Encuentre el enfoque de IA que se ajuste al problema que intenta resolver
L
os líderes de todo el mundo se preguntan (con razón) cómo la IA generativa puede beneficiar a sus empresas. Sin embargo, por impresionante que sea, es solo una de muchas técnicas avanzadas de ciencia y análisis de datos. Si bien el mundo se centra en la IA generativa, un mejor enfoque es comprender cómo utilizar la variedad de herramientas de análisis disponibles para abordar las necesidades de su empresa. ¿Qué herramienta de análisis se ajusta al problema que está tratando de resolver? ¿Y cómo evitar elegir la incorrecta? No es necesario que conozca detalladamente cada herramienta de análisis a su disposición, pero sí lo suficiente como para imaginar lo que es posible y hacer las preguntas correctas a los expertos técnicos.
Comience con el problema, no con la tecnología.
Las cuatro categorías de la analítica avanzada
Existen muchas técnicas de IA y análisis avanzados, y la lista crece con cada nuevo comunicado. Como líder, no necesita conocer las complejidades de cada técnica analítica; para eso tiene expertos técnicos. Sin embargo, comprender estas cuatro categorías puede ayudarlo a diferenciarse, hacer las preguntas correctas y ganar confianza.
- IA generativa
La IA generativa crea nuevos datos, imágenes, videos, textos o sonidos que son similares, pero no idénticos a los datos existentes. ChatGPT es un ejemplo, al igual que Midjourney (generación de imágenes), Synthesia (videos a partir de texto) y Cresta (entrenamiento en tiempo real para agentes de call centers). Los creadores de productos existentes, como Adobe, Shopify, Canva y Autodesk, están incorporando funciones de IA generativa en sus ofertas. Estos algoritmos resumen materiales, responden preguntas o redactan artículos desde cero, lo cual beneficia a áreas como la comunicación de marketing y el servicio al cliente. Además, ayudan a comprender rápidamente nuevos documentos, como regulaciones, informes financieros o investigaciones médicas. Sin embargo, también pueden generar datos sesgados o de baja calidad (denominados “alucinaciones”) y requieren enormes cantidades de potencia informática y datos.
- Aprendizaje profundo tradicional
Las técnicas de aprendizaje profundo procesan grandes volúmenes de datos complejos para aprender patrones y relaciones. Pueden clasificar, por ejemplo, si se compra algo o no, si un préstamo es seguro o riesgoso, si un tejido es canceroso o benigno. Pueden optimizar, por ejemplo, ajustando las líneas de producción o reduciendo el consumo de energía. Sin embargo, para aprender, también requieren datos con clasificaciones ya conocidas. Además, los resultados de los modelos son difíciles de explicar, lo que significa que las empresas no pueden decir a los clientes o a los reguladores el porqué de una predicción.
- Econometría
En comparación con la complejidad y el costo del aprendizaje automático, las técnicas estadísticas tradicionales pueden ofrecer resultados igualmente buenos a un costo mucho menor. La rica historia de la econometría ofrece herramientas poderosas para probar mecanismos teóricos y comprender relaciones causales a partir de datos observacionales o experimentos. Un gerente puede determinar cuánto influye cada variable en un resultado y comprender la magnitud de las relaciones causales. Además, los modelos son altamente repetibles, proporcionando siempre las mismas respuestas a las mismas entradas. Sin embargo, los modelos econométricos suelen requerir supuestos sobre las relaciones y las distribuciones estadísticas subyacentes.
- Automatización basada en reglas
Los primeros modelos de IA se basaban en reglas del tipo “si-entonces”, y siguen siendo frecuentes y valiosos. Los sistemas basados en reglas son sencillos, comprensibles, interpretables y transparentes. Son adecuados para problemas bien comprendidos, como la implementación de normativas establecidas (por ejemplo, leyes fiscales). Sin embargo, su creación puede requerir una cantidad significativa de experiencia en el área. También pueden ser inflexibles, no adaptarse a los cambios de contexto y no dar respuestas a escenarios no previstos por los diseñadores.
Cada uno de estos métodos es útil en diferentes situaciones, y a menudo en combinación. La clave está en saber cuándo utilizar (y no utilizar) cada uno.
Cómo elegir: Las cinco preguntas que debe hacerse
Cada proceso y decisión es un candidato potencial para nuevos enfoques de analítica avanzada. Pero el contexto es importante. A continuación, ofrecemos cinco preguntas que puede hacer sobre las limitaciones de la IA.
- ¿Cuál es el costo de equivocarse?
La IA generativa es útil para primeros borradores y respuestas “suficientemente cercanas”. ¿Su problema puede tolerar una precisión inferior a la excelente? ¿El costo del error exige un enfoque diferente? ¿O puede utilizar un enfoque híbrido en el que las computadoras identifiquen posibles diagnósticos médicos u objetivos militares y los humanos tomen la decisión final?
- ¿Necesita explicar las decisiones que toma su modelo?
Los algoritmos de aprendizaje automático, especialmente los basados en el aprendizaje profundo, pueden brindar respuestas precisas, pero sus modelos proporcionan poca información sobre el por qué. Por otro lado, los modelos econométricos pueden mostrar cómo las variables influyen en las decisiones, pero pueden carecer de la precisión que ofrecen los modelos más grandes. ¿Necesita saber por qué un modelo hace lo que hace? ¿O una buena respuesta es suficiente?
- ¿Sus modelos necesitan generar las mismas respuestas todo el tiempo?
Por defecto, la IA generativa genera respuestas diferentes todo el tiempo. Los modelos econométricos y basados en reglas proporcionan las mismas respuestas para las mismas entradas, pero pueden volverse obsoletos a medida que cambian las condiciones. La mayoría de los modelos de aprendizaje automático ofrecen respuestas repetibles, pero si constantemente se actualizan sus datos de entrenamiento, esas respuestas pueden cambiar con el tiempo.
- ¿Sus datos tienen una fuente confiable?
Sin una buena fuente de verdad, una compleja red neuronal de aprendizaje profundo multicapa puede no ser mejor que lanzar una moneda al aire. ¿Tiene suficientes datos bien etiquetados? Si no es así, ¿tiene mejores fuentes de verdad para clasificaciones menos específicas (por ejemplo, identificar un “animal parecido a un caballo”, en lugar de distinguir entre caballos, burros y camellos)? Los humanos pueden mejorar estas predicciones, ayudando a que los sistemas se vuelvan cada vez más inteligentes mediante retroalimentación de refuerzo. Sin embargo, sin un punto de partida adecuado, los humanos pueden agotarse rápidamente al tratar de ayudar a las IA novatas que, en teoría, deberían estar ayudándolos a ellos.
- ¿Sus datos de entrenamiento reflejan las condiciones en las que operará?
Aunque los algoritmos de IA modernos pueden descubrir patrones en los datos que las técnicas anteriores pueden pasar por alto, el patrón debe ser un patrón real. Y debe provenir de todo el conjunto de contextos en los que opera. ¿Tiene datos de inversión de épocas buenas y malas? ¿Datos médicos de hombres y mujeres, y de diferentes etnias?
Si bien debe tener cuidado con la calidad de los datos que utiliza, no es necesario que sean perfectos. Dependiendo de los riesgos y limitaciones del problema, puede mejorar un modelo a través de la retroalimentación.
El mundo de la IA avanza rápidamente, pero las organizaciones cambian mucho más lentamente. Lo que funciona en un laboratorio puede no ser adecuado para su empresa en este momento. Si sabe hacer las preguntas correctas, podrá tomar mejores decisiones, independientemente de la velocidad con la que cambie la tecnología. Puede trabajar con sus expertos técnicos para utilizar la herramienta adecuada para el trabajo adecuado. De este modo, cada solución de hoy se convertirá en la base para generar innovaciones futuras.
© 2024 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
Leaders everywhere are rightly asking about how Generative AI can benefit their businesses. However, as impressive as generative AI is, it’s only one of many advanced data science and analytics techniques. While the world is focusing on generative AI, a better approach is to understand how to use the range of available analytics tools to address your company’s needs. Which analytics tool fits the problem you’re trying to solve? And how do you avoid choosing the wrong one? You don’t need to know deep details about each analytics tool at your disposal, but you do need to know enough to envision what’s possible and to ask technical experts the right questions.
Start with the problem, not the technology.
THE FOUR CATEGORIES OF ADVANCED ANALYTICS
There are many techniques for AI and advanced analytics, and the list grows with every news release. As a leader, you don’t need to know the intricacies of each analytic technique; you have technical experts for that. However, understanding four categories can help you differentiate, ask the right questions, and gain confidence.
GENERATIVE AI
Generative AI creates new data, images, video, text or sound that is similar but not identical to existing data. ChatGPT is an example, but so are Midjourney (generating images), Synthesia (video from text) and Cresta (real-time coaching of call center agents). Makers of existing products such as Adobe, Shopify, Canva and Autodesk are embedding generative AI features in their offerings. These algorithms summarize material, answer questions or write articles from scratch, benefiting marketing communications and customer service. They also help people understand fast-arriving new documents such as regulations, financial reports or medical research. But they can also generate biased or low-quality data (“hallucinations”) and require huge amounts of computing power and data.
TRADITIONAL DEEP LEARNING
Deep learning techniques ingest large volumes of complex data to learn patterns and relationships. They can classify, such as will or won’t purchase, safe or risky loan, cancerous or benign tissue. They can optimize, such as tuning production lines or reducing energy consumption. However, in order to learn, they also require data for which the true classification already exists. Moreover, model results are difficult to explain, meaning that companies can’t tell customers or regulators why a prediction is what it is.
ECONOMETRICS
Relative to the complexity and expense of machine learning, traditional statistical techniques can sometimes perform as well at a much lower cost. The deep history of econometrics offers powerful tools for testing theoretical mechanisms and understanding causal relationships from observational data or experiments. A manager can determine how much each variable influences an outcome and understand the magnitude of causal relationships. The models are also highly repeatable, always giving the same answers to the same inputs. However, econometric models typically require assumptions about relationships and underlying statistical distributions.
RULE-BASED AUTOMATION
Early AI models were rule-based “if-then” models and are still prevalent — and valuable. Rule-based systems can be straightforward, understandable, interpretable and transparent. They suit well-understood problems, such as implementing established guidelines (e.g., tax laws). However, they can require a significant amount of domain expertise to create. They can also be inflexible, failing to adapt as contexts change, and cannot give answers for scenarios that the designers did not initially envision.
Each of these methods is useful in different situations, often in combination. The trick is to know when to use (and not use) each.
HOW TO CHOOSE: THE FIVE QUESTIONS YOU SHOULD ASK
Every process and decision is a potential candidate for new advanced analytics approaches. But context matters. In this section, we offer five questions you can ask about AI’s constraints.
1. WHAT IS THE COST OF BEING WRONG?
Generative AI is good at first drafts and “close enough” answers. Can your problem live with less-than-excellent accuracy? Or does the cost of error dictate a different approach? Or can you use a hybrid approach, such as where computers identify potential medical diagnoses or military targets, but humans make the final decision?
2. DO YOU NEED TO EXPLAIN THE DECISIONS YOUR MODEL MAKES?
Machine learning algorithms, especially those based on deep learning, can give accurate answers, but their models provide little insight into why. Meanwhile, econometric models can show how variables influence decisions but may lack the precision that comes from larger models. Do you need to know why a model does what it does? Or is a good answer enough?
3. DO YOUR MODELS NEED TO GENERATE THE SAME ANSWERS EVERY TIME?
Generative AI, by design, generates different answers each time. Econometric models and rule-based models provide the same answers for the same inputs but can become outdated as conditions change. Most machine learning models will give repeatable answers, but if they are constantly refreshing their training data, those answers may drift over time.
4. DOES YOUR DATA HAVE A SOURCE OF TRUTH?
Without a good source of truth, a complex multi-layer deep learning neural network may be no better than flipping a coin. Do you have enough well-labeled data? If not, do you have better sources of truth for less-specific categorizations (identifying a “horse-like animal” versus distinguishing among horses, donkeys and camels)? Humans can improve these predictions, helping systems get smarter and smarter through reinforcement feedback. But without a sufficient starting point, humans may quickly grow weary of helping the novice AI bots who are supposed to be helping them instead.
5. DOES YOUR TRAINING DATA REFLECT THE CONDITIONS UNDER WHICH YOU’LL OPERATE?
Although modern AI algorithms can discover patterns in data that older techniques may miss, the pattern must be a pattern, not noise. And it must be from the entire set of contexts you operate in. Do you have investment data from good times and bad? Medical data from men and women, and different ethnicities?
Although you need to be careful about the data quality you’re using, it doesn’t need to be pristine. Depending on the risks and constraints of your chosen problem, you can improve a model through reinforcement feedback.
The world of AI moves quickly, but organizations change much more slowly. What works in a lab may be wrong for your company right now. If you know the right questions to ask, you can make better decisions, regardless of how fast technology changes. You can work with your technical experts to use the right tool for the right job. Then each solution today becomes a foundation to build further innovations tomorrow.
Las claves para tener éxito con un nuevo jefe
Saber que tendrá un nuevo jefe puede despertar una mezcla de emociones: desde alivio y entusiasmo hasta frustración, inquietud y sensación de pérdida.
Nuestros consejos favoritos de gestión sobre cómo dar retroalimentación
A continuación, presentamos una selección de nuestros consejos favoritos sobre cómo dar (y pedir) retroalimentación.
Lo que las empresas internacionales pierden cuando la toma de decisiones gira en torno a la sede central
Cuando las organizaciones cierran la brecha entre la sede central y el resto, se generan mejores decisiones, mayor flujo de información y menos frustración derivada de trabajar alrededor del mundo.
