Els reptes d'aplicar Intel·ligència Artificial

La creixent bretxa en l'adopció de la Intel·ligència 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-ho 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 la seva força laboral per emprar aquestes noves tecnologies. Podrien estar redissenyant les seves fàbriques o equipant-les amb noves tecnologies de sensors per 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 la bretxa sigui cada vegada més gran entre els convençuts i els que esperen. Com indica una investigació recent del McKinsey Global Institute, existeix una bretxa real i creixent entre els líders i els endarrerits en l'aplicació de la IA tant en els sectors com dins d'ells.

Manca de dades i personal especialitzat

Precisament, entre els reptes més comuns que es troben les empreses en iniciar projectes d'IA hi ha la manca de dades o la manca de personal especialitzat, i en alguns casos, ambdues coses, requerint grans inversions inicials.

La majoria dels models d'IA actuals s'entrenen a través de l'"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 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 només estiguin etiquetats, sinó que també siguin prou grans i complets. Els conjunts de dades massius 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 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.

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

Són reptes que assenyalen un full de ruta 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 llesta per utilitzar o AI off-the-shelf (“llesta per utilitzar”), 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 utilitzar d'AWS

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

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

A la pràctica, hem de ser capaços de combinar ambdós enfocaments i comptar amb les capacitats necessàries per dissenyar la solució ideal en cada cas. Per a casos d'ús estandarditzats, disposem dels models 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.

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

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 intentarem ajudar-te. Sense oblidar els reptes de l'aplicació d'intel·ligència artificial més personalitzada i ambiciosa amb data science, podem basar-nos en la IA off-the-shelf per resoldre diversos casos d'ús d'una manera realment ràpida i eficaç.

Més informació

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 aplicar IA i hem explicat la importància dels 3 rols de coneixement entre els membres de l'equip.