Máquinas que imitan a inteliexencia humana para realizar tarefas. É posible?
Segundo datos da Consultora Gartner, o 85% dos proxectos de Intelixencia Artificial (IA) fracasarán en 2022. As principais causas disto son:
- Falsas expectativas: non todo é posible coa IA.
- Planificación deficiente: tratalo como un proxecto software convencional.
- Sen criterio de éxito: obxectivo do proxecto incerto.
- Falta de experiencia dos equipos técnicos, especialmente no despregamento de modelos.
A lóxica dos proxectos de IA cambia se os comparamos cos proxecto de software convencional. Mentres que nestes últimos a partir duns datos e unha lóxica de programa obtemos un obxectivo (Software 1.0), nos proxectos de IA a partir duns datos e un obxectivo obtemos a lóxica (Software 2.0).
As fases dun proxecto de Software 2.0 son:
- Planificación: onde debemos avaliar a viabilidade técnica e de negocio do proxecto.
- Adquisición de datos: nesta fase defínense os requisitos de datos, a extracción e filtrado das diferentes fontes de datos, como se fabricarán os novos datos e a etiquetaxe dos datos.
- Preparación de datos: fase denominada tamén EDA (análise exploratorio de datos), onde se limpan os datos, normalízanse para que todos estean no mesmo rango de unidades, compróbase que os datos sexan suficientes e que teñan unha calidade suficiente.
- Adestramento do modelo: Selecciónase o algoritmo e a arquitectura de rede, deséñase o proceso de validación, axústanse os diferentes parámetros e monitorízanse os resultados iniciais.
- Avaliación de resultados: Mídese a robustez do modelo e analízanse os posibles rumbos do modelo.
- Despregamento e mellora continua: Paso a produción do modelo e optimización do proceso. Control dos datos novos e comprobación da existencia de desviacións, o que implicaría volver ao paso de adestramento para reaxustar os parámetros.
En que casos se deben aplicar metodoloxías de IA?
- Cando un software lóxico é difícil de escribir. Non é viable que unha persoa escriba liñas e liñas de código con cada unha das posibilidades dada a altísima complexidade e número de casuísticas. Isto fai que, ademais, o proceso sexa custoso. Se o software lóxico é moi complexo e debe escribirse manualmente, desperdícianse moitos recursos económicos, temporais e humanos.
- Cando hai grandes cantidades de datos.
- Cando a escalabilidade é difícil. A IA traballa ben cando se ten que operar con moitos datos, o cal non pasa con outras tecnoloxías.
- Cando necesitamos resultados personalizados. Coa IA traballamos cos nosos propios datos, polo que os resultados obtidos serven especificamente para tomar decisións.
Está claro que os algoritmos ofrecen moitas oportunidades na toma de decisións empresariais, pero é importante definir os nosos proxectos de forma adecuada para poder levalos ao éxito.
A través do Igape Responde ofrecemos asesoramento gratuíto para avanzar na dixitalización da túa empresa. Para pedilo, só tes que solicitalo a través no formulario.