Constatem que l’apropament a la Intel·ligència Artificial (IA) es fa, de forma general, a partir de tres equívocs: els algorismes són intel·ligents; la IA i el Big Data és el mateix; i els projectes d’implementació empresarial d’aquesta tecnologia són llargs i costosos. Paga la pena reflexionar sobre cadascun dels punts per aterrar en una realitat que –sense apriorismes– és més prosaica del que hom pot pensar. Anem-hi.
Algorismes i intel·ligència
Podem concebre la Intel·ligència Artificial (IA) com la tecnologia invisible perquè la trobem arreu. Quan el mòbil ens mostra propostes de compra o el navegador del vehicle ens proposa rutes, solem atribuir la intel·ligència a ambdós dispositius. Però la realitat és que el responsable darrer de les recomanacions són els algorismes.
L’ús més estès i habitual dels algorismes es basa en el Machine Learning (ML) o aprenentatge automàtic de les dades, que pot assolir un nivell de detall molt superior a la capacitat humana. I també té més de matemàtiques que d’intel·ligència. Les aplicacions del ML realitzen una tasca concreta d’una forma molt precisa. En conseqüència, les aplicacions més pràctiques de la IA no són espectaculars ni vistoses perquè estan embegudes en els processos de les companyies. Fan tasques que no poden o no volen dur a terme les persones i deixen més llibertat a la seva creativitat tot alliberant-les de les tasques rutinàries.
Big Data i IA
Big Data és un terme del que s’ha abusat en gran mesura i que, sovint, s’ha assimilat a la Intel·ligència Artificial. No obstant això, pot existir Big Data sense Intel·ligència Artificial i IA sense Big Data. Aquest terme fa referència a una tecnologia que s’empra per tractar grans volums de dades. Però també hi ha el concepte analítica avançada, molt més pròxim al negoci. El Big Data no seria més que una sopa de bits sense l’aplicació de l’analítica referenciada.
Molt pocs processos en el si de les companyies requereixen de l’ús de Big Data per afrontar amb èxit projectes d’analítica avançada o Intel·ligència Artificial. En canvi, el Machine Learning està a disposició de companyies petites i mitjanes a uns costos molt raonables.
Hi ha una gran quantitat de processos operatius dins de les companyies que treballen amb un volum de dades suficient com per generar algorismes que millorin la seva eficiència
Hi ha una gran quantitat de processos operatius dins de les companyies que treballen amb un volum de dades suficient com per generar algorismes que millorin la seva eficiència operativa o comercial, sense la necessitat de processar terabytes d’informació. Pensem en els processos de màrqueting i comercials: des del compromís del client fins els processos de fidelització, passant per la venda creuada i la venda addicional, o els processos de classificació comercial de clients.
Altres processos que funcionen molt bé amb ML són els relacionats amb la detecció d’anomalies, és a dir, la detecció de frau, la predicció de la morositat i el càlcul de riscos financers. En conseqüència, l’aplicació de la Intel·ligència Artificial no requereix de grans inversions en infraestructura per a l’emmagatzematge i la manipulació de la informació.
Implementació llarga i costosa per a l’empresa
Una creença comú és considerar que els projectes d’IA requereixen d’un enorme esforç i duren diversos anys. Però és possible dur a terme projectes de Machine Learning que ofereixen resultats importants en el molt curt termini.
Els projectes d’IA requereixen d’un enorme esforç i duren diversos anys?
En aquest àmbit el gran error sol ser afrontar aquests projectes per fases. En una primera fase s’acostuma a provisionar una enorme infraestructura, que com ja hem vist no resulta necessària en molts casos. En una segona fase es planteja un projecte de consultoria per decidir com extreure valor d’aquest gran magatzem de dades que s’ha provisionat. I en una tercera fase es fa el full de ruta de projectes i d’implantació de les solucions. Però quan s’arriba a aquesta tercera fase, o la tecnologia ha quedat obsoleta o les dades no són les necessàries.
Aquest enfocament clàssic de cascada és erroni per diversos motius. Però el cert és que quan pretenem guardar absolutament tota la informació el projecte es pot tornar inabordable (en el que podríem anomenar “efecte Diògenes” de les dades).
Per contra, l’enfocament de dalt a baix (o top-down) és el més encertat. És a dir, en primer lloc anem a buscar oportunitats i reptes del nostre negoci que es poden resoldre mitjançant l’analítica avançada. Podem valer-nos de la metodologia Lean Startup: anem a provar i a equivocar-nos ràpid i, gràcies a això, serem capaços de respondre a les preguntes adequades.
Com en el mètode científic, fins que no realitzem els experiments no sabem si les dades són bones o dolentes, suficients o insuficients, per respondre a aquestes preguntes. Si no ho són, haurem guanyat un temps preciós per modificar els nostres processos i sistemes. I si ho són haurem generat una avantatge competitiu vital respecte de la nostra competència.