Inteligencia artificial aplicada a problemas concretos

Qué puede hacer

Son tareas acotadas, sobre la información de su propia empresa, que hoy consumen horas y que un modelo resuelve razonablemente bien.

Clasificar

Ordenar documentos, correos, gastos u otra información en categorías definidas.

Extraer

Leer documentos y convertir información no estructurada en datos utilizables.

Resumir

Transformar grandes volúmenes de texto en información más rápida de revisar, dejando siempre el original a un clic.

Proyectar

Utilizar datos históricos para apoyar estimaciones de demanda, cobranza u otras variables.

Lo que no proponemos es un asistente que lo sepa todo. El valor aparece cuando el modelo resuelve la mayor parte de un volumen conocido y deja bien marcada la minoría que todavía necesita criterio de una persona.

Solo cuando realmente aporta valor

No proponemos inteligencia artificial por moda. Antes de implementarla definimos qué problema debe resolver, cómo se medirá y qué nivel de error es aceptable.

Cuando una decisión requiere juicio humano o el costo de equivocarse es alto, la tecnología apoya el proceso, pero no reemplaza la revisión de una persona.

Tampoco recomendamos proyectos que dependen de información que su empresa todavía no registra. En esos casos, lo primero es empezar a registrarla bien, y esa suele ser una conversación más corta y más barata que la de los modelos.

Si una regla simple resuelve el problema, la regla gana: es más barata, se explica en una frase y entrega siempre el mismo resultado. Y si al mirar su caso creemos que con lo que ya tiene basta, se lo decimos.

Cómo medimos si sirve

Antes de construir nada acordamos contra qué se compara el resultado y a partir de qué umbral conviene usarlo. Puede ser el acierto frente a una muestra que ya revisó una persona, o el error de la proyección frente a lo que efectivamente pasó.

Ese número se revisa periódicamente, igual que cualquier otro indicador. Si el modelo deja de acertar porque el negocio cambió, se corrige o se apaga. Los casos en que el modelo no está seguro se derivan a una persona, en vez de forzar una respuesta.

Primero, datos confiables

La inteligencia artificial funciona mejor cuando la información de base está conectada y ordenada. Por eso, en muchos proyectos primero integramos las fuentes y luego evaluamos dónde tiene sentido incorporar modelos.

Ese trabajo previo es la integración de datos y, casi siempre, los paneles de gestión. Sus datos siguen siendo suyos aunque haya un modelo de por medio: antes de empezar dejamos por escrito qué información se utiliza, dónde se procesa y qué pasa con ella después.

Ese orden también abarata el proyecto. Con las fuentes ya conectadas, probar si un modelo sirve para su caso deja de ser un desarrollo largo y pasa a ser una prueba acotada, con un resultado que se puede medir antes de comprometer más trabajo.