Inglés
por Jesús Muñoz Navas, Jefe de Proyecto de Calidad de Software en Meta4
La Inteligencia Artificial promete ser el siguiente Santo Grial Tecnológico de nuestro tiempo -para algunos quizá el último- y ha desatado una intensa carrera de Innovación. Los gigantes de la Tecnología (Apple, Google, Facebook, Microsoft o Amazon) dedican inversiones millonarias a establecerse y progresar en este campo, pero la batalla es aún más enconada entre estados. China ha trazado un plan para situarse como líder de la Innovación mundial en 2030, y presenta cifras astronómicas de inversión, tanto pública como privada, en Inteligencia Artificial. Frente a ellos, por supuesto Estados Unidos, pero también otros actores como Francia, donde Macron promueve una estrategia nacional para competir en este terreno, presupuestando 1500 millones de Euros en los próximos 5 años para, al menos, no quedar atrás en la carrera.
Bajo este panorama, los gurús se mueven entre tres posicionamientos: el alarmista, abanderada por Elon Musk, que alerta de los peligros que puede suponer en unos pocos años el desarrollo exponencial de la IA y pide regulación, el entusiasta, donde se encuentran personajes como Marc Zuckerberg, y un tercero, que podríamos denominar como el realista, que advierte se ha exagerado y malinterpretado mucho sobre las capacidades reales de la Inteligencia Artificial, y que, al menos en el corto plazo, no tenemos sobre la mesa nada más -ni nada menos- que técnicas más potentes y más accesibles de análisis avanzado de información.
Seguramente hay algo de cierto en cada una de estas líneas de pensamiento, y cada una debe buscar su equidistancia entre estos tres polos, pero está claro que, sea cual sea el sector en el que trabajemos, este es el momento de hacerse la pregunta: ¿puede la IA realmente aportar algo a mi negocio?
En el mundo de los RRHH ya hay líneas claras de trabajo donde técnicas como el Machine Learning pueden suponer un gran avance: la búsqueda y la retención de talento, la mejora de la experiencia del empleado en la compañía o la adecuación de personas a equipos o puestos, son campos en los que estas nuevas herramientas nos pueden ayudar a obtener respuestas mucho más útiles y precisas. Y esto nos lleva a la siguiente pregunta: ¿por dónde empezar?
Datos, datos de calidad, este es el primer requisito imprescindible. Si queremos comprender mejor, por ejemplo, cómo es la experiencia de los empleados en nuestra compañía, lo primero será asegurarnos de que estamos almacenando los datos realmente relevantes sobre ella: necesitamos información precisa y digitalizada sobre la rotación, la satisfacción del empleado, los procesos de feedback que tengamos implementados (evaluaciones, one to one, coaching…), etc. Y una vez tenemos establecidas correctamente las fuentes de datos, será necesario asegurarnos de su calidad a través de procesos de chequeo de sanidad de la información, que nos permitan descartar datos repetidos, inconsistentes o desactualizados. Existen fuentes (https://becominghuman.ai/bad-data-is-ruining-machine-learning-heres-how-to-fix-it-31ae9f4cef3f) que aseguran que solo un 25% de las empresas que están empezando a invertir en estas iniciativas de análisis de información consiguen realmente mejorar sus ingresos, principalmente debido a que fundamentan sus análisis en datos de baja calidad. IBM estima que esto está costando más de 3.000 millones de dólares anualmente, solo a las compañías americanas.
Supongamos que ya tenemos una estrategia suficientemente buena de recogida y procesado de datos, lo siguiente es obvio, la financiación. Este tipo de proyectos implican tiempo, inversión en perfiles que, con total seguridad, no tenderemos en nuestra plantilla, y herramientas, fundamentalmente Software. Introducir técnicas como Machine Learning o Deep Learning en los procesos de toma de decisiones de la compañía, no tendrá éxito si tratamos de manejarlo como un proyecto más.
El siguiente paso son las personas. Según GlassDoor, la profesión más valorada y mejor pagada en Estados Unidos los últimos 3 años ha sido la de Científico de Datos. Esto es lo que necesitaremos, pero ¿qué es exactamente un Científico de Datos? Personalmente, me gusta mucho la definición proporcionada por Josh Wills: “Científico de Datos es una persona que es mejor con la estadística que cualquier Ingeniero de Software, y mejor con la ingeniería de Software que cualquier estadístico”.
Esta nueva profesión surge de la intersección entre la Informática y la Estadística, de hecho, en España han aparecido en los últimos años, dobles titulaciones en Informática y Matemáticas o Informática y Estadística (Univ. Autónoma de Madrid, Granada, Politécnica de Madrid, Politécnica de Cataluña, Universidad de Valladolid…), que probablemente sean la fuente de formación más rigurosa para este nuevo tipo de profesionales. Además de esto existen infinidad de postgrados, cursos online, etc. que pueden servir como especialización en la materia, fundamentalmente para Ingenieros de Software. Por el momento lo que hay que tener claro es que se trata de profesionales escasos y bien pagados, especialmente los buenos.
Y por último están las herramientas Software con las que trabajar, algunas Open Source y otras terriblemente caras. El surgimiento de estas nuevas herramientas, ha sido uno de los grandes avances recientes en la popularización del Machine Learning: TensorFlow (Google), Amazon Machine Learning, Microsoft CNTK, Torch (Twitter, Facebook) y muchos otros. El ecosistema de herramientas de tratamiento de información ha explotado literalmente en los últimos años: Frameworks, Algoritmos, Librerías, integraciones con todo tipo de software… Todo lo necesario para hacer de forma industrial cosas que hace pocos años pertenecían únicamente al ámbito de la investigación.
Después de todo esto, ¿merece la pena realmente invertir todo el esfuerzo y dinero necesario en una estrategia para introducir Machine Learning en nuestros procesos?, ¿es tan importante exprimir de forma tan sofisticadas la información que tenemos? Absolutamente sí, la Información es la gran herramienta de nuestro tiempo, con la complejidad de los entornos actuales, cualquier decisión que tomemos no basada en los datos adecuados es más una apuesta que una estrategia. En palabras del ingeniero y estadístico Deming: “In God we trust. All others must bring data.”
