Roey Mechrez es cofundador y CTO de BeyondMinds, una startup israelí que desarrolla plataformas de inteligencia artificial de grado de producción para empresas.
La mayoría de las empresas que implementan soluciones de IA han aprendido una amarga lección en el camino: el camino hacia la adopción de la IA en toda la organización está lejos de ser simple, intuitivo o fácil.
Podría decirse que lo más difícil es la falta de una guía clara. No existe un manual de “procedimientos” para la adopción de la IA en toda la empresa. La ausencia de una guía simple de mejores prácticas ha frustrado profundamente a empresas de todo el mundo durante la última década, lo que ha provocado que miles de millones de dólares (tanto en inversión directa como en horas de trabajo) se vayan por el desagüe.
La “guía de IA” aún no se escribió, porque simplemente no existe. Estas dos letras, “IA”, pueden significar procesamiento del lenguaje natural o visión por computadora o análisis de series de tiempo, cada una de las cuales puede ser útil en una amplia gama de casos de uso. Combine esto con la diversidad de organizaciones que desean implementar IA, cada una con sus datos específicos, necesidades comerciales y puntos débiles, y obtendrá un universo inmensamente diverso de soluciones de IA.
Además de acortar el camino del laboratorio al campo, un enfoque centrado en la producción permite una implementación de IA en constante escalado con soluciones imperecederas que producen un valor sostenible.
Por lo tanto, en lugar de intentar elaborar una guía universal para la adopción de la IA empresarial, probablemente sea más beneficioso definir y abordar los elementos críticos en la implementación de estas soluciones.
Las tres barreras para la adopción de la IA en toda la empresa
El valor comercial potencial de la IA es inmenso. Se puede utilizar para automatizar procesos, optimizar las operaciones y mejorar la calidad del producto. De hecho, la promesa de la IA se distingue de casi todas las demás tecnologías que hemos visto en el pasado. Sin embargo, darse cuenta de este valor requiere superar tres barreras serias: tiempo de valoración, rentabilidad (y costos) y escala.
Tradicionalmente, el punto de referencia de la industria para la duración de un proyecto de IA, desde el inicio hasta la producción, es de entre 12 y 18 meses, y requiere emplear un gran equipo de investigadores, ingenieros de ML, ingenieros de software y datos, DevOps, QA, científicos de datos y productos. / directores de proyectos. Tener este equipo a bordo implica un enorme TCO (costo total de propiedad).
Los obstáculos no terminan ahí: una vez que se implementa la aplicación de inteligencia artificial, se requiere un mantenimiento continuo para mantener la solución “sobre los rieles” y manejar las inevitables variaciones de datos, que pueden desequilibrar fácilmente el modelo entrenado. Incluso una vez que se tienen en cuenta los costos de mantenimiento, toda esta inversión cubre una sola aplicación de IA.
Source link