L

a capacidad de la inteligencia artificial para resolver problemas complejos depende de varios factores que pueden mejorar o dificultar su eficacia. Entre las consideraciones más críticas se encuentran la disponibilidad de datos de alta calidad, el alcance de las posibles soluciones al problema, la claridad del objetivo que se desea alcanzar y la necesidad de adaptarse a sistemas en constante cambio. Cuando estos elementos faltan o están mal definidos, presentan desafíos que requieren enfoques innovadores para superarlos.

1. Escasez de datos de alta calidad

Los datos son la entrada más importante de cualquier modelo de IA, pero con demasiada frecuencia, se presta más atención al tamaño de los datos que a su calidad. Si bien las tendencias actuales con modelos de lenguaje de gran tamaño sugieren que una cantidad cada vez mayor de datos es la clave para obtener modelos y resultados de mayor calidad, sigue siendo una cuestión de investigación abierta si esto seguirá siendo así.

Se ha demostrado que los datos de alta calidad son igual de importantes, si no más, que las grandes cantidades de datos. En determinados casos, si se dispone de un conjunto de datos relativamente pequeño (pero de gran calidad) como punto de partida, se puede aumentar cuidadosamente el número de puntos de datos generando datos sintéticos.

2. Demasiadas soluciones potenciales

Cuando un problema tiene demasiadas posibles soluciones, resolverlo mediante métodos de fuerza bruta (probando exhaustivamente todas las combinaciones) se vuelve poco práctico. Históricamente, este tipo de problemas se ha abordado utilizando heurísticas: reglas simples diseñadas para proporcionar soluciones “lo suficientemente buenas” para la mayoría de los escenarios, aunque rara vez sean óptimas.

La IA ofrece una alternativa prometedora para manejar la complejidad de los problemas con innumerables soluciones potenciales. Sin embargo, a medida que aumenta el número de posibles soluciones, también lo hace el desafío de verificar su calidad.

3. La falta de un objetivo claro y medible

Un objetivo, o función de recompensa, es la meta o resultado que el modelo de IA intenta alcanzar. En otras palabras, se trata de hacerle la pregunta correcta al sistema. Formular lo que usted desea que el modelo haga es una de las partes más difíciles de cualquier sistema de aprendizaje automático. Los juegos como el ajedrez tienen un objetivo claro y medible, como una puntuación o un conjunto de reglas para determinar al ganador, y las iteraciones sin costo permiten que la IA aprenda rápidamente.

Pero en el mundo real, que a menudo es complejo y caótico, no existe una métrica sencilla que podamos utilizar para medir el progreso. Sin un objetivo claro y medible, puede ser difícil definir qué significa que el modelo sea “bueno”. Cuanto más ambiguo sea el objetivo, peor será el rendimiento del modelo.

4. Cuando lo “bueno” no puede codificarse

Los problemas que enfrentan las organizaciones rara vez son estáticos. Combinado con la dificultad de identificar fácilmente si una solución propuesta es buena, la IA corre el riesgo de ofrecer soluciones que se desvíen progresivamente de la respuesta óptima. Una técnica cada vez más adoptada para superar este desafío es el aprendizaje por refuerzo con retroalimentación humana (RLHF, por sus siglas en inglés).

Esta técnica (que incluye a los humanos en el proceso) permite que el modelo aprenda e incorpore conocimientos humanos fuera de los datos. El RLHF es particularmente útil en situaciones donde es difícil codificar una solución algorítmica clara, pero donde los humanos pueden juzgar intuitivamente la calidad de los resultados del modelo.

Un camino equilibrado hacia adelante

A medida que la IA continúa evolucionando, es necesario que las organizaciones aborden su implementación de manera reflexiva.

H

oy en día, la mayoría de las empresas saben que los datos de calidad son esenciales para lograr operaciones eficientes, una toma de decisiones acertada y una inteligencia artificial potente. Sin embargo, no reconocen el papel fundamental que desempeñan las personas en la creación de datos de calidad.

Muchos gerentes, en su mayoría de manera inconsciente, dificultan que las personas hagan lo correcto cuando se trata de datos. Después de todo, ellos también se esfuerzan por hacer lo mejor que pueden: les preocupa cumplir con los KPI y están bajo la presión de sus propios jefes. Al reflexionar con más detenimiento, es posible que identifique los siguientes escenarios:

Escenario 1: En un banco, la gerencia se negó a capacitar a los empleados de primera línea (con salarios bajos) sobre la importancia de los datos que introducían y su relevancia para las operaciones comerciales.

Escenario 2: Después de años de trabajo en el departamento de finanzas, Mary notó que las listas departamentales de proveedores contenían inconsistencias. Sin embargo, solucionar este problema le quitaría tiempo de su «trabajo diario». Así que, por ahora, decide guardar silencio.

Escenario 3: El personal de trabajo social se mostraba reacio a involucrarse en cualquier tarea relacionada con datos; estaban en la organización para servir a la gente, no para trabajar con tecnología.

Escenario 4: Para alcanzar su objetivo, durante las conferencias, un equipo de marketing adoptó el mantra “si respiran, escanee su credencial”. Esto generó mucho trabajo adicional para el departamento de ventas, que tuvo que buscar a personas que no tenían interés alguno en sus productos.

Fomente el orgullo por la calidad del trabajo

Estos escenarios son inquietantemente similares a los que han ocurrido en las fábricas desde los primeros días de la industrialización. Abordar este tipo de problemas fue el objetivo de estadísticos y consultores de gestión como W. Edwards Deming, Joseph Juran y Walter Shewhart desde la década de 1920.

Deming, en particular, destacó la importancia del trabajador común y su derecho a comprender cómo su trabajo encaja en el resto de la organización. Reconoció que casi todos los trabajadores sienten un orgullo natural por lo que hacen y un fuerte deseo de hacer las cosas bien. En su opinión, están en una posición privilegiada para ayudar a determinar la mejor manera de hacer su trabajo.

Su pensamiento es tan relevante para la “fábrica de datos” de la actualidad como lo fue para la fábrica física de hace años. En nuestro trabajo, observamos a diario cómo las personas quieren hacer lo correcto en lo que se refiere a los datos. Considere lo que está ocurriendo (o no) en los escenarios anteriores, y plantee las siguientes preguntas:

1. ¿Las personas comprenden que son creadoras de datos y cómo estos encajan en el panorama general?

2. ¿Existen mecanismos para que las personas expresen sus inquietudes, sugieran posibles mejoras y realicen cambios?

3. ¿Las personas se sienten orgullosas de lo que hacen y asumen la responsabilidad de crear, obtener y utilizar datos que respalden la misión de la organización?

4. ¿Las personas se perciben como clientes de los datos que otros crean, con el derecho y la responsabilidad de explicar lo que necesitan y ayudar a los creadores a desarrollar soluciones en beneficio de todos los involucrados?

Aproveche las oportunidades

Recomendamos que todos los gerentes hagan lo siguiente:

— Vean a las personas de manera positiva y les den voz.

— Relacionen el “trabajo diario” de las personas con los datos.

— Fomenten el trabajo en equipo.

— Comprendan que el empoderamiento conlleva responsabilidad.

— Adopten una actitud de “ninguna idea es demasiado loca”.

Lidere el cambio cultural

Todos los líderes tienen agendas muy ocupadas. Es fácil pasar por alto que los datos de alta calidad son fundamentales para todo, y lo esencial que son las personas para la calidad de los datos. Respételas, muéstreles el panorama general y ayúdelas a desarrollarse como creadoras y clientes de datos.