La revista profesional sobre tecnología y transformación digital
stock market investment graph with indicator and volume data.
Rubén Martínez digital

Rubén Martínez Sandoval

Doctor en Inteligencia Artificial. Responsable de Tecnología y Fundador de Biyectiva

Los cinco mandamientos de un proyecto de IA

La Inteligencia Artificial (IA) está en boca de todos. Casi todas las empresas punteras quieren tener o ya tienen implementado algún proyecto que incorpora IA. Sin embargo, estos proyectos no son en absoluto sencillos, tanto por su complejidad técnica como por sus particularidades que los diferencian de otro tipo de proyectos de software.

Conocer ‘los cinco mandamientos de los proyectos de IA’ es clave para que tu proyecto de IA tenga éxito. A continuación, recojo lo que en mis 10 años conceptualizando, diseñando e implementando proyectos de IA he aprendido.

Viabilidad técnica (o cómo no caer en el ‘efecto ChatGPT’)

Vivimos en un momento realmente curioso: disponemos de modelos de IA con los que podemos charlar y tener conversaciones filosóficas bastante profundas, pero donde la eterna promesa de los coches autónomos parece estar aún bastante lejos (¡pese a las afirmaciones grandilocuentes de algunos con claros intereses!).

La realidad es que, para el público general, no resulta sencillo identificar qué es factible y qué no lo es cuando se trata de IA, especialmente en proyectos donde haya que entrenar modelos desde cero y se cuenta con recursos acotados.

Lo cierto es que la masificación y la facilidad del uso de servicios API-ficados como ChatGPT ha hecho olvidar la enorme cantidad de recursos que puede conllevar entrenar algunos sistemas de IA. Por poner un ejemplo, se estima que entrenar GPT-4 costó entre 50 y 100 millones de dólares.

Afortunadamente, la mayoría de los proyectos de IA no rondan estas cifras. De hecho, y por mi experiencia, el retorno de la inversión de un proyecto de IA suele estar entre el primer y el segundo año.

Con todo, el primer aspecto para tener en cuenta, aunque suene obvio, es ¿desde el punto de vista tecnológico, es viable el proyecto? Y si la respuesta es afirmativa, cabe preguntarnos ¿dispone mi empresa del tiempo, recursos y capacidades para implementarlo?

 

 

Definición clara de objetivos (o cómo medir lo que de verdad importa)

Al igual que sucede en numerosos proyectos (sean de software o de albañilería), muchas veces se comienzan proyectos de IA sin identificar claramente cuáles son los objetivos. Y aquí, la clave para el éxito es definir métricas de rendimiento claras, medibles y objetivas.

Bebiendo un poco de la filosofía detrás de los OKR (Objective and key results), un buen proyecto de IA debe definir, no solo cuál es su objetivo general, sino también establecer ‘matemáticamente’ qué se considera éxito.

Por ejemplo, si hablamos de automatizar tareas manuales (como puede ser el caso de sistemas de IA para la gestión automática de documentación), podríamos definir el porcentaje de operaciones que se esperan cerrar sin ninguna interacción humana.

 

El retorno de la inversión de un proyecto de IA suele estar entre el primer y el segundo año

 

Si hablamos de sistemas de inspección visual (como puede ser el caso de sistemas de Visión Artificial para la detección de fallos en piezas mecanizadas o fruta en mal estado), podríamos definir cuál es nuestra tasa de ‘falso positivo’ aceptable (esto es, del total de piezas rechazadas cuántas son verdaderamente malas).

Empezar un proyecto de IA sin estos objetivos claros puede dificultar su desarrollo o, peor aún, finalizar un desarrollo que no cumple con lo esperado por la alta dirección, que en muchos casos no llega a involucrarse durante el desarrollo.

Considerar la dimensión humana (o cómo el ludismo nunca murió)

En términos proyectuales, la IA no es ninguna excepción: lo más difícil siguen siendo las personas. Esto lo he vivido en propia experiencia más veces de las que me hubiera gustado: el ‘nivel C’ de una empresa (CEO, COO, CFO, etc.) fija unos objetivos de digitalización y ahorro de costes que generalmente implican aumento de eficiencia mediante automatización de tareas. Esta voluntad se traslada a los cargos medios que dirigen los esfuerzos de implementación.

En ningún punto de este flujo se involucra a los trabajadores de la empresa o se les explica qué implica el proyecto, en especial si la IA viene a sustituir trabajo humano. ¿El resultado? En el mejor de los casos, generar un ambiente de preocupación e inseguridad laboral; en el peor, un boicot activo del proyecto de IA que, a sus ojos, viene a quitarles el trabajo.

 

Un buen proyecto de IA debe definir, no solo cuál es su objetivo general, sino también establecer ‘matemáticamente’ qué se considera éxito

 

La absurda realidad es que el 99% de las empresas no automatizan para despedir, sino para poder crecer sin necesidad de aumentar plantillas, que es bastante distinto. Por tanto, a los trabajadores que ya están en plantilla se les debe explicar el cambio, los beneficios y transmitirles que la IA viene a automatizar tareas repetitivas, tediosas y que igualmente nadie quiere hacer.

El mensaje clave aquí es que los humanos deben hacer tareas de humanos: creativas, sociales y de mayor valor añadido, dejando, por tanto, a la IA las tareas más repetitivas y de menor valor.

 

Rubén Martínez Sandoval intervino durante el Congreso en la sesión dedicada a ‘Ingeniería y proyectos’.

 

Disponibilidad de Datos (o por qué dicen que los datos son el petróleo del siglo XXI)

Ahondado en una dimensión más técnica, conviene ahora resaltar la importancia de los datos, su cantidad y su calidad en los proyectos de IA.

En este punto es importante diferenciar entre proyectos que ‘utilizan’ IA y proyectos en los que se ‘desarrolla’ IA. El primero podría ser un proyecto donde se usa un sistema genérico de visión (mediante API) para detectar personas en grabaciones de cámaras de seguridad.

El segundo, por ejemplo, sería un proyecto donde se quiere entrenar un modelo de predicción del stock en almacén para evitar el desabastecimiento. En este segundo caso, necesitaremos un conjunto de datos sobre el que entrenar nuestro propio modelo con al menos un año de datos, que además sean limpios, estén preprocesados, etc.

La realidad es que muchas empresas se plantean llevar a cabos proyectos de IA cuando ni siquiera son conscientes de si los datos existen. Es como pretender hacer un viaje de 500 km sin revisar el depósito de gasolina. Los datos son los que nos van a llevar a donde queremos ir. En este sentido, no es lo mismo gasolina 95 que 98. Es decir, no solo importa la cantidad sino también la calidad.

Volviendo al ejemplo del modelo predictivo de rotura de stock, algunas preguntas que cabría hacerse son: ¿cuánto histórico da datos tengo? ¿está bien temporizado? ¿están los pedidos bien anotados? ¿cómo están guardados en base de datos? ¿hace falta limpiarlos previamente?…

 

En términos proyectuales, la IA no es ninguna excepción: lo más difícil siguen siendo las personas

 

Algoritmos de Machine Learning  (o cuál es la cruda realidad del negocio)

La realidad más cruda de los proyectos de IA es que, en su mayoría, son proyectos que requieren un conocimiento profundo de la técnica (fundamentos del Machine Learning), de los conceptos matemáticos subyacentes y de la Ingeniería del Software.

Es por lo que, muchas veces, este conocimiento no se tiene a nivel interno en una compañía y es preferible, para evitar el desastre, que la implementación de estos sistemas se externalice (igual que una empresa puede externalizar el servicio de Protección de Datos o el servicio de Asesoría Fiscal).

Para entender bien la importancia de elegir un buen algoritmo de Machine Learning y, al igual que antes hablábamos de que los datos eran ‘la gasolina’, podríamos decir que los algoritmos son los que ‘mueven el motor’. Elegir incorrectamente la técnica de IA hará que irremediablemente el proyecto fracase.

Finalmente, otro aspecto muy relacionado y casi siempre olvidado es el de la licencia de software. No todos los modelos de IA tienen licencia comercial (a pesar de ser open source), o incluso el modelo puede tenerla, pero el conjunto de datos (y por tanto el ‘sistema’) no. Este fallo tan común nos puede generar bastantes problemas, en este caso no solo de implementación, sino también legales.

Mi consejo general en este punto es claro: si el conocimiento no está in-house, hay que buscar asesoramiento externo profesional para asegurar que nuestro proyecto tenga éxito, tanto técnico como legal.

Comparte