Introducción

Si estás leyendo este post, seguro que ya has oído hablar de algunas de las principales diferencias entre la IA y el desarrollo de software tradicional a la hora de llevar a cabo la gestión de proyectos. Más allá de ser una industria nueva y no tener el mismo nivel de madurez que la anterior, lo que diferencia a la IA como disciplina se puede describir con una sola palabra: incertidumbre. Este concepto está presente en muchos niveles de un proyecto de IA. En este artículo analizaremos algunos de ellos y revelaremos cómo abordamos esta incertidumbre en Marvik para seguir ofreciendo resultados de alta calidad, lo que permite a nuestros clientes ir un paso adelante gracias al poder de la IA. Si eres gerente en este sector o quieres unirte al equipo, ¡este artículo es el adecuado para ti!

Fuentes de incertidumbre y analgésicos

En esta sección describiremos algunas de las situaciones más comunes que generan incertidumbre en el juego cuando se trata de proyectos de IA. Para cada uno de ellos, explicaremos cómo logramos mantener la incertidumbre lo más baja posible para garantizar el éxito del proyecto.

Quiero mi IA

Al leer el título de esta sección, es posible que los que tengan más de 30 años hayan escuchado la voz de Sting y el legendario riff de guitarra de Mark Knoffler resonando en sus cabezas (para los más jóvenes que no tengan la menor idea de lo que estoy hablando, busquen «Money for nothing» en Youtube, podemos esperar a que lleguen a los 4:39 minutos para continuar). Sé que el título de esta sección puede parecer que tener funciones de IA es solo una especie de capricho, pero esa no es la idea en absoluto. La IA está en apuros en estos momentos, lo que no es una revelación para nadie relacionado con el sector tecnológico, y los líderes de muchos otros sectores también son conscientes de que podrían impulsar sus negocios aprovechando la IA. Sin embargo, en muchos casos llegan a esta conclusión basándose en un alto nivel de comprensión de lo que puede lograr esta tecnología y necesitan ayuda para definir el caso de uso específico que les conviene. Este tipo de escenario es uno de nuestros favoritos, ya que nos obliga a sumergirnos en el negocio de nuestros clientes y nos brinda la oportunidad de asesorarles sobre la adopción de las capacidades de inteligencia artificial (y, con suerte, su implementación) en muchos niveles. La regla de oro en este caso es mantenga las expectativas claras desde el primer día. En ese sentido, con un viejo colega solíamos bromear y referirnos a la siguiente ecuación como la «ecuación de la vida»:

Expectativas: realidad = frustración

La aplicabilidad en nuestro caso es bastante sencilla de explicar: si el resultado final no es tan bueno como las expectativas iniciales, el cliente no estará satisfecho al final del proyecto. ¿Cómo gestionamos esto? Bueno, pusimos mucho cuidado en la propuesta inicial. Hacemos nuestros deberes investigando el negocio del cliente y comparando sus necesidades con documentos de última generación que pueden ser útiles para resolver cada caso de uso. Luego escribimos todo de la manera más clara posible (en inglés, no en «ingenierish»), proponiendo un resultado final realista. Nos aseguramos de indicar todos y cada uno de los puntos de atención que debemos tener en cuenta y cómo debemos proceder para evitarlos o mitigarlos (después de comprobar con el cliente los requisitos) a fin de lograr los resultados deseados. Para los clientes más atrevidos, ofrecemos la posibilidad de trabajar en un tipo de proyecto especial llamado «Descubrimiento de productos». Si quieres saber más sobre nuestra estrategia comercial, puedes leer más sobre ella aquí.

Hasta el infinito... ¡y más allá!

Supongamos que tuvimos un par de reuniones con un cliente, entendimos lo que hace y llegamos a una visión unificada de cómo se podría aplicar la IA para generar valor para su negocio. Si bien esto ya es un gran avance, dista mucho de ser la respuesta; en muchos casos solo funciona como un norte. Si bien sabemos hacia dónde nos gustaría llegar y tenemos muchas ideas que nos hacen creer, según nuestros conocimientos, que es algo que se puede lograr, en este momento no podemos garantizar el resultado final. En cierto modo, no es tan diferente de lo que enfrentó Cristóbal Colón antes de iniciar su famoso viaje de descubrimiento. El Reino de España necesitaba una ruta alternativa para llegar a la India y otras tierras de especias. Toda la información disponible en ese momento sugería que si navegabas muchas millas hacia el oeste, llegarías allí, pero ¿era suficiente la tecnología de navegación de la época para lograrlo? Como todos sabemos, Colón nunca llegó al destino deseado y, en cambio, se topó con algunas islas del Caribe en el camino, lo que acortó su viaje. El resto es historia. En todo el tiempo que llevo trabajando en el mundo de la IA, nunca había visto que ocurrieran este tipo de eventos afortunados involuntarios, por lo que, si queremos tener éxito, debemos controlar en la medida de lo posible los múltiples factores que intervienen. La forma de hacerlo comienza por identificar los factores clave eso puede llevar al éxito o al fracaso del proyecto. El enfoque, entonces, consiste en lidie primero con los más riesgosos, a fin de eliminar toda la imprevisibilidad posible desde el principio. No tiene sentido seguir adelante con los pasos más seguros si nos enfrentamos a una enorme roca a un mes de la fecha final de entrega y solo entonces empezamos a pensar en cómo podemos deshacernos de ella. Por último, pero no por ello menos importante, mantener a todos los involucrados en el proyecto siempre en sintonía, tener canales de comunicación ágiles dentro del equipo de desarrollo y con el cliente y por favor no olvides validar las prioridades una y otra vez con una mentalidad de valor empresarial.

¿Alguien dijo datos?

Una de las principales razones por las que los proyectos de IA fracasan es la mala calidad de los datos. Muchas empresas tienen muchos datos que han estado almacenando durante años de operaciones y esperan utilizarlos en su beneficio, por ejemplo, para pronosticar las ventas. La cuestión es que no todos los conjuntos de datos son suficientes para obtener resultados valiosos. Tiene que ser consistente, no sesgado, no anticuado y, fundamentalmente, suficiente para crear la solución de IA requerida. Si no se cumple alguna de estas condiciones, podríamos terminar en una situación de basura dentro y fuera de la basura, lo que sin duda llevaría al fracaso del proyecto. Andrew Ng, un hombre que no necesita presentación para las personas relacionadas con este campo, promueve un enfoque de IA centrado en los datos, que, en resumen, significa crear sistemas de IA con datos de calidad con el objetivo de garantizar que los datos transmitan claramente lo que la IA debe aprender. Tomemos como ejemplo los datos de compras en línea: si consideramos los últimos 3 años como datos de entrada para pronosticar las ventas del próximo trimestre y no tenemos en cuenta el posible efecto que la pandemia de la COVID-19 puede haber tenido en el comportamiento de los clientes, es muy probable que no cumplamos con la predicción por mucho tiempo. Por lo tanto, cuantos más datos de calidad tengamos, mejor, pero nunca dejes el contexto fuera de la ecuación. En cuanto a los datos, otra situación a la que tenemos que enfrentarnos muy a menudo es cuando un cliente propone un proyecto donde los datos ni siquiera existen todavía!¡¡!! En Marvik desarrollamos soluciones de IA personalizadas de extremo a extremo y vamos tan lejos como lo requieren nuestros clientes, y eso incluye construir el conjunto de datos desde cero si necesitamos. Estos suelen ser los tipos de proyectos más divertidos y desafiantes a los que nos enfrentamos, ya que tenemos que definir qué tipo y cantidad de datos se necesitarán y cómo se recopilará el conjunto de datos como parte de la propuesta de proyecto. Para una cuestión tan importante como qué datos usar, tenemos mucha experiencia en la realización de análisis exhaustivos de datos, la selección de los datos y la aplicación de técnicas de aumento si es necesario. Además, contamos con un equipo de etiquetado totalmente especializado con conocimientos en diversos campos de aplicación en caso de que necesitemos generar nuestro propio conjunto de datos.

Estar en una industria de vanguardia con clientes innovadores

Por el bien de la industria de la IA, hay muchas personas innovadoras que trabajan en una miríada de sectores y nos presionan con más ahínco una y otra vez. Muy a menudo nos encontramos trabajando para resolver problemas a los que, como máximo, solo se habían enfrentado antes una docena de personas en todo el mundo. Esto es muy emocionante y desafiante, y conlleva la presión adicional de tener un cliente esperando resultados tangibles dentro de los plazos acordados. Además del enfoque de «no sorprender a nadie» que ya hemos comentado, necesitamos encontrar la manera de ofrecer un valor real lo antes posible. Para ello, nos basamos en algunos principios que nos ayudan a mantener la concentración durante todo el proceso. A continuación comparto algunos de ellos:

• Menos es más: desarrollar una mentalidad iterativa, tratar de mantener las soluciones de la manera más simple posible para cumplir con los requisitos, sumergirnos en otras más complejas según lo exija el problema (es decir, no usar bazucas para matar mosquitos, usar bazucas para matar tiranosaurios)
• No reinventes la rueda: esta está estrechamente relacionada con la anterior. Antes de empezar a construir algo, asegúrate de que nadie haya hecho algo parecido. Como ingenieros, tenemos la tentación de resolver el problema por nosotros mismos, pero puede que este no sea el mejor enfoque para ofrecer valor lo más rápido posible a nuestros clientes.
• Confíe solo en los datos: esta es nuestra versión de la conocida cita de W. Edward Deming: «En Dios confiamos, todos los demás deben aportar datos». No basamos nuestras soluciones en sensaciones sobre cómo deberían comportarse los datos o cómo se espera que se comporten, sino en el comportamiento real una vez que tenemos la oportunidad de analizarlos en profundidad. Con este enfoque, hemos encontrado varias ideas que nuestros clientes no hubieran esperado cuando comenzaron el proyecto.
• Aplica siempre (siempre) el sentido común: personalmente creo que este es el que rige todos los demás principios y brinda orientación sobre cómo debemos actuar en general. Es bastante sencillo, pero desgraciadamente, si no lo tienes siempre en cuenta, corres el grave riesgo de acabar haciéndote la siguiente pregunta: ¿por qué lo hicimos? Además, en este aspecto concreto, los seres humanos (todavía) superamos a las máquinas, así que aquí es donde debemos entrar y marcar la diferencia.

¿Qué debes recordar de este artículo?

Cuando nos enfrentamos a proyectos de IA, la incertidumbre forma parte del juego y, por lo tanto, debemos aprender a gestionarla para obtener los mejores resultados. Desarrollar una mentalidad ágil y establecer canales de comunicación efectivos con todos los involucrados es más que nunca crucial para que el proyecto tenga éxito. Si eres un administrador de IA, seguro que te has identificado con gran parte de lo que se ha dicho y, con suerte, podrías recibir un consejo o dos para aplicarlos en tu próximo proyecto. Si vas a empezar tu carrera profesional como tal, ya deberías tener una buena idea de lo que te espera y espero que estés más motivado que nunca para salir al campo. En Marvik hemos logrado una tasa de éxito muy superior a la media, de la que estamos muy orgullosos. ¿Cómo llegamos allí? Bueno, fue una combinación de formar un equipo de primera clase, con un nivel técnico y humano excepcional y una forma de hacer las cosas especial, que transmitimos a todos los miembros del equipo desde el primer día. Lo que sí puedo decir con seguridad es que, si el proyecto es «factible», contamos con una de las mejores tripulaciones de inteligencia artificial para llevar el barco al puerto de destino deseado.