La integración de la IA en su organización comienza con la identificación de cómo las plataformas de IA, los modelos fundacionales, la IA generativa y el aprendizaje automático (ML) se alinean con los objetivos principales. Las empresas tienden a sobreestimar el impacto de las capacidades de IA y subestimar la complejidad, ya que requieren que los responsables de datos y análisis administren las expectativas o se arriesgan a costosas fallas en los proyectos.²

"Los responsables de datos piensan en qué es lo que se les pide más a los equipos y cómo la IA podría facilitar el trabajo en esas líneas de negocio", dice Ann Leach, directora de gestión de productos de cartera de IBM. "¿Dónde se puede infundir la IA para ayudar a tomar decisiones, crear mejores flujos de trabajo y procesos, o proporcionar información a la empresa que impulse el pensamiento futuro?"

Para aprovechar al máximo sus aplicaciones de IA, tenga en cuenta estas directivas:

Conéctese con los resultados comerciales

Trabaje con el nivel directivo para cumplir con los objetivos comerciales generales de su organización. Tim Humphrey, director ejecutivo de análisis de IBM, sugiere que tanto si se está considerando un caso de uso de IA con un responsable de marketing, recursos humanos, cadena de suministro, ventas o gestión de activos, hay que preguntarse a dónde quiere llevar el líder esa función u organización. Es necesario comprender dónde está ahora y hacia dónde se supone que debe ir. Humphrey añade: "Si no puede aplicar la IA a lo largo de ese continuo de lo que es y lo que será, no debería empezar".

Primero haga las pruebas


Con la IA, se deben hacer pruebas de concepto hasta encontrar la solución correcta. Luego, optimícela. "En lugar de dedicar mucho tiempo a hacer todo de forma perfecta, soy partidaria de hacer muchas pruebas de concepto hasta encontrar la solución que realmente funciona", afirma Caroline Carruthers, directora general de Carruthers and Jackson y autora de The Chief Data Officer's Playbook.

Establezca los objetivos y haga el seguimiento

Defina los KPI que midan el éxito de cada caso de uso. Digamos que el proyecto consiste en identificar el fraude con tarjetas de crédito y le gustaría que la IA capte el 95 % de los casos de fraude. Hacer el seguimiento de su progreso con métricas le permite mapear y monitorear los niveles de rendimiento de la IA y demostrar el valor de la IA a las partes interesadas.

Uno de los aspectos más difíciles del trabajo de un responsable de datos es establecer formas rápidas y confiables de pasar de los datos a la información. Necesita los datos correctos para ejecutar su modelo, pero no todos los datos son aptos para la IA.


"El origen de todo está en el conjunto de datos apropiado para un caso de uso específico; sin eso no hay IA, punto", dice Remus Lazar, vicepresidente de desarrollo de software, tejido de datos, IBM. Señala el ejemplo de una aerolínea que quiere que la IA predictiva pronostique si los pasajeros pueden hacer la conexión de sus vuelos. "Si solo se han recopilado datos sobre los pasajeros que perdieron sus conexiones, y no sobre los que sí lograron hacer la conexión, entonces no son exactamente los datos que hay que utilizar. Sin los conjuntos de datos adecuados, nunca podrá resolver el caso de uso".

Revise su arquitectura de datos

Más de la mitad de las organizaciones citan los datos como los culpables del estancamiento de los proyectos de IA. Una arquitectura de datos moderna, como un tejido de datos, proporciona capacidades integradas de calidad y control de datos. Permite a los científicos de datos autogestionar los datos con independencia del lugar dónde residan, con todos los requisitos de gobernanza y privacidad aplicados de forma automática. Este enfoque brinda a los usuarios datos confiables listos y acceso a fuentes dispares en tiempo real con una gobernanza completa que allana el camino para la agilidad y la velocidad.

Impulse sus modelos con datos confiables

En un momento de regulaciones y ética cambiantes y complejas en torno a la IA, siempre debe preguntar: ¿Cuál es la gobernanza para estos datos? ¿Se puede utilizar para este propósito? La calidad de los datos y la gobernanza de datos son fundamentales para escalar con éxito las soluciones de IA. Considere las siguientes preguntas para las que su organización necesita respuestas antes de poder confiar en las decisiones del algoritmo.


• Por ejemplo, ¿necesita datos externos o internos?
• ¿Está utilizando datos históricos?
• Si es así, ¿es ético según los estándares actuales?

Depende de usted, como responsable de datos, determinar quién controla los datos, quién tiene acceso al software y las aplicaciones de IA y quién necesita acceso para garantizar que las iniciativas de IA sean útiles.

Comprométase con la IA ética

Las directrices para una IA responsable incluyen consideraciones como la seguridad, la explicabilidad y el sesgo. Si utiliza datos históricos para alimentar un modelo, debe asegurarse de que se ajustan a la ética y las sensibilidades actuales de la sociedad. Por ejemplo, las actitudes en torno al género, la raza, el sexo, la clase y la edad son diferentes hoy que en la década de 1970. El uso de un conjunto de datos obsoleto podría perpetuar el sesgo de la IA, distorsionando los resultados desde el principio. Las organizaciones pueden distinguirse por enfrentar los problemas éticos de manera estratégica, decidida y reflexiva.

La IA empresarial exige la misma comunicación, estructura y rigor común en áreas más establecidas de una organización. Sin embargo, el desarrollo de modelos con demasiada frecuencia se lleva a cabo en la computadora portátil de un científico de datos, y la orquestación se realiza de forma manual o ad hoc, utilizando códigos y scripts personalizados. Es por eso que necesita operaciones de aprendizaje automático (MLOps), que es la aplicación de capacidades de IA, como modelos de procesamiento de lenguaje natural (PLN) y ML, para automatizar y optimizar los flujos de trabajo operativos. Y no pase por alto las ganancias de eficiencia que vienen con modelos de IA flexibles y reutilizables, como los modelos fundacionales.

Acelere los flujos de trabajo de manera eficiente

Es útil contar con un conjunto de prácticas recomendadas para plataformas de IA empresarial que aceleren y sincronicen la colaboración entre sus equipos de ciencia de datos y el departamento de TI.

"Queremos crear la capacidad de desplegar de forma automática modelos seguros en el perímetro, en los servicios web, en los mainframes, en el tipo de hardware adecuado y justificarlo", afirma Steven Eliuk, vicepresidente de IA y gobernanza, director ejecutivo de datos a nivel global, IBM. "En IBM, siempre estamos buscando la manera de permitir que los grupos lleven sus modelos a producción más rápido, pero de forma segura y regulada", agrega Eliuk.

Resuelva los errores humanos

MLOps automatiza los procesos manuales y ayuda a eliminar los costosos errores humanos, reduciendo los riesgos y haciendo que la empresa sea mucho más ágil. Además de optimizar la producción, MLOps ayuda a que los modelos funcionen como se supone que deben hacerlo, por lo que hay confianza en todo el ciclo de vida de la IA. Ayuda a responder preguntas críticas como: ¿Los datos están sesgados desde el comienzo? ¿Tiene suficientes muestras representativas en el conjunto de datos? Cuando comience el desarrollo, ¿está utilizando los algoritmos correctos o esos algoritmos perpetuarán el sesgo que ya existe en los datos?

Así es como un responsable de datos ha puesto en práctica MLOps: "Nuestros MLOps verifican constantemente la calidad, probando la calidad de nuestras predicciones y la calidad de nuestro ML", explica Peter Jackson, director de datos y operaciones, Outra. "Tenemos una serie completa de paneles que informan al equipo directivo sénior donde podemos ver la calidad y el poder predictivo de esos modelos. Y si vemos una baja en el transcurso de un mes, desempaquetaremos nuestros programas de aprendizaje automático y analizaremos las fuentes de datos, para ver por qué no están funcionando”.

Las organizaciones enfrentan graves riesgos para la prestigio de su marca si sus modelos de IA son sesgados o inexplicables. También podrían enfrentarse a auditorías gubernamentales y millones en multas por no cumplir con requisitos regulatorios complejos y cambiantes. Todos estos problemas pueden tener un impacto devastador en las relaciones con los accionistas y los clientes.

Conozca su modelo de IA y confíe en él

Los modelos de caja negra, que carecen de procesos transparentes, son una preocupación creciente para las partes interesadas de la IA. Estos modelos se construyen e implementan, pero carecen de transparencia. No siempre es fácil, incluso para el científico de datos, rastrear cómo y por qué el modelo tomó la decisión. Y con el auge de las regulaciones, como la ley de la ciudad de Nueva York que regula cómo se utiliza la IA para las contrataciones y la ley de IA propuesta por la Unión Europea, las empresas deben ser más inteligentes, con rapidez.

La gobernanza de la IA es el proceso general de dirigir, gestionar y monitorear las actividades de IA en todos los procesos de negocio. Los líderes de datos deben trabajar con directores de riesgo, directores de cumplimiento y otras partes interesadas clave desde el inicio de un proyecto de IA para desarrollar un marco de gobernanza de IA. Este marco debe describir las mejores prácticas de la empresa para desarrollar, implementar y administrar modelos de IA y, en última instancia, eliminar la caja negra.

Haga el seguimiento de los modelos de principio a fin

La gobernanza de la IA establece medidas de protección en cada etapa del ciclo de vida de la IA y el ML, por ejemplo, en la recopilación de datos, la creación de modelos, la implementación, la administración y el monitoreo. Estas medidas de protección dan como resultado procesos más transparentes y brindan resultados explicables a las partes interesadas y clientes clave. Implementar la gobernanza de la IA de principio a fin le ayuda a gestionar mejor los riesgos y la reputación, adherirse a los principios éticos y protegerse y escalar frente a las normas gubernamentales.

Un importante minorista estadounidense recurrió a IBM para ayudar a abordar los problemas de equidad en las herramientas y los sistemas de contratación de personal que analizan a los postulantes. Era fundamental que este empleador integrara la equidad y la confianza, incluso la capacidad de identificar sesgos y explicar las decisiones, dentro del modelo de IA y ML que utiliza para la contratación de personal. La empresa utilizó IBM Cloud Pak for Data para gestionar constantemente los modelos habilitados por IA para lograr precisión y equidad. Ahora, la empresa controla y mitiga de forma proactiva los sesgos en sus procesos de contratación.

Muestre su trabajo

IBM también aplica este enfoque internamente. "Si una determinada normativa exige transparencia o explicabilidad, nos aseguramos de que el algoritmo o la evaluación de impacto muestre esos detalles, de modo que podamos hacer ajustes rápidos con el fin de cumplir de forma continua en torno a la nueva normativa, en lugar de afectar al negocio", afirma Eliuk.

A medida que la IA pasa de la experimentación a la crítica del negocio, las organizaciones están viendo la necesidad de implementar de manera proactiva la gobernanza de la IA para impulsar una IA transparente y explicable. La falta de medidas de protección en torno a la IA puede entorpecer los proyectos de IA y ralentizar la innovación.