El punto de partida empresarial: ciencia de datos e inteligencia artificial

El campo en rápida expansión de la inteligencia artificial y la ciencia de datos presenta una lista abrumadora de opciones para las empresas que esperan aprovechar su potencial. El aprendizaje automático, el aprendizaje profundo, el procesamiento del lenguaje natural, las redes neuronales, la automatización de procesos robóticos y muchas más variantes esotéricas llenan titulares y documentos técnicos.

En la cúspide de ofrecer un poder computacional milagroso, estas tecnologías imploran a los ejecutivos que las adopten o encontrarán que sus empresas pronto son superadas por aquellas que lo hacen. Para unas pocas empresas selectas con divisiones enteras dedicadas a la IA, adaptar dicha tecnología a los casos de uso es un negocio cotidiano. Pero para la gran mayoría, saber por dónde empezar es menos sencillo.

En este artículo, los ejecutivos de Toptal comparten su perspectiva sobre la aplicación práctica de soluciones relacionadas con la tecnología artificial para las necesidades comerciales comunes.

Pedro Nogueira, especialista en aprendizaje automático y ciencia de datos, ofrece noticias refrescantes a las empresas recién llegadas: la primera solución suele ser simple, de costo relativamente bajo y rentable financieramente. Complementando la perspectiva de Nogueira, el equipo de Toptal Enterprise destaca las tendencias recientes en la automatización de procesos robóticos, lo que ayuda a las empresas a optimizar los flujos de trabajo de rutina.

Automatización Robótica de Procesos e IA: Herramientas para diferentes tareas

Para enmarcar el consejo compartido por Nogueira, es útil comprender la diferencia entre la Automatización Robótica de Procesos (RPA) y la Inteligencia Artificial (IA) y los tipos de datos que cada enfoque puede manejar mejor.

RPA e AI difieren según los trabajos que realizan. Un robot de software, RPA sobresale en tareas repetitivas análogas a las realizadas por un trabajador o una máquina de la línea de montaje. Por el contrario, la IA es más adecuada para entornos menos estructurados, replicando la capacidad analítica fundamental para el juicio humano y la toma de decisiones.

Por definición, los dos enfoques también son distintos. La IEEE Standards Association, una organización internacional compuesta por expertos de la industria, los define de la siguiente manera:

RPA: software preconfigurado que utiliza reglas comerciales y actividad predefinida para completar la ejecución autónoma de una combinación de procesos, actividades, transacciones y tareas.

IA: la combinación de automatización cognitiva, aprendizaje automático (ML), razonamiento, generación y análisis de hipótesis, procesamiento de lenguaje natural y mutación intencional de algoritmos que produce información y análisis a la altura de la capacidad humana o por encima de ella.

RPA generalmente se considera un subconjunto de AI y uno que se enfoca en rutinas repetitivas. La diferencia crítica es que RPA no aprende, mientras que AI puede automodificarse, alterando su actividad en respuesta a diferentes entradas ambientales.

Como resultado, RPA es más adecuado para datos altamente estructurados, mientras que AI maneja datos no estructurados o semiestructurados. La diferencia entre los dos tipos de datos, que se resumen a continuación, es fácil de comprender para cualquier persona que haya creado una base de datos de hoja de cálculo.

Los datos que encajan perfectamente en una hoja de cálculo de este tipo, como la información de contacto del cliente, están estructurados. Los datos que no encajan, como el lenguaje natural, no están estructurados. Apreciar la diferencia entre estos tipos de datos es fundamental para comprender qué formas de IA son apropiadas para un caso comercial determinado.

Bloqueo y abordaje con la automatización de procesos comerciales

Para la mayoría de las empresas, el punto de partida más fácil y menos riesgoso para aprovechar la IA es la automatización de procesos comerciales. Compuestos por tareas mundanas que requieren poca inteligencia y posiblemente ningún esfuerzo humano, tales procesos justifican la inversión en tecnología que elimina o reduce significativamente la participación humana. Las empresas y los empleados se beneficiarán de tres maneras distintas:

1. Los empleados concentran sus esfuerzos en tareas de mayor valor y en la resolución de problemas.
2. Las empresas obtienen un ROI positivo a partir de un costo operativo continuo mínimo.
3. La calidad del proceso mejora debido a la ausencia de errores humanos.

RPA impulsa múltiples flujos de trabajo en la industria de seguros

Para las empresas que ya simplifican los procedimientos internos simples, como el reembolso de gastos, las oportunidades más complejas tienen potencial para un alto retorno de la inversión. En la industria de seguros, por ejemplo, la generación de cotizaciones de seguros y el procesamiento de reclamos de seguros presentan casos de uso perfectos para RPA.

Al suscribir una póliza, las compañías de seguros deben equilibrar el riesgo y la recompensa. Esencialmente, en promedio, el valor actual neto de las primas de las pólizas debe exceder el de los siniestros. Durante la suscripción, las compañías de seguros estiman el componente de riesgo de esta ecuación, lo que les ayuda a predecir el momento y la magnitud de los pasivos futuros.

Históricamente, la suscripción ha sido un proceso manual, cuyos requisitos analíticos han sido supervisados ​​por actuarios. Ahora, ese trabajo se realiza cada vez más de forma automática y con la supervisión de científicos de datos que recurren a nuevas fuentes de datos para predecir mejor el riesgo. Por ejemplo, en la industria automotriz, las aseguradoras evaluaron históricamente los historiales de pérdidas, que son registros de reclamos de seguros anteriores para un conductor determinado. Las aseguradoras comenzaron a incorporar puntajes de crédito del conductor en su análisis de riesgo, reconociendo que los puntajes altos se correlacionan positivamente con una conducción segura y pérdidas proporcionalmente más bajas.

Reflexionando sobre el ejemplo de suscripción, Nogueira señala que "cuando las empresas creen que necesitan IA, a menudo necesitan científicos de datos".

Para Nogueira, el proceso de cotización de seguros es bastante familiar tanto a nivel profesional como personal. Un científico de datos con experiencia en proyectos en la industria de seguros y un entusiasta de las motocicletas que recientemente realizó una gira por Portugal, comparte una anécdota con la que cualquier conductor o propietario puede relacionarse: "Si necesito cambiar de motocicleta, lo que me gusta hacer con frecuencia, entonces ir en línea a un conjunto de compañías de seguros y compartir mis datos a través de sus cuestionarios en línea”.

Una vez enviados, los datos ingresan a "un modelo que vive en algún lugar del backend y analiza mi perfil de riesgo de acuerdo con uno o varios modelos y luego me proporciona una cotización". En los segundos que lleva recibir dicha cotización, todo el análisis es automático, anulado con intervención humana solo en el caso de datos atípicos.

La automatización también impulsa los flujos de trabajo posteriores en el ciclo de vida del cliente de seguros, especialmente durante el proceso de reclamaciones. Cuando un cliente de seguros presenta un reclamo, la compañía de seguros determina si pagará la totalidad, parcialmente o denegará el reclamo. El proceso a menudo involucra a múltiples partes externas, incluido el cliente de seguros y el proveedor de servicios, por ejemplo, un hospital en el caso de la atención médica o un taller de reparación en el caso de los automóviles.

En la industria automotriz, la adjudicación de reclamos depende de verificar el daño a un vehículo, determinar los costos de reparación, seleccionar el taller de reparación y pagar la reparación. Para las estimaciones de reparación, las fotos juegan un papel fundamental en el proceso de reclamos. El ajustador de reclamos toma fotos del vehículo accidentado, al igual que el taller, tanto antes como después de que se realicen las reparaciones. Estas fotos proporcionan la evidencia del daño, la reparación y la base para el reembolso.

Históricamente, estas fotos fueron interpretadas exclusivamente por personas, pero ahora, el software de reconocimiento de imágenes junto con la automatización basada en reglas brinda información crítica al ajustador de reclamos, lo que permite reparaciones y cobertura más rápidas.

La ciencia de datos es el caballo de batalla y los científicos de datos son los conductores

Las empresas deben “definir qué se puede automatizar fácilmente y qué se debe escalar a los tomadores de decisiones humanos”, según Nogueira. Con cualquier proceso bajo consideración para la automatización, continúa, "primero mire los datos y descubra las reglas".

Si bien admite que los campos de la ciencia de datos y la IA se están fusionando, para el establecimiento de negocios, Nogueira delinea los dos:

“La ciencia de datos es IA aplicada a escenarios del mundo real y necesidades comerciales comunes. Tiene más que ver con comprender los datos, administrarlos, hacerlos fácilmente disponibles, fáciles de procesar y, en última instancia, una guía para la toma de decisiones por parte de las partes interesadas de la empresa”.

Dicho trabajo a menudo consiste en limpiar y cotejar conjuntos de datos dispares, una tarea nada fácil, y luego aplicar análisis estadísticos, como la regresión logística, para impulsar mejores predicciones y decisiones.

Por el contrario, la IA está mucho más orientada a la investigación y es adecuada para el análisis de datos no estructurados. “Imagínese un proyecto realmente complejo, uno con mucha incertidumbre, por ejemplo, tratar de construir un modelo que determine cuántas personas podrían entrar a un supermercado en función de los patrones de caminata, video CCTV y datos sensoriales”.

En última instancia, este modelo podría predecir cómo compran las personas, qué buscan y cómo posicionar los productos entre sí, optimizando el plano de planta para maximizar las ganancias. Si bien un proyecto de este tipo, si tiene éxito, sin duda sería valioso para los minoristas, también requeriría un equipo de varios expertos y fácilmente podría costar múltiplos de una iniciativa basada en la ciencia de datos. En el caso del comercio minorista, una empresa podría centrarse en uno o algunos de los componentes más críticos del modelo predictivo, por ejemplo, optimizar el horario de la tienda en relación con el tráfico peatonal y los costos operativos.

El punto de partida crítico para desarrollar la capacidad de la ciencia de datos es incorporar el tipo y la cantidad correctos de talento. Afortunadamente, según Nogueira, la mayoría de las empresas "no necesitan un gran equipo de desarrolladores súper expertos para realizar muchas de las automatizaciones comunes, especialmente si se tiene en cuenta la cantidad de API y SDK disponibles".

Si bien estas tecnologías disponibles en el mercado brindan herramientas potentes, es fundamental que sean manejadas por las manos adecuadas. Aquí, Nogueira brinda una advertencia: "estas herramientas en realidad podrían ser un problema, porque muchas personas las están usando de formas que no deberían, porque no las entienden".

El peligro, señala, radica en el "sobreajuste de los modelos de datos", que resulta de aplicar un modelo a los datos de una manera que no tiene en cuenta todo el espectro de posibilidades. Ese sobreentrenamiento, advierte, “puede terminar siendo extremadamente costoso para el negocio, porque en situaciones que no has visto antes, el modelo no generaliza bien, lo que puede llevar a tomar decisiones equivocadas sobre los datos”.

Para evitar tales trampas, Nogueira alienta a las empresas a contratar científicos de datos experimentados. Todas las empresas que buscan desbloquear el valor de los datos operativos o del cliente “necesitan una persona con un buen conocimiento de las estadísticas y suficiente perspicacia comercial para comprender los casos de uso y dónde reside el valor en el negocio”. Desde el punto de vista de las credenciales, un científico de datos sólido generalmente tiene al menos una licenciatura en matemáticas o estadística, una gran capacidad para codificar y puede analizar un caso de uso comercial para determinar dónde la ciencia de datos puede generar el mayor impacto.

Pensamientos de despedida

Si bien la ciencia de datos presenta un punto de partida convincente desde una perspectiva de riesgo/recompensa, también vale la pena explorar el panorama más amplio de las tecnologías de IA. Los ejecutivos empresariales deben considerar la ciencia de datos como el punto de encuentro alrededor del cual iniciar la conversación interna sobre IA.

A medida que se den cuenta de las historias de éxito con la automatización de procesos comerciales, deberían considerar ampliar el alcance para incluir casos de uso más desafiantes, quizás más adecuados para tecnologías de IA alternativas. En artículos posteriores, Insights explorará el panorama más amplio de la IA, ayudando a los ejecutivos a navegar en un campo que sin duda generará fuertes retornos.