a todos nuestros problemas y que haya programas públicos de financiación apoyando la implementación de la inteligencia artificial en todos los sectores, y aunque parezca que estamos rodeados de empresas con productos y soluciones exitosas (Uber, Alexa, incluso el aspirador Roomba), la cruda realidad es que no es fácil encontrar aplicaciones en producción donde la IA está presente en las empresas industriales de nuestro entorno.
A pesar de que las empresas más innovadoras se han ido embarcando en proyectos donde se han llevado a cabo pruebas de concepto (PoC), como primer paso para incorporar la IA en sus procesos de producción, en el momento en que ha habido que dar el paso siguiente y elevar el PoC a producción, en la mayoría de los casos, no se ha llevado a cabo.
Los motivos son de diferente índole y, en base a mi experiencia de los últimos siete años abordando este tipo de proyectos, los más relevantes son:
- Desinformación, altas expectativas de la IA: los sistemas que funcionan bien son sistemas supervisados (hay un humano detrás, que en la fase de entrenamiento, enseña con ejemplos etiquetados lo que se pretende que el modelo IA prediga). Resumiendo, los sistemas no aprenden solos sin intervención humana por "arte de magia".
- Falta de cantidad y calidad de datos: aunque depende de cada aplicación, se puede afirmar que, para abordar estas aplicaciones, se necesitan muchos datos que abarquen la variabilidad existente. Además, esos datos deben tener una calidad mínima. En lo relativo a la cantidad de los datos y su variabilidad, no se trata de disponer de mucha información repetida sino de que esa información abarque toda la casuística que, posteriormente, el sistema encontrará en la realidad.
- Para abordar la falta de datos es necesario que la empresa se implique activamente y participe en la generación y etiquetado de esos datos, ya que es necesario el conocimiento de dominio. En muchas ocasiones, la empresa no dispone de esos recursos.
- Acceso a esos datos: en general, los sistemas IT en las empresas se han ido construyendo y creciendo según las necesidades. El acceso a los datos no suele ser automático y por lo tanto, en muchos casos, obliga a las empresas a hacer una inversión para desarrollar un aplicativo que almacene esos datos en una base de datos estructurada, que será la que sirva posteriormente para el entrenamiento de los algoritmos de IA. Esto implica que el proyecto se demore, lo que tampoco ayuda a la implantación de estas soluciones. En algunas empresas donde se han creado departamentos de IA, su objetivo es tener en pocos meses resultados tangibles que los justifiquen, por lo tanto, plantear proyectos cuyos resultados no vean la luz hasta un año después es difícil de justificar.
- Organización de las empresas: según la encuesta antes mencionada, la falta de competencias y el coste de implementar estos sistemas son los principales obstáculos para la adopción de la IA. Con el argumento del coste puedo estar de acuerdo, pero no con la falta de competencias. Existen profesionales muy buenos en nuestra industria y, en mi experiencia, casi cualquier perfil técnico (ingeniero, físico, matemático) puede ser un buen interlocutor de su empresa con proveedores de proyectos de IA una vez se le dé la formación adecuada.
- Respecto a la organización de las empresas, la estanqueidad de los diferentes departamentos que se ven involucrados en estos proyectos (IT, operaciones y producción) no ayuda.
Pasos para abordar un proyecto de IA con éxito
- Buscar proveedores solventes y con experiencia, cuando una tecnología se pone de moda, aparecen como por arte de magia empresas que ofrecen esa tecnología. En TECNALIA, y tras siete años dedicándonos a proyectos de visión con tecnologías de IA, más en concreto Deep Learning, cada iniciativa es un reto y tiene sus peculiaridades. La experiencia es la que nos hace anticiparnos a los futuros problemas. Contrastar la experiencia del proveedor (referencias, publicaciones, CVs del equipo, patentes) es fundamental.
- Tener claro el objetivo del proyecto: no siempre es necesario abordar los problemas con IA.
- Una vez el objetivo está claro y que el uso de la IA es lo más adecuado para resolver el problema, la fase inicial de definición de requisitos es fundamental. El proveedor tiene que entender bien el caso de uso y el cliente adentrarse y entender más la tecnología.
- El proveedor debe hacer un análisis de qué datos se necesitan para el proyecto y el cliente hacer un análisis de dónde están esos datos y cómo acceder a ellos.
- Una vez el proveedor hace un análisis preliminar de los datos (análisis estadístico, calidad y cantidad de los datos), en muchos casos, el primer paso pasa por generar datos donde el cliente se debe involucrar activamente con suficientes recursos. Los datos son el core del éxito de estos proyectos.
- Esta tipología de proyectos supone un cambio de mentalidad en el cliente en cuanto a la gestión y seguimiento. Las empresas tienen que estar dispuestas al cambio, a nuevas metodologías ágiles para su gestión; donde, en diferentes fases, hay que ir tomando decisiones de forma conjunta.
La IA tiene un potencial enorme aún sin explotar como ya se ha demostrado en muchas áreas y en concreto en la de computer vision. Es necesaria una colaboración clara entre las empresas y los proveedores de tecnología con un acercamiento transparente, sin crear expectativas no realistas, pero siendo también ambiciosos y asumiendo riesgos controlados.
