Ventajas de la Inteligencia Artificial

Este elemento es una profundización de los cursos y guías de Lawi. Ofrece hechos, comentarios y análisis sobre este tema. [aioseo_breadcrumbs]

Inteligencia artificial: ventajas y desventajas

El software no siempre termina siendo la panacea de la productividad que promete ser. Como sus víctimas saben muy bien, “la muerte por PowerPoint”, el uso deficiente del software de presentación, absorbe la vida y la energía de demasiadas reuniones. La auditoría después de la auditoría empresarial revela hojas de cálculo con problemas y errores de cálculo macro. El correo electrónico y el chat facilitan una disfunción similar; la sobrecarga de la bandeja de entrada demuestra que perjudica el desempeño y la moral de los directivos. No es ninguna sorpresas aquí: es una realidad global con la que todos estamos familiarizados.

Entonces, ¿qué hace que los campeones de la inteligencia artificial (IA) y el aprendizaje automático confíen en que sus tecnologías serán inmunes a los resultados contraproducentes? No deberían estar tan seguros. El empoderamiento digital con demasiada frecuencia conduce a una mala gestión y abuso de la organización. (Tal vez sea de interés más investigación sobre el concepto). El historial empresarial de las herramientas de productividad personal ofrece infinidad de letanías desafortunadas de consecuencias imprevistas. Para demasiados gerentes, los costos (o costes, como se emplea mayoritariamente en España) (o costes, como se emplea mayoritariamente en España) de la tecnología a menudo rivalizan con sus beneficios.

Precisamente porque se supone que las plataformas de aprendizaje automático y de inteligencia artificial son “inteligentes”, plantean riesgos organizacionales desafiantes. Son más propensos a inspirar confianza falsa y errónea en sus hallazgos; amplificar o consolidar más los sesgos basados ​​en datos; y reforzar, e incluso exacerbar, los defectos humanos de las personas que los despliegan.

El problema no es que estas tecnologías innovadoras no funcionen; es que los usuarios tomarán decisiones inadvertidamente y se arriesgarán para debilitar a colegas y clientes. Un software aparentemente más inteligente podría convertir perversamente la “muerte por PowerPoint” de ayer en el “asesinato por aprendizaje automático” de mañana. Nadie quiere producir presentaciones aburridas que pierdan el tiempo de todos, pero lo hacen. Nadie quiere entrenar algoritmos de aprendizaje automático que produzcan predicciones engañosas, pero lo harán. Las redes inteligentes del infierno contra-productivo están conectadas con buenas intenciones.

Por ejemplo, como observaron astutamente Gideon Mann y Cathy O’Neil en su artículo de HBR Hiring Algorithms Are Not Neutral, “los algoritmos hechos por el hombre son falibles y pueden inadvertidamente reforzar la discriminación en las prácticas de contratación. (Tal vez sea de interés más investigación sobre el concepto). Cualquier gerente de Recursos Humanos que use dicho sistema debe conocer sus limitaciones y tener un plan para manejarlas.

Detalles

Los algoritmos son, en parte, nuestras opiniones integradas en el código (examine más sobre estas cuestiones en la presente plataforma online de ciencias sociales y humanidades). Reflejan sesgos y prejuicios que conducen a errores de aprendizaje automático y malas interpretaciones”.

Estos sesgos intrínsecos, tanto en los conjuntos de datos como en los algoritmos, se pueden encontrar siempre que sea necesario tomar decisiones importantes basadas en datos, como los esfuerzos de segmentación de clientes, los diseños de características del producto y las evaluaciones de riesgos del proyecto. Incluso puede haber sesgos en la detección de sesgos.Entre las Líneas En otras palabras, no se puede escapar a la realidad de que las fortalezas computacionales del aprendizaje automático coexisten intrínsecamente con las debilidades cognitivas de los seres humanos, y viceversa.Si, Pero: Pero eso es más un desafío de liderazgo (véase también carisma) que un problema técnico. La pregunta más difícil es: ¿quién va a “poseer” esta coevolución digital del talento y la tecnología y dirigirla de manera sostenible hacia el éxito?

Para responder a esta pregunta, considere los dos modos de inteligencia artificial y aprendizaje automático que tienen más probabilidades de dominar las iniciativas empresariales.

• El modo activo implica que las personas determinan directamente el rol de la inteligencia artificial o el aprendizaje automático para realizar el trabajo.
  

  Pormenores

  Los humanos están a cargo; le dicen a las máquinas qué hacer. La gente gobierna.

• El modo pasivo (véase más en esta plataforma) significa que los algoritmos determinan en gran medida los parámetros y procesos de las personas para realizar el trabajo. El software está a cargo; las máquinas le dicen a los humanos qué hacer. Las máquinas gobiernan.

En pocas palabras, mientras que el aprendizaje automático activo tiene máquinas de entrenamiento de personas, el aprendizaje automático pasivo (véase más en esta plataforma) tiene máquinas que entrenan a personas. Con el aumento de los grandes datos y la aparición de software más inteligente, esta dualidad se convertirá en una de las mayores oportunidades estratégicas y riesgos que enfrenta el liderazgo (véase también carisma) en todo el mundo.

Los sistemas de inteligencia artificial y aprendizaje automático activos tienen el potencial de reencarnar digitalmente y proliferar las patologías de productividad asociadas con la presentación existente, la hoja de cálculo y el software de comunicaciones. A las personas con capacitación y conocimiento de sus herramientas relativamente limitados se les dice que los utilicen para realizar su trabajo.Si, Pero: Pero la mayoría de las empresas tienen muy pocos mecanismos de revisión confiables para asegurar o mejorar la calidad.

Una Conclusión

Por lo tanto, a pesar de la tecnología avanzada, las presentaciones continúan perdiendo el tiempo, las conciliaciones de hojas de cálculo consumen los fines de semana y los ejecutivos se atrasan aún más en la respuesta a correos electrónicos y chats.

Del mismo modo que estas herramientas convirtieron a los trabajadores del conocimiento en presentadores aficionados y analistas financieros, la democratización continua del aprendizaje automático les invita a convertirse en científicos de datos aficionados.Si, Pero: Pero ¿cómo de sostenible será el hecho de que los datos y los algoritmos más inteligentes proliferen en toda la empresa?

Sin duda, surgirán usuarios poderosos con talento, pero en general, las ineficiencias, las oportunidades perdidas y los errores que podrían resultar tienen el potencial de ser asombrosos para las organizaciones. Pensar que la mayoría de los administradores obtendrán un valor real de las plataformas de la inteligencia artificial y el aprendizaje automático con un entrenamiento mínimo es creer que la mayoría de los adultos podrían, en su tiempo libre, convertir con éxito a las camadas de cachorros en perros de exposición. (Tal vez sea de interés más investigación sobre el concepto). Esto es ilusorio. Lo más probable es que las organizaciones obtengan software mal entrenado que exige cantidades desmesuradas de atención, deja un caos inesperado y ocasionalmente picaduras.

Por ejemplo, el sobreajuste es un error común de aprendizaje automático hecho incluso por científicos de datos experimentados.Entre las Líneas En el caso de sobreajuste, la IA es, literalmente, demasiado precisa para ser cierta; el modelo incorpora demasiado ruido, en lugar de centrarse en los datos esenciales. Encaja demasiado bien con los conjuntos de datos existentes y, a su vez, se vuelve extremadamente impreciso y poco fiable cuando se procesan datos nuevos. Para las empresas, los resultados previstos podrían ser totalmente absurdos, lo que generaría resultados negativos, como malas contrataciones, diseños deficientes o previsiones de ventas fallidas. El sobreajuste, al igual que los errores de la hoja de cálculo, puede ser capturado y corregido. Pero, ¿qué sucede cuando docenas de aficionados al aprendizaje automático están haciendo inversiones o proyecciones defectuosas basadas en lo que ellos pensaban que eran modelos precisos? Ese es un algoritmo para el desastre.

Cuantos más recursos de datos posean las organizaciones, más disciplinada será la supervisión que necesitará la inteligencia artificial y el aprendizaje automático activos.

Detalles

Los algoritmos más inteligentes requieren una gestión de riesgos más inteligente.

La inteligencia artificial y el aprendizaje automático pasivos, por otro lado, presentan una sensibilidad de diseño diferente y plantean diferentes riesgos… Véase también:

• Riesgo Legal
• Riesgo País
• Aversión al Riesgo
• Riesgo Subjetivo
• Riesgo Percibido
• Riesgo Objetivo
• Riesgo Funcional
• Riesgo Comparativo
• Conductas de Riesgo
• Caracteres del Riesgo
• Riesgo Moral

A todos los efectos, este software actúa como gerente y coach, estableciendo objetivos y directrices incluso cuando ofrece asesoramiento basado en datos para hacer el trabajo. La promesa de productividad personal es convincente: textos y correos electrónicos que escriben sus propias respuestas; horarios diarios que se vuelven a priorizar cuando llega tarde; análisis que destacan sus propios hallazgos más importantes; y presentaciones que se animan más. Los innovadores de software empresarial de Microsoft a Google, Salesforce y Slack buscan hacer más inteligente su software con algoritmos que aprendan de manera confiable de los usuarios. ¿Entonces, cuál es el problema?

El riesgo más obvio, por supuesto, es si el “software más inteligente” verdaderamente le da a su gente los comandos correctos. La alta dirección debería tener eso firmemente bajo revisión. (Tal vez sea de interés más investigación sobre el concepto). El riesgo más sutil y subversivo es que la inteligencia artificial pasiva está demasiado arraigada en el desempeño humano, la adherencia y la obediencia. Es decir, se requiere que los trabajadores estén subordinados a la IA para que tenga éxito. Este tipo de desempoderamiento por diseño puede invitar a la resistencia de los empleados, el cumplimiento superficial y el sabotaje sutil. Por ejemplo, un representante de servicio al cliente podría decirle a un cliente descontento: “Me encantaría ayudarte, pero el software me prohíbe darte ningún tipo de reembolso”.

En otras palabras, el valor del toque humano es deliberadamente desechado por decisiones basadas en datos. Se espera que los trabajadores subordinen su juicio a sus jefes algorítmicos y el sistema los disciplinará si se salen de la línea.

Si bien no hay una solución para los desafíos enumerados, existen enfoques que logran un equilibrio saludable entre los riesgos y las oportunidades. Sin duda, las organizaciones más exitosas adoptarán la “gobernanza de datos” y contratarán a los mejores científicos de datos que puedan.Si, Pero: Pero cultural y operacionalmente, deberán promulgar públicamente tres iniciativas interrelacionadas para mitigar los riesgos:

1. Escribe una declaración de inteligencia (máquina). Al igual que El sentido común de Thomas Paine o la Declaración de Independencia, una Declaración de Inteligencia (Máquina) definiría y articularía los principios relacionados con la forma en que la organización espera usar algoritmos inteligentes para impulsar el rendimiento (véase una definición en el diccionario y más detalles, en la plataforma general, sobre rendimientos) y la productividad. El documento generalmente describe casos de uso y escenarios para ilustrar sus puntos. Su objetivo sería brindar a los gerentes y trabajadores una idea más clara de dónde la inteligencia artificial y el aprendizaje automático aumentará sus tareas y dónde puede reemplazarlos o automatizarlos. La declaración abordaría la gestión de las expectativas y debería ser una lectura obligatoria para cualquier persona de la empresa.

2. Emplea transparencia de repositorio radical. La revisión, verificación y validación son principios esenciales en entornos empresariales de IA ricos en datos. Compartir ideas, datos y modelos entre comunidades debería ser una mejor práctica. Las grandes corporaciones usan cada vez más repositorios que alientan a personas y equipos a publicar sus conjuntos de datos y modelos para su revisión. (Tal vez sea de interés más investigación sobre el concepto).Entre las Líneas En ocasiones, estos repositorios surgen de las iniciativas de gobierno de datos.Entre las Líneas En otros, son subproductos de los equipos de ciencia de datos que tratan de obtener una mayor visibilidad de lo que los diversos grupos están haciendo digitalmente. La clara aspiración es expandir la conciencia de toda la empresa sin restringir la iniciativa ascendente.

3. Crea una hoja de ruta de compensación. (Tal vez sea de interés más investigación sobre el concepto). La ciencia de datos, la inteligencia artificial y el aprendizaje automático son campos dinámicamente innovadores que evolucionan de forma rápida y oportunista. La implementación activa de aprendizaje automático de ayer puede convertirse en el proceso de negocio de la inteligencia artificial pasiva de mañana. A medida que las organizaciones heredadas recurren a los datos, el aprendizaje automático y las plataformas digitales para transformarse, sus mapas de ruta sugerirán dónde la administración considera que las inversiones en IA activa serán más valiosas que en lo pasivo. Por ejemplo, los sistemas de orientados al cliente pueden merecer diferentes talentos y compensaciones que se centren en la eficiencia del proceso interno.

La gestión de abandono es un excelente caso de estudio: en un gigante de las telecomunicaciones, un equipo de análisis exploró el uso de técnicas de aprendizaje automático para identificar a los clientes que probablemente se irían y se cambiarían a otro proveedor de servicios. Probar con éxito las ofertas de retención sería una gran ganancia para la empresa y, si el aprendizaje automático redujera la pérdida de clientes mejoraría drásticamente la eficiencia interna del proceso. Varios de los analistas más centrados en el cliente creían que simplemente mantener un cliente no era suficiente; pensaban que una parte de los posibles abandonos podría ser transferida a servicios nuevos y adicionales si las ofertas se enmarcaban correctamente. Querían que los algoritmos de aprendizaje automático y de datos se entrenaran para identificar a los clientes que podían ser reubicados, no solo salvados (examine más sobre estas cuestiones en la presente plataforma online de ciencias sociales y humanidades). Resultó que esta era una muy buena idea basada en los datos y centrada en el cliente.

Al igual que la Declaración de Inteligencia (Máquina), la hoja de ruta de las compensaciones está destinada a gestionar las expectativas.Si, Pero: Pero busca y recurre a la transparencia radical del repositorio para ver qué capacidades internas de inteligencia artificial y aprendizaje automático existen y cuáles son las nuevas que se deben cultivar o adquirir.

En pocas palabras, los líderes que toman en serio las principales transformaciones de inteligencia artificial están invirtiendo no solo en conocimientos técnicos innovadores sino también en nuevas capacidades organizativas. Mientras lo hacen, deberán tener mucho cuidado de no recrear los errores de productividad del pasado.

Fuente: HBR

Las empresas B2B: conocer mejor a sus clientes

Gran parte del enfoque estratégico en la economía digital hasta ahora ha girado en torno a obtener una mejor comprensión de los consumidores.

Detalles

Las empresas B2C han sido líderes en iniciativas de análisis de clientes. El comercio electrónico, el comercio móvil y las plataformas de redes sociales les han permitido esculpir mejor las iniciativas de marketing y de atención y servicios al cliente.

Detalles

Los amplios datos y análisis avanzados para las B2C han permitido a los estrategas comprender mejor el comportamiento del consumidor y las preferencias correspondientes a medida que los visitantes y compradores realizan actividades diarias a través de sistemas online.

Sin embargo, también hay una capacidad emergente para obtener información sobre clientes comerciales. El B2B, o el proceso de comercialización (vender lo que se produce; véase la comercialización, por ejemplo, de productos) o/y, en muchos casos, marketing, o mercadotecnia (como actividades empresariales que tratan de anticiparse a los requerimientos de su cliente; producir lo que se vende) y venta de ofertas de productos y servicios para clientes comerciales, está experimentando un enfoque intensificado con la mayor disponibilidad de nuevos datos digitales que describen las empresas.

Pormenores

Las actividades tradicionales de información B2B han involucrado datos tan limitados como el tamaño de las empresas según sus ingresos, la capitalización o los empleados y el tipo de industria clasificada formalmente por los códigos SIC.

Internet ofrece un nivel de datos mucho más detallado, yendo mucho más allá de la categorización estándar de la industria. El contenido web que proporciona descripciones sólidas y detalladas de las empresas proporciona información descriptiva valiosa.

Puntualización

Sin embargo, estos recursos digitales tienen poco valor a menos que se identifiquen clientes individuales y se analicen sus antecedentes e intereses detallados para proporcionar información estratégica para los proveedores. Y es ahí donde las técnicas de inteligencia artificial (IA) pueden ayudar.

Las redes neuronales y los algoritmos de aprendizaje profundo, junto con otros métodos de aprendizaje automático, permiten a los científicos de datos ‘extraer el oro’ en formatos digitales. Estos métodos basados ​​en la IA implican técnicas de búsqueda avanzada que identifican, categorizan y reúnen los elementos de datos definidos por el usuario correspondiente a los criterios de búsqueda. Por ejemplo, existe una considerable información de descripción comercial en LinkedIn.

Puntualización

Sin embargo, ¿cómo pueden las organizaciones analizar cada perfil en la red? Los algoritmos basados ​​en inteligencia artificial bien diseñados son la clave para extraer información de LinkedIn. Estos recursos de datos más estructurados proporcionan los medios para otra aplicación de algoritmos basados ​​en inteligencia artificial, donde el objetivo es identificar patrones en los datos que, en última instancia, proporcionan la base para las ventas predictivas y los modelos de comercialización. (Tal vez sea de interés más investigación sobre el concepto). Estos pueden usarse para las capacidades de puntuación, pronóstico y clasificación. (Tal vez sea de interés más investigación sobre el concepto). Al ayudar a las empresas B2B a recopilar mejores datos sobre sus clientes, la IA les ayudará a ponerse al día con sus compañeros B2C.

Una compañía que se enfoca en análisis basados ​​en inteligencia artificial para aplicaciones B2B ha adoptado una forma única de aprovechar las extensas huellas digitales que proporcionan atributos descriptivos de todo tipo de empresas. Su enfoque para aprovechar los activos de datos combina el arte y la ciencia de la producción de soluciones analíticas. EverString Technology considera los diversos sectores de la web que contienen información descriptiva de las empresas (por ejemplo, dominios de sitio y huellas digitales de los empleados) e incorpora la opinión de profesionales expertos en el espacio B2B para ayudar a describir mejor cada empresa. EverString implementa el aprendizaje automático para identificar, extraer y modelar un esquema de categorización de las empresas para que los usuarios en el espacio B2B puedan identificar oportunidades con mayor precisión.

Las empresas B2B necesitan saber, por ejemplo, cuántas empresas existen en un espacio de mercado determinado. ¿Cómo pueden identificar y acceder a todas las empresas que entran en el mercado relacionadas con su producto o servicio? ¿Y a qué compradores específicos deberían dirigirse en esas empresas? Mediante la creación de un esquema de microcategorización y la aplicación de IA guiada a varios sectores de la web, EverString puede generar miles de percepciones de los clientes en un corto período para sus clientes B2B. La compañía ha creado un sistema inteligente para aumentar los datos de los clientes en el espacio B2B.

Una empresa B2B que utiliza la plataforma de EverString es Autodesk, una compañía de software multinacional que proporciona software para las industrias de arquitectura, ingeniería, construcción, fabricación, medios y entretenimiento. Un enfoque principal en los enfoques de Autodesk para las ventas B2B en los últimos años ha sido el uso de más datos para la selección y comprensión de cuentas.

Puntualización

Sin embargo, en las grandes empresas orientadas al diseño, a menudo es difícil entender qué personas pueden tener interés en el software de diseño asistido por ordenador.

Antes de trabajar con EverString, Autodesk se basó en la experiencia de campo y los historiales de compra de los clientes. Ahora confía cada vez más en el análisis predictivo de EverString para identificar posibles clientes. Una herramienta clave es el Modelo de Propensión del Acuerdo de Iniciativa Empresarial, que sugiere qué ejecutivos de una gran organización de clientes tienen más probabilidades de participar en un acuerdo de nivel empresarial con Autodesk. La compañía también mantiene un modelo de cuenta general que hace uso de los datos y predicciones de EverString.

Los principales usuarios de los datos y modelos son, por supuesto, la fuerza de ventas de Autodesk (examine más sobre estas cuestiones en la presente plataforma online de ciencias sociales y humanidades). Reciben recomendaciones clasificadas y puntajes brutos creados por los modelos EverString. La organización de Global Sales Strategy dentro de Autodesk gestiona el proceso e intenta asegurarse de que los datos y modelos se comprueben.

Aún es pronto para el uso de estas capacidades en Autodesk, pero hasta ahora tanto los equipos de ventas como el grupo de Estrategia Global de Ventas consideran que las ofertas de EverString son muy útiles para el proceso de ventas. Como el gerente de análisis de ventas de Autodesk dentro de Global Sales Strategy, Matthew Stevens, nos dijo:

“EverString proporciona datos clave en análisis, que convertimos en oportunidades de venta potenciales. Es temprano para juzgar el pago exacto, pero es difícil imaginar hacer una recomendación sin estos conocimientos. Tenemos el desafío de responder a todas las preguntas sobre cuentas y puntajes, pero al menos ahora contamos con datos para respaldar nuestras recomendaciones”.

Stevens también notó que hay muchas más actividades a seguir en el futuro con este enfoque de ventas basado en datos:

“Encontrar datos sobre empresas europeas y asiáticas es un desafío debido a las regulaciones de privacidad y las diferencias de idioma. Estamos trabajando con EverString para comprender mejor estas oportunidades. Actualmente, nuestros análisis y datos de EverString no están conectados con Salesforce, nuestro sistema de CRM.

Puntualización

Sin embargo, estamos en la primera etapa de un viaje de varias etapas para comprender el análisis y la información sobre las ventas. Definitivamente nos estamos moviendo en la dirección correcta”.

Las nuevas herramientas de organizaciones como EverString están permitiendo a las empresas orientadas a B2B como Autodesk desarrollar enfoques que estén más basados ​​en datos para las ventas y el marketing. [rtbs name=”etapas-del-marketing”] [rtbs name=”estrategias-de-marketing”] La cantidad y la calidad de los datos sobre las empresas aún no se acercan a eso para los consumidores, pero se está logrando un progreso considerable en el logro de la igualdad.

Fuente: HBR

En el sector público

La calificación automática por ordenador podría hacer exactamente eso, aprender de las respuestas anteriores y mejorar a medida que avanza, algo que ya se está utilizando en algunas universidades y para grandes cursos online (MOOC). Podría calificar paquetes de documentos estudiantiles rápidamente, tal vez marcar aquellos con elementos inusuales que necesitan un poco de supervisión humana. Los profesores obtendrían tiempo para planificar nuevas lecciones, dar tutoriales adicionales a los estudiantes que tienen problemas, leer más o simplemente recuperar su tiempo de vacaciones.

Un profesor de escuela pública calificando los exámenes más rápido es un pequeño ejemplo de los amplios beneficios que la inteligencia artificial (IA) podría aportar al sector público. Se podría utilizar la IA para hacer que las agencias gubernamentales sean más eficientes, para mejorar la satisfacción laboral de los trabajadores públicos y para aumentar la calidad de los servicios ofrecidos. El talento y la motivación se desperdician haciendo tareas rutinarias cuando podrían estar haciendo otras más creativas.

Las aplicaciones de la inteligencia artificial en el sector público son amplias y crecientes, y se están llevando a cabo experimentos en todo el mundo.

Observación

Además de la educación, los servidores públicos usan la IA para ayudarlos a realizar pagos de asistencia social y decisiones sobre cuestiones migratorias, detectar fraudes, planificar nuevos proyectos de infraestructura, responder consultas ciudadanas, juzgar audiencias de fianzas, clasificar casos de atención médica y establecer rutas de drones. Las decisiones que estamos tomando ahora determinarán el impacto de la inteligencia artificial en estas y otras funciones gubernamentales. ¿Qué tareas se destinarán a las máquinas? ¿Y cómo deberían los gobiernos gastar el tiempo de trabajo ahorrado por la inteligencia artificial?

Hasta ahora, las aplicaciones más prometedoras de la inteligencia artificial utilizan el aprendizaje automático, en el que un programa informático aprende y mejora sus propias respuestas a una pregunta al crear e iterar algoritmos de una colección de datos. Estos datos a menudo se dan en cantidades enormes y provienen de muchas fuentes y un algoritmo de aprendizaje automático puede encontrar nuevas conexiones entre los datos que los humanos podrían no haber esperado. Watson de IBM, por ejemplo, es un bot de recomendación de tratamientos que, a veces, encuentra tratamientos que los médicos humanos podrían no haber considerado o conocido.

El aprendizaje automático puede ser mejor, más económico, más rápido y más preciso que muchos humanos en tareas que implican una gran cantidad de datos, cálculos complicados o tareas repetitivas con reglas claras. Aquellos en el servicio público, y en muchas otras grandes organizaciones, pueden reconocer parte de su trabajo en esa descripción. (Tal vez sea de interés más investigación sobre el concepto). El mero hecho de que los trabajadores del Gobierno a menudo sigan un conjunto de reglas, una política o un conjunto de procedimientos, presenta muchas oportunidades para la automatización.

Para ser útil, un programa de aprendizaje automático no necesita ser mejor que un humano en todos los casos.Entre las Líneas En mi trabajo, esperamos que gran parte de los “objetivos más fáciles de lograr” del uso gubernamental (o, en ocasiones, de la Administración Pública, si tiene competencia) del aprendizaje automático sea una primera línea de análisis o toma de decisiones. El juicio humano será crítico para interpretar resultados, manejar (gestionar) casos más difíciles o escuchar apelaciones.

Cuando el trabajo de los servidores públicos se puede hacer en menos tiempo, un Gobierno puede reducir su número de personal y devolver el dinero ahorrado a los contribuyentes, y estoy seguro de que algunos gobiernos buscarán esa opción. (Tal vez sea de interés más investigación sobre el concepto).

Puntualización

Sin embargo, no es necesariamente la que yo recomendaría. Los gobiernos podrían optar por invertir en la calidad de sus servicios. Pueden volver a emplear el tiempo de los trabajadores para lograr un trabajo más gratificante que requiera pensamiento lateral, empatía y creatividad: todo en lo que los humanos continúan superando incluso al programa de IA más sofisticado.

Basado en la experiencia de varios autores, mis opiniones, perspectivas y recomendaciones se expresarán a continuación (o en otros lugares de esta plataforma, respecto a las características en 2026 o antes, y el futuro de esta cuestión):

Decidir quién tiene derecho a los beneficios de desempleo, por ejemplo, es una tarea importante con grandes consecuencias.

Pormenores

Las aplicaciones de aprendizaje automático pueden acelerar las decisiones, ya sea dando una respuesta clara o indicando en qué casos se necesita a un humano para hacerse cargo. A veces, la respuesta más valiosa de un ciudadano de su Gobierno es un “sí” o un “no” rápidos.Entre las Líneas En otros momentos, la pregunta puede ser más complicada. Tal vez alguien ha estado desempleado durante varios meses, y quiere tener una conversación más larga que incluye algunos consejos, asesoramiento y aliento. Un ser humano lo hará mucho mejor que un ordenador, y también podría ser la mejor parte del trabajo de un servidor público: puede pensar en un nuevo problema y ayudar verdaderamente a alguien.

Otros Elementos

Por otro lado, pedirle a un humano que actúe como un ordenador, que procese reclamos simples y oculte su empatía o creatividad es una tarea tediosa para los trabajadores públicos y una experiencia deprimente para el ciudadano que interactúa con la Administración Pública.

Soy una extrabajadora del Gobierno (y ahora una consultora de tiempo completo para los gobiernos) y estoy muy familiarizada con la gran proporción de trabajo gubernamental (o, en ocasiones, de la Administración Pública, si tiene competencia) que es mundano. Los procesos complicados que dejan poco espacio para nuevas ideas convierten a los apasionados nuevos servidores públicos en cínicos (y los alientan a dejar el trabajo público). Esto es malo para los servidores públicos, pero lo más importante es que es malo para el Gobierno.

Detalles

Las encuestas periódicas de confianza en el Gobierno, incluidas las de la OCDE y Edelman, muestran que la confianza en el Gobierno es baja y está disminuyendo. Aumentar el espacio para que los empleados del Gobierno usen sus habilidades más humanas (empatía, creatividad y pensamiento lateral) puede ayudar.

Pormenores

Los humanos son mucho mejores en este tipo de pensamiento (y sentimiento) que las máquinas, y a menudo es la conexión significativa, el buen sentido y la comprensión que los ciudadanos buscan cuando tratan con su Gobierno.

Si se usan bien, los programas de inteligencia artificial pueden hacer que nuestros servicios gubernamentales sean más rápidos y personalizados. La decisión crítica que deben tomar los gobiernos debe ser cómo se puede devolver a los ciudadanos el tiempo ganado por un mejor uso de la tecnología.Entre las Líneas En un momento en que muchas industrias y empleos cambiarán rápidamente, los ciudadanos pueden encontrar que las oportunidades de tener conversaciones más largas con funcionarios públicos más comprometidos pueden ser mucho más importantes que un Gobierno más económico.

Fuente: HBR

La democratización de la IA

AT&T y una serie de otras compañías están tratando de abordar un problema crucial en los negocios: la grave escasez de talento de inteligencia artificial. Según algunas estimaciones, solo alrededor de 10.000 programadores en el mundo tienen la experiencia necesaria para desarrollar algoritmos avanzados de inteligencia artificial.

Aviso

No obstante, eso es apenas una gota en el mar de lo que las empresas necesitarán en sus futuras plantillas. Herramientas como la plataforma de AT&T ayudarán a difundir las tecnologías de inteligencia artificial mucho más allá de un número limitado de personas “con habilidades” y llegarán a los “que no las tienen” que a lo mejor carecen de los conocimientos técnicos y la experiencia.

Esta democratización de la IA ocurrirá de dos formas.Entre las Líneas En primer lugar, permitirá a los empleados de una gran organización como AT&T desarrollar sus propias aplicaciones de inteligencia artificial para mejorar su desempeño en sus trabajos.

Puntualización

Sin embargo, también permitirá a las empresas más pequeñas desplegar algunas de las mismas capacidades de IA que hasta ahora se han limitado a las grandes corporaciones. Algo similar a lo que ocurrió cuando las hojas de cálculo como Lotus 1-2-3 y Excel ayudaron a democratizar el análisis de datos; esto les permitió incluso a las pequeñas tiendas familiares realizar un valioso análisis de variables.

Se requiere coordinación

La plataforma interna de AT&T contiene “widgets” de IA que se pueden ensamblar para crear aplicaciones en funcionamiento. Un vendedor de AT&T podría, por ejemplo, conectar un widget para el procesamiento del lenguaje natural junto con otros componentes para crear una aplicación que reúna y analice datos no estructurados de las redes sociales.Entre las Líneas En el futuro, AT&T mencionó que podría comenzar a ofrecer la plataforma de inteligencia artificial como un producto para otras compañías.

Sin embargo, existen herramientas algo similares en el mercado. Por ejemplo, DataRobot Inc., una start-up en Boston (EE. UU.), ha desarrollado una plataforma automatizada de aprendizaje automático que permite a los usuarios construir modelos predictivos que implementan diversas técnicas de inteligencia artificial. La firma tiene más de 100 clientes en seguros, banca y otras industrias. El producto podría implementarse, por ejemplo, para analizar un gran conjunto de datos de clientes para predecir qué solicitantes de hipotecas son más propensos a incumplir. Farmers Insurance, por ejemplo, está utilizando la plataforma DataRobot para descubrir ideas sobre el comportamiento del cliente y mejorar el diseño de los diferentes productos de la compañía. Otro proveedor similar es Petuum, que ofrece una plataforma de aprendizaje automático con una interfaz visual que permite a las personas construir rápidamente aplicaciones de inteligencia artificial sin codificación. (Tal vez sea de interés más investigación sobre el concepto). La compañía ahora está trabajando en la implementación de esa plataforma general para industrias específicas como manufactura y atención médica.Entre las Líneas En nuestra empresa, Accenture, hemos invertido en desarrollar Accenture Insights Platform, que puede combinar y simplificar las herramientas de las principales plataformas de inteligencia artificial. Hemos visto, de primera mano, cómo la democratización aumenta las capacidades y la velocidad de nuestros profesionales que usan la IA en el desarrollo de soluciones comerciales.

IA en la nube

Mientras tanto, los gigantes de alta tecnología como Google y Microsoft han estado ocupados añadiendo inteligencia artificial a sus servicios en la nube. Inicialmente, las herramientas se centraban en realizar tareas relativamente rudimentarias, como la clasificación de imágenes y el reconocimiento de voz, pero con el tiempo la empresa probablemente aumentará la sofisticación técnica de sus ofertas.Entre las Líneas En el proyecto AutoML de Google, la compañía está construyendo un sistema de aprendizaje automático que podrá desarrollar otras aplicaciones de aprendizaje automático. Los ingenieros líderes en Google Jeff Dean y Fei-Fei Li afirman que el objetivo es pasar de miles a millones de empresas que utilicen la IA. Por su parte, Microsoft ha lanzado herramientas para ayudar a las personas a construir redes neuronales profundas, que pueden ser difíciles de desarrollar y entrenar. “Estamos eliminando una gran cantidad de trabajo pesado”, explica el vicepresidente de Microsoft, Joseph Sirosh. Salesforce, líder en automatización de ventas, tiene un objetivo similar. La compañía ofrece myEinstein, un conjunto de herramientas que permite a los clientes construir sus propios chatbots y modelos predictivos de marketing sin tener que hacer ninguna codificación.

Incluso compañías fuera de la industria tradicional de alta tecnología se están metiendo en el sector. Uber, por su parte, ofrece Michelangelo, una plataforma que ofrece aprendizaje automático como servicio. La plataforma incluye las capacidades para administrar datos; entrenar, evaluar y desplegar modelos predictivos de IA; y para hacer y monitorear (vigilar) (vigilar) predicciones basadas en esos modelos. De acuerdo con la compañía, los empleados han estado usando Michelangelo internamente durante más de un año, con docenas de equipos construyendo y desplegando modelos en la plataforma. Uno de los primeros éxitos fue Uber Eats, una aplicación que predice el tiempo que tomará una orden para llevar, incluido el tiempo necesario para preparar la comida (teniendo en cuenta lo ocupado que está actualmente un restaurante y la complejidad del pedido) y el tiempo requerido para entregar la comida (teniendo en cuenta la ruta y el tráfico, entre otros factores). La compañía dice que quiere hacer que “ajustar la IA para satisfacer las necesidades de las empresas sea tan fácil como solicitar un desplazamiento”.

A pesar de la ambiciosa meta de Uber, se requerirán avances considerables en el campo antes de que la IA se pueda ofrecer a las empresas como una utilidad, similar a las bases de datos y las plataformas de prueba de software.

Aviso

No obstante, está claro que la democratización de la inteligencia artificial está en marcha y que la ventaja competitiva pronto podría pasar de las empresas con experiencia avanzada en inteligencia artificial interna a aquellas empresas con que tengan cuyos trabajadores tengan las ideas más innovadoras para utilizar esa tecnología.Entre las Líneas En lugar de desplazar a los trabajadores, la IA en realidad está empoderando a las personas no técnicas para que usen la inteligencia artificial para llenar la creciente escasez actual de talento técnico.

Fuente: HBR

▷ Esperamos que haya sido de utilidad. Si conoces a alguien que pueda estar interesado en este tema, por favor comparte con él/ella este contenido. Es la mejor forma de ayudar al Proyecto Lawi.