Las transformaciones digitales en las empresas no pueden entenderse sin el tratamiento de los datos. Para facilitar y acertar en los proyectos de IA, en el siguiente artículo se habla de la herramienta del Lienzo de la IA, propuesto en el libro Máquinas Predictivas.
Los últimos años han supuesto un cambio en el ritmo en el que la sociedad estaba acostumbrada a funcionar. Esta aceleración ha supuesto un incremento enorme en la incertidumbre que vivimos y, su correcta gestión, una de las llamadas soft skills más demandadas.
Para saber gestionar este tipo de entornos, se han desarrollado nuevas herramientas estratégicas que agilizan y adaptan a las empresas y los negocios a funcionar de forma más óptima. Una de estas herramientas es el Business Model Canvas, que permite definir tu modelo de negocio desde un punto de vista mucho más científico: segmentando la idea en cada una de sus partes más simples y asignando hipótesis a cada una de ellas. Hipótesis que deberán iterarse lo más rápido posible con el mercado para validar o pivotar.
Pues bien, en el libro Máquinas Predictivas: La sencilla economía de la Inteligencia Artificial, los autores proponen un nuevo modelo con el que analizar cualquier modelo o proyecto de inteligencia artificial basado, también, en la división de éste en partes más sencillas (a lo que se le llama descomposición de los flujos de trabajo). De esta forma, se puede entender, construir y evaluar cualquier herramienta de IA de una forma mucho más clara. ¿De qué está formado este lienzo?
ACCIÓN: ¿Qué pretendes hacer?¿Cuál es tu objetivo con ese proyecto, con esa idea?
PREDICCIÓN: ¿Qué necesitas saber para llegar a conseguir ese objetivo?¿Qué necesitas para poder tomar la decisión para que la ACCIÓN resulte exitosa?
JUICIO: ¿Cómo valoras cada resultado y error de tus modelos?¿Qué costes suponen en tu negocio?¿Qué se define como éxito?¿Qué se define como fracaso?
RESULTADO: ¿Cuáles son los parámetros de éxito de la tarea que estás midiendo?
DATOS DE ENTRADA: En base a los puntos estratégicos anteriores, ¿qué datos necesitas conocer o aplicar en tus modelos para la consecución exitosa de la acción?
ENTRENAMIENTO: En base a todo lo definido anteriormente… ¿Cómo va a ser el entrenamiento del modelo?
RETROALIMENTACIÓN: ¿Cómo podemos utilizar los resultados del algoritmo para realimentar y mejorar el proceso anterior?
En resumen, es necesario descomponer tareas para poder entender dónde y de qué forma deben utilizarse estos modelos de IA. El lienzo nos permite llevar a cabo una representación de los procesos descompuestos al detalle.
LA TOMA DE DECISIONES BASADA EN DATOS
Daniel Kahneman (Premio Nobel de Economía en el año 2002) habla en su libro Pensar rápido, pensar despacio de los dos sistemas de pensamiento de los humanos: uno intuitivo, emocional y más rápido y otro racional, más lento y lógico. Bajo esta premisa, desarrolla una serie de sesgos cognitivos propios de los humanos, que limitan y condicionan nuestras decisiones. Es ahí donde entra en juego la toma de decisiones basadas en datos.
La velocidad a la que se mueve el mundo y la incertidumbre a la que se somete la sociedad, ha abierto paso a un nuevo paradigma que permita reducir esa varianza en las decisiones, fruto de la fala de reflexión y el sesgo humano y que está llevando (y llevará todavía más) a tecnologías como la inteligencia artificial, a ser un valor fundamental en cualquier empresa que quiera subsistir a estos cambios.
Para conseguir y encarrilar estos proceso, hemos desarrollado una serie de puntos fundamentales en cualquier empresa para transformar y objetivizar su toma de decisiones:
1. Identificar los objetivos de negocio: En este punto, es fundamental el trabajo de la dirección de la empresa, definiendo los objetivos más específicos y las métricas e indicadores de rendimiento (KPI), siempre con vistas al negocio. Estos indicadores deben ser medibles y objetivos. A partir de ahí, se comenzará a desarrollar una estrategia basada en datos.
2. Encuestar a los equipos para descubrir datos clave: Entrevistar a personas clave dentro de la organización que permitan comprender los objetivos tanto a corto como a medio y largo plazo. En el caso de haber diferencias entre los definidos por la dirección y las personas clave dentro de cada uno de los equipos, habrá que volver al punto uno.
3. Recopilar y preparar los datos que necesita: Aquí empieza la tarea técnica. Una vez definidos los objetivos de negocio, es momento de acceder a los datos y prepararlos para su análisis. Este es posiblemente el punto con mayor carga de trabajo. Por lo general, las empresas almacenan cualquier tipo de información, sin saber si le darán en algún momento uso. Además, generalmente esta información no cumple con criterios de calidad y gobierno del dato, fundamentales ambos para cumplir los objetivos de negocio.
4. Explorar la información: Mediante el uso de herramientas estadísticas, visualizaciones y modelados analíticos podemos extraer información objetiva que nos permita un mayor control de cada uno de los procesos de la empresa.
5. Desarrollar la información: Contrastar la información resultante de la explotación de los datos es fundamental para contrastar nuestras hipótesis de negocio que, en muchos casos, vienen sesgadas.
6. Tomar pedidas a partir de la información y compartirla: Una vez la información y las hipótesis ha sido contrastada, hay que pasar a la acción. Mejorar procesos, optimizar recursos y volver a comenzar el ciclo reformulando nuevos indicadores que permitan seguir girando la rueda del dato.
Como ves, una estrategia basada en datos permite a tu negocio tomar mejores decisiones y optimizar los recursos. En deepsense somos expertos en el ciclo del dato y en aplicar modelos de inteligencia artificial y gemelos digitales con el objetivo de mejorar tus beneficios.