Estrategias para aplicar Machine Learning en la empresa

La transversalidad es una de las principales características del aprendizaje automático y, por tanto, se puede aplicar en cualquier tipo de empresa, con independencia de su actividad. El principal activo necesario es disponer de datos sobre los que el algoritmo pueda aprender y, por tanto, extraer conclusiones. Algunos ejemplos de la utilización de estas técnicas en casos concretos son: plataformas que hacen recomendaciones para sus diferentes clientes, la optimización de las rutas de reparto en el sector de la logística, la vigilancia de las personas dependientes en el sector médico, el mantenimiento óptimo en los equipos de las empresas en el sector de la manufactura o la gestión del tráfico en las ciudades inteligentes (o Smart Cities).

Gracias a las múltiples soluciones existentes en el mercado, cualquier empresa se puede plantear aplicar técnicas de aprendizaje automático para intentar obtener diferentes beneficios de ellas. Concretamente, las aplicaciones asociadas al aprendizaje automático más utilizadas en las empresas están relacionadas con chatbots, con recomendaciones a los clientes, con reconocimiento de imágenes, realización de análisis para conocer las razones por las que se pierden clientes, establecer precios dinámicos, predecir la demanda, detectar el fraude interno y externo o llevar una correcta gestión energética.

Gracias a las múltiples soluciones existentes en el mercado, cualquier empresa se puede plantear aplicar técnicas de aprendizaje automático para intentar obtener diferentes beneficios de ellas

Implementación más lenta de lo esperado
La aplicación de estas técnicas está siendo de gran utilidad para las empresas, pero su implementación, en general, está resultando más lenta de lo esperado. De acuerdo con un informe publicado por la Comisión Europea (2021), el 42% de empresas europeas ha implementado ya algún tipo de tecnología de Inteligencia Artificial. La cifra se eleva hasta el 55% para las grandes empresas (con más de 250 empleados) y disminuye hasta el 38% en las microempresas (entre 5 y 9 empleados). Ese mismo informe señala que los sectores económicos con mayor adopción de dichas tecnologías son las propias empresas de tecnología, el sector de la educación y el sector salud. El sector de finanzas y seguros destaca como uno de los de mayor proyección de crecimiento en la utilización de estas técnicas.

Incorporar estas tecnologías en las empresas puede ser un gran desafío para los recursos actuales de las compañías. Así, los principales retos son el propio coste de la implantación y encontrar la financiación necesaria para llevar a cabo el proyecto. Pero también lo es encontrar personal con la formación adecuada: hasta un 80% de las corporaciones externalizan estas actividades ya sea utilizando algún tipo de software general o con desarrollos a medida, mientras que tan sólo un 20% se enfrenta a estas actividades con profesionales en plantilla (Comisión Europea, 2021).

Incorporar estas tecnologías en las empresas puede ser un gran desafío para los recursos actuales de las compañías

Al buscar estrategias para implantar soluciones asociadas al aprendizaje automático en pequeñas y medianas empresas es imprescindible tener en cuenta que este tipo de compañías, en general, tienen capacidad de moverse rápidamente en comparación con las grandes empresas. Pero esto no aplica con la IA. Esto se debe a que la IA se basa en modelos que utilizan gran cantidad de datos y las grandes corporaciones son las que tienen la capacidad y los recursos para generarlos.

Aplicación IA en las pymes

A continuación, se identifican algunas etapas o fases fundamentales para aplicar estas soluciones en las pymes:

1. Entender el alcance de las aplicaciones de aprendizaje automático.

Es fundamental establecer límites entre lo que pueden y no pueden hacer las soluciones basadas en aprendizaje automático. A la par es crítico identificar si hay talento especializado en las empresas que pueda liderar la aplicación de estas soluciones o, en caso contrario, externalizar el proceso.

2. Identificar las actividades o procesos que requieren un elevado esfuerzo.

A partir de esta identificación se podrán conocer cuáles son las actividades que están siendo más costosas (tiempo y personas) y, en consecuencia, se podrían investigar diferentes enfoques de aplicación del aprendizaje automático para tratar de reducir esos tiempos.

3. Conocer los datos disponibles y cómo se están generando.

El aprendizaje automático es totalmente dependiente de los datos disponibles, por lo que es fundamental evaluar cuáles son los datos de los que dispone la empresa y a través de qué medios y dispositivos se están generando. Existen formas de utilizar conjuntos de datos ya existentes para entrenar el modelo y, por eso, hay que conocer de qué datos se dispone de forma interna y externa y posteriormente identificar los recursos externos disponibles para completar los existentes.

4. Explorar las plataformas en la nube.

Las principales plataformas que ofrecen servicios en la nube (AWS, Google Cloud, o Azure) disponen de soluciones para aplicar el aprendizaje automático de forma rápida y eficiente. Básicamente se centran en desplegar más modelos en menos tiempo y que ya están entrenados previamente. Esto hace que sea posible no partir de cero, utilizando datos ya existentes. Asimismo, la actividad de personalizar dichos modelos es relativamente sencilla.

5. Realizar una prueba de concepto (PoC).

La transformación asociada a la implantación de aplicaciones de aprendizaje automático necesita ser puesta en marcha poco a poco. El enfoque Big Bang, con el que se implantan cambios de una sola vez en diversas áreas de la organización, podría implicar múltiples riesgos y, por tanto, se recomienda evitarlo, salvo que sean necesario por razones estratégicas. Con la PoC se puede aprender de los datos existentes, se pueden identificar los puntos débiles del proceso y se pueden corregir errores de forma precisa. Asimismo, esta actividad permite identificar las principales áreas de la compañía o procesos donde se podría obtener beneficio de la implantación de estas aplicaciones y establecer un plan de ejecución ordenado.

6. Apoyo de la dirección.

Implantar este tipo de soluciones ocasiona cambios operativos en la compañía y, por tanto, se necesita un apoyo directivo detrás para vencer la resistencia al cambio y comprometer a los mandos intermedios en su aplicación.

La IA se basa en modelos que utilizan gran cantidad de datos y las grandes corporaciones son las que tienen la capacidad y los recursos para esa generación

En definitiva, las pymes tienen en su mano múltiples recursos para poner en marcha soluciones de aprendizaje automático y a un precio razonable. Cada empresa tiene sus objetivos y sus estrategias, por lo que es fundamental identificar qué servicios podrían suponer un beneficio para el negocio y decidir si se va a implantar de forma interna o externa. Muchas compañías ya han añadido inteligencia a su ‘contact center’, personalizado las recomendaciones a sus clientes
automatizado el análisis de datos, identificado actividades fraudulentas o nuevas tendencias gracias a la utilización de las aplicaciones de aprendizaje automático (Machine Learning) que ofrecen los servicios en la nube o a través de desarrollos customizados.

Referencias

Comisión Europa (2021). European enterprise survey on the use of technologies based on artificial intelligence