Los retos de aplicar Inteligencia Artificial

Els reptes d'aplicar Intel·ligència Artificial

Inteligencia Artificial

L'avanç imparable de la intel·ligència artificial (IA) està creant una bretxa cada vegada més gran entre les empreses que l'han adoptat i les que encara estan començant. També en aquells que han començat per una prova de concepte que no ha tingut el gran resultat immediat esperat, poden experimentar-lo com una petita frustració i prendre una estratègia de “esperar i veure”.

El concepte de J Curve del professor Erik Brynjolfsson (Stanford) defineix a la perfecció aquesta fase inicial:

“Aquestes inversions i canvis sovint prenen diversos anys i, durant aquest període, no produeixen resultats tangibles. Durant aquesta fase, les empreses estan creant “actius intangibles”. Per exemple, podrien estar capacitant a la seva força laboral per a emprar aquestes noves tecnologies. Podrien estar redissenyant les seves fàbriques o equipant-les amb noves tecnologies de sensors per a aprofitar els models d'aprenentatge automàtic. És possible que necessitin renovar la seva infraestructura de dades i crear llacs de dades en els quals puguin entrenar i executar models de machine learning (ML). Aquests esforços poden costar milions de dòlars (o milers de milions en el cas de grans corporacions) i no generar canvis en la producció de l'empresa a curt termini.”

Tot això fa que el gap sigui cada cop més gran entre els convençuts i els que esperen. Com indica una recerca recent del McKinsey Global Institute, existeix una bretxa real i creixent entre els líders i els ressagats en l'aplicació de la IA tant en els sectors com dins d'ells.

Futura AI demand trajectory
*Imatge de https://www.mckinsey.com/business-functions/quantumblack/our-insights/what-ai-can-and-cant-do-yet-for-your-business
Falta de dades i personal especialitzat

Precisament, entre els reptes més comuns que es troben les empreses en iniciar projectes d’IA està la falta de dades o la falta de personal especialitzat, i en alguns casos, totes dues coses, requerint de grans inversions inicials.

Falta de Dades i personal expert IA

La majoria dels models d’IA actuals s'entrenen a través del "aprenentatge supervisat". Això significa que els humans han d'etiquetar i categoritzar les dades, la qual cosa pot ser una tasca considerable. Els enfocaments no supervisats ​​redueixen la necessitat de grans conjunts de dades etiquetades però la realitat és que en molts casos d'ús no els podem aplicar. L'ús de models supervisats o no supervisats està intrínsecament lligat al cas d'ús (veure  Machine learning explained per a ampliar informació).

A més, les tècniques més avançades d'aprenentatge automàtic com l'aprenentatge profund (o Deep Learning, en anglès) requereixen conjunts de dades d'entrenament que no sols estiguin etiquetades, sinó que també siguin suficientment grans i completes. Els conjunts de dades massives poden ser difícils d'obtenir o crear. Tant l'obtenció massiva de dades com la seva preparació i etiquetatge poden suposar una important inversió.

Sense oblidar-nos del repte del talent. En aquest cas podem suplir les mancances a curt termini mitjançant l’externalització. Però delegar externament la totalitat de la IA pot ser un error colossal per a les empreses.

Els líders empresarials que esperen reduir la bretxa han de poder abordar la IA de manera informada. És a dir, han de ser capaços de comprendre per si mateixos on la IA pot conduir al creixement dels ingressos o capturar eficiències. També saber distingir on la IA no proporciona valor.

Així mateix, ja hem comentat que ells (i no els perfils tècnics) són responsables de comprendre i resoldre el desafiament de “l’última milla” d'incorporar la IA en productes i processos.

Són reptes que assenyalen un roadmap de diversos anys per a les empreses. Aquest camí difícilment ens el podrem estalviar. Però sí que podem començar a utilitzar i experimentar ràpidament amb eines d'aprenentatge automàtic, conjunts de dades i models entrenats per a aplicacions estàndard, els quals estan àmpliament disponibles.

Es tracta de la intel·ligència artificial llista per a usar o AI off-the-shelf (“llista per a usar”), la qual inclou, per exemple, models de detecció i creació de llenguatge natural i de visió artificial. A vegades venen en codi obert i en altres casos a través d'interfícies de programació d'aplicacions (API) creades per empreses pioneres com OpenAI o grans proveïdors de cloud públic com AWS, Microsoft o Google.

Intel·ligència Artificial llesta per a usar d’AWS

A continuació, mostrem els principals casos d'ús que ens ofereix la tecnologia AI off-the-shelf d’AWS.

AWS off-the-shelf AI

Ja hi ha empreses que estan implementat solucionis d’AI off-the-shelf, ja sigui utilitzant models de llenguatge natural, com el chatbots d'atenció a estudiants que desenvolupem per a la Generalitat de Catalunya anomenat PauBot; o la solucions de visió artificial, com el sistema de validació d'identitats per a avaluacions online que hem desenvolupat per a una important universitat online i que ha ajudat a reduir el frau en exàmens no presencials.

En la pràctica, hem de ser capaces de combinar tots dos enfocaments i comptar amb les capacitats necessàries per a dissenyar la solució ideal en cada cas. Per a casos d'ús estandarditzats, disposem dels models d’AI off-the-shelf que podem implementar amb capacitats d'arquitectura cloud i arquitectura de dades, treballant conjuntament amb els experts de domini.

Per a casos no estandarditzats, haurem de disposar a més de capacitats de data science que ens acompanyin en la decisió i creació del model d'intel·ligència artificial.

IA per usar AWS

La promesa de la IA és immensa i les tecnologies que l'han de fer realitat encara estan en desenvolupament.

Més informació

Si saps que ara és el moment de pensar en la supervivència del negoci a llarg termini i posicionar-se en la nova era de les empreses data-driven, contacta'ns i tractarem d'ajudar-te. Sense oblidar els reptes de l'aplicació d'intel·ligència artificial més customitzada i ambiciosa amb data science, podem basar-nos en la AI off-the-shelf per a resoldre diversos casos d'ús d'una forma realment ràpida i eficaç.

Si vols llegir els articles anteriors d'aquesta sèrie, recorda que hem explicat el desafiament de les dades, hem enumerat els 4 tipus de dades per a aplicar la IA i explicat la importància dels 3 rols de coneixement entre els membres de l'equip.

Martí Fàbrega

Martí és Consultor de Transformació Digital i Senior Manager de Desenvolupament de Negoci a SEIDOR Opentrends. El seu propòsit és transformar la tecnologia en valor de negoci per als seus clients, enfocant-se tot el possible en la innovació.