4 maneras en que los proyectos de análisis de IA fallan – y cómo tener éxito

“¿Cómo dejar de arriesgar mis proyectos de análisis impulsados por la inteligencia artificial?” Esta es una pregunta común para las organizaciones que están listas para modernizar su portafolio de análisis. Aquí hay cuatro maneras en que los proyectos de análisis de IA fallan, y cómo puede garantizar el éxito.

La inteligencia artificial (IA) ofrecerá un tremendo beneficio a las empresas que están modernizando sus herramientas de análisis. Muchas empresas ya están obteniendo información valiosa de análisis de alguna forma: con inteligencia empresarial tradicional, informes automáticos, dashboards y más. Sin embargo, los responsables de la toma de decisiones pueden encontrarse en un territorio inexplorado cuando consideran las capacidades de deep learning o de machine learning de IA. ¿Qué tan relevante es la inteligencia artificial para ellos? ¿Cuál es la mejor forma de proceder?

Incluso los líderes de TI más experimentados han trabajado en un proyecto de transformación que fracasó en algún momento de sus carreras, y es comprensible que vean proyectos de análisis avanzados con escepticismo. Los desafíos de integrar datos de diversos silos están bien documentados. Identifiqué cuatro dificultades comunes que pueden descarrilar un proyecto, y cuatro enfoques correspondientes que ayudan a las organizaciones a evitar problemas y realizar un proyecto exitoso.

4 enfoques analíticos que salen mal y aumentan el riesgo

Para muchos responsables de la toma de decisiones, el riesgo se puede reducir si se realiza temprano. Entonces, si falla, al menos fallaremos antes de realizar una inversión significativa o pase mucho tiempo. Esta visión se basa en la experiencia con otros enfoques que exponen las limitaciones. Las organizaciones que han adoptado uno o más de los siguientes enfoques, sin embargo, pueden aumentar el riesgo de falla más allá de un nivel aceptable:

1. Datos: comenzar recolectando todos los datos disponibles y luego determinar cómo usarlos puede ser tentador. El problema es que cualquier organización puede tener petabytes de datos, de los cuales solo una fracción tiene verdadero valor para la empresa. Ponerlo todo en un gran lago de datos, por ejemplo, puede no conducir necesariamente a la falla, pero puede usar una gran cantidad de energía sin ninguna garantía de resultados positivos.
2. Oportunidades: Perseguir varias oportunidades a la vez es tentador debido a la gran cantidad de oportunidades de IA disponibles. Desafortunadamente, perseguir muchas oportunidades de esta manera aumenta drásticamente el riesgo de fracaso porque diluye el esfuerzo y puede aumentar la complejidad de la implementación.
3. Claridad: Comenzar desarrollando una capacidad de IA con la intención de obtener claridad sobre la pregunta u objetivo posterior puede conducir a un riesgo evitable. Si el conocimiento que se obtendrá con el proyecto de análisis no demuestra claramente cómo se espera que proporcione valor comercial, alcanzar el objetivo es aún más desafiante.
4. Rentabilidad: invertir una cantidad considerable de tiempo y dinero en una iniciativa, solo para darse cuenta de que la pregunta no fue respondida o las ganancias no realizadas pueden fallar. Por ejemplo, puede correr el riesgo de perder la ayuda de las partes interesadas clave que necesitan un rendimiento más conveniente. Obtener la aprobación para futuros proyectos puede convertirse en una batalla cuesta arriba.

4 métodos analíticos que evitan fallas de inteligencia artificial

¿Cómo pueden las organizaciones poner en riesgo sus proyectos transformacionales de análisis de IA y ayudar a garantizar resultados exitosos? Cuatro estrategias pueden ayudar a las organizaciones a evitar las dificultades comunes que he delineado al buscar la inteligencia artificial que necesita para aumentar el valor del negocio:

1. Obtenga claridad sobre la pregunta comercial. Reúnan un equipo de partes interesadas que posean habilidades comerciales y analíticas, y apliquen técnicas de critical-thinking para cuestionar sus suposiciones. ¿Cómo se ve el éxito? ¿De dónde provienen los datos y qué decisiones podría respaldar? ¿Cómo integra la organización esta nueva percepción de los procesos operativos? El equipo también necesita determinar qué forma deben tomar los datos analíticos para que los usuarios comerciales puedan consumirla.
2. Permita una exploración más rápida. Use un juego de herramientas de ciencia de datos para armar un flujo de trabajo ad hoc que se adapte al problema específico identificado. Utilice las herramientas de IBM PowerAI™ y Python para ingesta de datos, visualización, bibliotecas matemáticas, etc. para ensamblar rápidamente este flujo de trabajo y flujo de datos para permitir el desarrollo rápido y temprano de un pipeline de analítica.
3. Potencie una victoria más rápida. Utilice un entorno limitado de ciencia de datos para crear un prototipo y escalar desde el bloc de notas al clúster pequeño para justificar un proyecto, en lugar de utilizar un gráfico de PowerPoint. Si una idea tiene éxito, el prototipo proporciona una manera fácil de demostrar los beneficios y escalar rápidamente a un clúster o nube de producción. Los líderes pueden ganar confianza en la idea desde el principio, en lugar de esperar a que se demuestre la capacidad de análisis completamente desarrollada.
4. Escale a producción. Una cuadrícula de IA puede ser un método efectivo para escalar su prototipo en producción. La cuadrícula de IA es un clúster multiusuario escalable con alta estabilidad y programación de alta eficiencia. Un equipo de DevOps puede usar la cuadrícula para convertir el prototipo del científico de datos en una pieza de software reforzada para el entrenamiento de modelos de datos. La cuadrícula también proporciona un lugar donde los modelos se pueden actualizar en función de los comentarios y se pueden mantener para operar la empresa.

IBM, junto con IBM Business Partners, ofrece las herramientas y capacidades para ayudar a las organizaciones a implementar estos métodos. El uso de análisis de IA para obtener nuevos insights e innovar más rápidamente permite a las organizaciones ser los disruptores en su campo de negocios, en lugar de esperar a ser interrumpido. Para obtener más información sobre IA y los proyectos de análisis transformacional, visite IBM AI Infrastructure y aplicaciones de deep learning.