10 amenazas para los proyectos de Inteligencia Artificial y 7 claves para eliminarlas

Raúl Salgado    19 mayo, 2022
Proyectos de Inteligencia Artificial

La digitalización no es la piedra filosofal para lograr el éxito empresarial. Si bien nadie duda de la necesidad de transformarse para ser competitivos, una de las más potentes herramientas con las que cuentan las empresas hoy en día es la Inteligencia Artificial (IA). Sin embargo, según se desprende de algunos estudios, casi 9 de cada 10 de estos proyectos fracasan.

¿Por qué? ¿Cómo evitarlo? ¿De qué depende el éxito o el fracaso de un proyecto de Inteligencia Artificial? ¿Cuáles son las principales amenazas para que logren los resultados esperados? ¿Qué se juegan las empresas con este tipo de proyectos? Son preguntas que hemos formulado a Francisco Díaz, analista de negocio en Compensa Capital Humano.

Entre las múltiples y variadas causas, este experto destaca la existencia de una adecuada cultura del dato, entendiéndola como el conjunto de características, habilidades, políticas dentro de una empresa que la preparan para tomar decisiones basadas en el análisis de los datos.

“Si una empresa no está preparada para albergar estas tecnologías, fracasará con alta probabilidad”, asegura Díaz.

Decálogo de las principales amenazas

Estas son, a juicio del experto de Compensa Capital Humano, los diez principales peligros y amenazas para que un proyecto de IA obtenga los resultados esperados:

1. Falta de expertise

“Muchas veces no se dispone del conocimiento técnico necesario para emprender los proyectos de IA”. Con ello no se refiere únicamente a la falta de científicos de datos, sino también a una serie de conocimientos de temas propios de la disciplina por parte de los stakeholders afectados por un proyecto.

2. Desconexión entre el desarrollo de software y la ciencia del dato

Estamos ante una disciplina heredera de otras que actualmente se desarrollan en plataformas utilizando lenguajes propios (r, Python, SQL, etc.) y, por tanto, sujetas a la disciplina del desarrollo de software. “Estos dos mundos tienen que estar armonizados para proporcionar un output coherente”, afirma.

3. Calidad y volumen de datos

Las deficiencias en el área de datos pueden hacer fracasar fácilmente un proyecto de estas características.

4. Etiquetar datos

Esta causa tiene que ver con la calidad de los metadatos, es decir, con la interpretación de la información.

5. Feudalismo informacional

El acceso a muchos datos en las corporaciones está gestionado por managers que pueden recomendar no ponerlos en conocimiento de otros departamentos, lo que a la postre crea resistencias a la hora de integrar información a nivel global.

6. Falta de colaboración

El desacoplamiento de los intereses de los diferentes stakeholders con el proyecto conlleva serios riesgos.

7. Proyectos técnicamente inviables

La falta de conocimientos puede llevar a plantear objetivos inalcanzables por el equipo técnico. Las causas son diversas y pueden ir desde una mala definición hasta un estudio de viabilidad deficiente.

8. Alineamiento entre equipos técnicos y de negocio

Si bien este puede ser un problema habitual en todo proyecto tecnológico, en los de Inteligencia Artificial algunos miembros del equipo de negocio pueden desconocer muchos conceptos, lo que incrementa este riesgo.

9. Falta de estrategia de datos

Los proyectos de IA deben englobarse dentro de una estrategia de datos global. En caso contrario, muchas de las necesidades pueden quedar sin cubrir.

10. Falta de soporte o liderazgo por parte del management

Díaz asegura que muchos de los escollos anteriores pueden solventarse con un liderazgo fuerte del proyecto.

Sin ese liderazgo, “el feudalismo informacional, la falta de alineamiento de los departamentos o de alineación entre equipos técnicos y de negocio serán obstáculos insalvables”, apostilla.

Cómo evitar el fracaso: 7 claves

Una vez vistas las amenazas, cabría preguntarse por la fórmula para evitar el fracaso de los proyectos de Inteligencia Artificial. En este punto, Francisco Díaz ha elaborado una lista con siete claves:

1. Buscar un promotor interno

Se trata de crear un prototipo que ilustre el concepto, sin necesidad de emplear todos los recursos, y ayude a vislumbrar sus resultados.

2. Colaboración en la data

La Inteligencia Artificial se basa en los datos y, en mayor o menor medida, la empresa tendrá personas o grupos que manejen información necesaria para el proyecto.

En este sentido, tiene que haber alguien en disposición de pedirles esta información. “La falta de colaboración es otra de las causas de fracaso más frecuentes y se manifestará también en la reticencia a asignar recursos al proyecto para una gran variedad de tareas a ejecutar fuera del desarrollo en sí”, remarca.

3. Selección óptima de las iniciativas de Machine Learning

Teniendo en cuenta la inversión requerida en estos proyectos, así como la necesaria planificación de los recursos para justificar su coste, Díaz recomienda centrarse en la problemática de negocio que resuelven en vez de en las características tecnológicas.

Además, remarca la importancia de incluir un ROI (retorno de la inversión) aproximado, el tiempo de comercialización de la idea, el esfuerzo estimado, los escollos que habrá que salvar y un análisis de viabilidad técnica.

4. Confeccionar un acta de constitución del proyecto (Project charter)

La definición del proyecto y de sus requerimientos resulta trascendental para su desarrollo. Este project charter debe conocer el alcance del proyecto, qué queremos construir y los objetivos de negocio.

5. Composición del equipo

Para evitar la falta de experiencia y la desconexión entre el desarrollo de software y la ciencia de datos, Díaz insta a definir los perfiles necesarios.

Entre ellos destaca un especialista en ciencia de datos y un ingeniero de datos con conocimientos de TI y programación más tradicional. Asimismo, reconoce la relevancia de incluir en el equipo expertos de negocio para realizar un seguimiento de los resultados.

6. Involucrar a stakeholders

Las constantes interacciones entre profesionales y proveedores obligan a gestionarlas correctamente para evitar reticencias que puede ocasionar la implantación de Inteligencia Artificial.

7. Un seguimiento constante

Los problemas pueden surgir no solo en la implantación del proyecto. De ahí la necesidad de prestar atención a la fase de ejecución e instaurar fases de desarrollo.

Además, desde Compensa Capital Humano recuerdan que estos proyectos tienen un componente de desarrollo de software, pero que también es importante escoger el método de gestión adecuado.

¿Qué se juegan las empresas?

Buena parte de la distancia entre el éxito y el fracaso de un proyecto de Inteligencia Artificial reside en la competitividad de la compañía. Y es que, tal y como expone Díaz, en un entorno de complejidad creciente en el que la información disponible crece exponencialmente, las compañías capaces de procesar esta información de su entorno tendrán una ventaja competitiva a la hora de tomar decisiones relevantes para su futuro.

“Las empresas que no sean capaces de hacerlo estarán a ciegas. Esto no quiere decir que estén abocadas a la quiebra, pues muchas veces otras técnicas más simples serán más adecuadas. Es la cultura del dato de la empresa la que marcará la diferencia”, concluye.

Foto de Hitesh Choudhary en Unsplash

Comentarios

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *