Sabía usted que El 85% de todos los proyectos de IA no logran llegar a la etapa de producción u operación? ¿Por qué es este el caso?
Es muy común que las empresas presenten ideas creativas para usar IA para mejorar la experiencia del cliente o simplificar los flujos de trabajo. La barrera para el éxito de estos proyectos a menudo reside en el tiempo y los recursos necesarios para llevarlos al desarrollo y luego a la producción. Pero, como hemos visto con el nuevo ChatGPT de OpenAI, la IA puede ser tan entretenida como problemática.
Con tantos proyectos que fracasan o, lo que es peor, que son inexactos, es probable que muchas de estas empresas estén cometiendo los mismos errores. Los siguientes son algunos consejos que optimizarán sus posibilidades de éxito.
Empezar con el pie derecho
El proceso de desarrollo de IA adolece de una mala planificación, gestión de proyectos y problemas de ingeniería. La mayoría de los líderes empresariales de hoy aprenden sobre la IA de los medios, que a menudo describen el valor de la IA como magia o como algo que se puede poner en producción con solo unas pocas gotas.
Creen que implementar IA puede ayudar a reducir los costos, mejorar los márgenes y aumentar los ingresos. Con los competidores ya en movimiento, crea AI “FOMO” y los ejecutivos se ven obligados a tomar medidas rápidamente a pesar de no tener una comprensión clara del impacto general, el plan, el costo y los recursos involucrados en la creación de un proyecto de IA exitoso y preciso.
Con poca comprensión del entorno de ingeniería, el primer paso lógico debería ser contratar científicos de datos para mapear y planificar los desafíos que puede enfrentar el equipo. Sin embargo, estos científicos de datos generalmente no tienen conocimiento del dominio.
La mejor manera de asegurarse de que está en el camino correcto de desarrollo de IA es comenzar su proyecto de IA sin pensar en los modelos.
Un científico de datos que ingresa a una nueva organización con el objetivo de automatizar y mejorar el negocio generalmente intentará recopilar manualmente suficientes datos para demostrar primero que hay valor en la creación de IA. Una vez que se realiza una prueba de concepto exitosa, el equipo a menudo se topa con una pared con respecto a la gestión de datos. La organización no puede recopilar, almacenar o administrar los datos de una manera que sea “amigable con la IA”.
Por ejemplo, una fábrica que desea integrar la inspección inteligente de fallas en una línea de ensamblaje de producción podrá demostrar el proyecto de IA bastante rápido usando una sola cámara en una máquina durante unos minutos. Sin embargo, para que el proyecto se ponga en producción y se use a diario, debe hacer la transición de la demostración de una sola cámara a 500 cámaras que funcionan las 24 horas del día, los 7 días de la semana. Esto requerirá muchos meses o incluso años para llevar el valor que proporciona la IA en la demostración a la línea de meta.
Los ejecutivos deben, por supuesto, tener en mente una idea clara del problema que quieren resolver, así como un caso de negocios. Pero el equipo central de IA debe incluir al menos tres personas, todas las cuales serán igualmente importantes para el éxito del proyecto: científico de datos, ingeniero de datos y experto en el dominio.
Un lanzamiento centrado en los datos
Si bien puede sonar extraño, el primer proyecto de IA que tenga éxito dentro de una organización no debería involucrar algoritmos o modelos de IA sofisticados. La IA es esencialmente un esfuerzo por automatizar el conocimiento. Como todos los esfuerzos de automatización, es bueno comenzar mostrando el valor de algunos ejemplos de forma manual, lenta y no escalable.
En el inicio, el ingeniero de datos creará algunos casos utilizando datos y el experto en el dominio transformará estos estudios de casos en ejemplos. Este paso expone el núcleo del proceso de IA. La empresa tendrá datos sin procesar y un objetivo, y luego querrán obtener un ejemplo, que son los datos de salida tal como se imaginan idealmente.
Este proceso se denomina desarrollo de datos y el enfoque está centrado en los datos por naturaleza, ya que no se trata de modelado. Este enfoque tiene muchas ventajas sobre el enfoque del modelo primero, como
Requiere menos inversión. Utiliza las fortalezas de la organización (proceso, datos, experiencia en el dominio). Es mas rapido. Reduce el riesgo.
Una vez que se completan manualmente algunos ejemplos, la empresa puede comenzar a planificar el camino de la IA hacia la producción.
Source link