La mayoría de las empresas se han dado cuenta ya de que la inteligencia artificial (IA) promete un enorme potencial para casi todos los sectores y ámbitos de aplicación. Sin embargo, a la hora de planificar y ejecutar proyectos de IA, los responsables suelen seguir enfrentándose a numerosos retos.  

Presentamos los siete escollos más comunes en los proyectos de IA que hay que superar para que el proyecto sea un éxito para todos los implicados.

1. un entendimiento común de la IA

No existe una definición única y universalmente válida de IA: cada cual asocia ideas diferentes al término. Precisamente esta circunstancia puede convertirse en un escollo en el proyecto. Todos los participantes en el proyecto, incluidos los de los departamentos especializados, deben estar informados de antemano. Hay que discutir exactamente cuál es la Inteligencia artificial de lo que es capaz y de lo que no. Hay que disipar mitos y malentendidos. También deben tomarse en serio las inquietudes y preocupaciones de los empleados, como el miedo a perder su puesto de trabajo o a que se produzcan situaciones críticas como consecuencia de las predicciones de la IA. Es la única manera de crear un entendimiento uniforme para que todo el mundo esté a bordo y tire en la misma dirección.

2. la base de datos: cantidad y calidad

Los datos son el tesoro de una empresa y la base de todo proyecto de IA. Se necesitan grandes cantidades de datos para entrenar modelos, y no todas las empresas disponen de ellos. Otro reto, además de la cantidad, es la calidad de los datos. El contenido debe cubrir todas las constelaciones posibles para que el modelo esté equipado posteriormente para el caso de uso real. Sólo si se encuentran anomalías en los conjuntos de datos, éstas podrán tenerse en cuenta en el entrenamiento y descubrirse en la aplicación. Si además los conjuntos de datos están desequilibrados de alguna manera, se produce un sesgo indeseable: la IA toma entonces decisiones que pueden no ser las óptimas.

3. expectativas demasiado altas

Todo proyecto va precedido de un análisis de costes y beneficios, y especialmente cuando se trata de tecnologías relativamente nuevas y complejas como la IA, existe cierto escepticismo entre los responsables de la toma de decisiones. El valor añadido de un proyecto de este tipo debe ser directamente reconocible. En los proyectos de IA, sin embargo, no hay garantías de éxito. Tanto si se trata de un red neuronal El éxito del entrenamiento depende de muchos factores, pero sobre todo de los datos. Incluso la exploración de estos datos y el entrenamiento de las redes requieren esfuerzo y costes, aunque el proceso no tenga éxito. Así pues, cada usuario asume un cierto riesgo financiero. En consecuencia, las expectativas no deben ser demasiado altas, porque existe la posibilidad de que el proyecto fracase.

4. interpretación de los resultados

Por muy comunes que sean los escenarios en los que una máquina se apodera del mundo, es poco probable que en un futuro previsible las decisiones sean tomadas únicamente por una IA. En su lugar, la tecnología proporciona a los responsables de la toma de decisiones una base de datos que pueden utilizar para tomar decisiones óptimamente informadas. Para ello, sin embargo, los resultados de la IA deben interpretarse correctamente. Éstos rara vez son blancos o negros, sino que siempre tienen que verse con una cierta precisión de predicción. Esta precisión debe ponerse en relación con la predicción de los análisis por parte de los humanos. Porque los humanos también cometen errores, por ejemplo cuando diagnostican enfermedades basándose en imágenes de rayos X. Por lo tanto, es importante comparar la calidad de predicción de la IA con la de los humanos.

5. la IA no suele tener explicación

En la mayoría de los casos, la IA es una caja negra. Ni siquiera un científico de datos puede explicar claramente por qué la IA ha tomado una determinada decisión. Por eso la "IA explicable" es un amplio campo de investigación cuyo objetivo es hacer la tecnología más transparente para los humanos, lo que reducirá las reservas y preocupaciones sobre la IA en el futuro. Hasta ahora, la base de la toma de decisiones puede explicarse, al menos hasta cierto punto. Pero hasta que no haya transparencia total, hay que aceptar que la IA tomará decisiones cuya vía de solución puede no ser comprensible.

6. escepticismo

Como ocurre con todas las nuevas tecnologías, la IA también está cargada de cierto escepticismo. Además de los factores ya mencionados, el esfuerzo necesario para recopilar y etiquetar los datos de formación suele disuadir a los responsables de introducirla y utilizarla, aunque el uso de la IA suponga un aumento de la eficacia de determinados procesos a largo plazo. En consecuencia, no se aprovechan los potenciales de las empresas y éstas corren el riesgo de perder competitividad. En nuestra Artículo básico sobre IA 2.0. explicamos por qué incluso las empresas no tecnológicas deberían dedicarse ahora intensamente a la IA y a sus propios casos de uso para que Alemania no se quede atrás como emplazamiento de IA.

7. propiedad

Antes de iniciar un proyecto de IA, debe aclararse en cualquier caso la cuestión de a quién pertenece la red neuronal entrenada y, por tanto, la propiedad intelectual. En cualquier caso, los datos son propiedad del productor, es decir, del departamento correspondiente, pero a menudo al proveedor de servicios le gustaría utilizar los conocimientos del proyecto en otro lugar. Cuando se utilizan las funcionalidades de IA de los grandes proveedores a través de servicios o API (como Alexa de Amazon), los clientes a menudo tienen que aceptar el uso de los datos para mejorar los servicios. Por tanto, este aspecto debe regularse explícitamente en el contrato para evitar desacuerdos posteriores.