¿Por qué fracasa la inteligencia artificial?
Es casi imposible vivir en estos días sin oír hablar de inteligencia artificial. La omnipresencia del tema puede tener efectos preocupantes en muchos de nosotros, porque sabemos que el futuro pasa por la inteligencia artificial y nos influirá como individuos. Básicamente, nos planteamos ¿cómo podemos montarnos en este carro?, ¿nos vamos a quedar al margen del futuro?, ¿seremos empleables a largo plazo sin conocimientos sobre la materia? Y, claro, si miramos las fuentes de las que hablábamos en el primer párrafo, la respuesta va a ser NO, porque nosotros no trabajamos en Silicon Valley o no estamos en una multinacional con millones de euros para proyectos futuristas de predicción, o porque nosotros simplemente no tenemos formación específica en el tema.
Cabe adelantar, a cualquier persona que esté leyendo estas líneas, que las preguntas y preocupaciones expuestas en el párrafo anterior no se van a resolver al final del articulo a modo de receta mágica de tipo oracular y que es deseable que nos las hagamos (por nuestro bien). Intentaremos, no obstante, exponer que los impedimentos aparentemente infranqueables no son tales y que el impacto de la AI en nuestra vida profesional no se manifestará como podríamos esperar.
Muchas de las personas a las que puede preocupar de manera más aguda la “obsolescencia tecnológica” de su carrera profesional son, precisamente, las más alejadas del sector IT. A juzgar por el aura grandilocuente que pueden tener los temas tecnológicos en los medios, estos sectores podrían considerar a los profesionales más teckhies como un colectivo poseedor de un método implacable de implementación de proyectos, que indefectible e instantáneamente provoca el despido de miles de profesionales al día siguiente de la puesta en explotación. Esta visión (obviamente exagerada) se contrapone con el hecho de que Gardner (por citar una fuente notablemente conocida) ya indicaba en 2018 que el 85% de los proyectos de AI fracasan.
Acometo este ejercicio de desmitificación del sector (al que pertenezco) no por ninguna animadversión o ganas de desprestigiarlo, sino porque, mediante el análisis de las causas de fracaso de estos proyectos, podremos plantearnos qué haríamos si los tuviéramos que hacer desde 0 (si fuéramos especialistas o gestores fuera de la disciplina del datascience en sí) y defenderemos que, dado que las causas de fracaso caen a menudo fuera del ámbito de la tecnología, muchos profesionales fuera de IT pueden empezar a plantearse las preguntas realmente relevantes en una iniciativa de la AI. Y, cuando el proyecto esté sólidamente cimentado, involucrar la dimensión tecnológica, con más garantías que gran parte de los proyectos a gran escala de los que pueden haber oído hablar.
Pero, ¿por qué fracasan los proyectos de AI?, ¿son tan difíciles que no hay nadie suficientemente listo para resolverlos?, ¿son tan complejos que el coste de desarrollo supera el beneficio que reportan? Aquí van varias de las causas más frecuentes. En primer lugar, hay una falta de experiencia. Muchas veces no se dispone del conocimiento técnico necesario para emprender los proyectos de AI. No hablamos únicamente de la falta de datascientist, sino también de una serie de conocimientos de temas propios de la disciplina por parte de los stakeholders afectados por un proyecto.
También encontramos una desconexión entre el desarrollo de software y el datascience. El datascience es una disciplina heredera de otras, Estadística Dataminning, Business intelligence, etc., que actualmente se desarrollan en plataformas utilizando lenguajes de desarrollos propios (r, Python, SQL, etc.) y, por tanto, sujetos a la disciplina del desarrollo de software. Estos dos mundos tienen que estar armonizados para poder proporcionar un output coherente. Por otro lado, el Machine Learning utiliza algoritmos que son sensibles a la ausencia/cualidad de los datos, con lo que las deficiencias en esta área pueden hacer fracasar fácilmente un proyecto de estas características. Además, el acceso a muchos datos en las corporaciones está gestionado por managers, que pueden considerar su conocimiento por otros departamentos no deseable, creándose resistencias a la hora de integrar información a nivel global.
También notamos que la imposibilidad de alinear los intereses de los diferentes stakeholders con el proyecto suele ser una causa habitual de fracaso. Por no hablar de proyectos técnicamente inviables. La falta de conocimientos de Machine Learning entre el management/comercial (típicamente) puede hacer plantear objetivos inalcanzables por el equipo técnico, ya sea por una mala definición, un estudio de viabilidad deficiente, etc.
En este diagnóstico de la situación necesitaríamos un alineamiento entre equipos técnicos y de negocio. Pese a que este es un problema de todo proyecto tecnológico, se hace más patente en AI/ML, donde muchos conceptos pueden ser desconocidos por los integrantes de equipos de negocio. Podemos mencionar también cómo los proyectos de ML/AI se engloban dentro de una estrategia de datos global. Si esta no existe, muchas de las necesidades de estos proyectos pueden estar mal cubiertas.
Por último, echamos en falta soporte o liderazgo por parte del management. Muchos de los escollos que explicábamos anteriormente pueden ser mitigados o solucionados si se cuenta con un liderazgo fuerte del proyecto, que es proporcional al interés que tiene la empresa en los proyectos de ML en sí. Si no se dispone de él, la falta de alineamiento de los departamentos o la falta de alineación entre equipos técnicos y de negocio serán tapones insalvables.
Como decíamos, un somero análisis de estas causas ya nos indica que la mayor parte de estas razones de fracaso no caen dentro de la inteligencia artificial y esto nos indica dos cosas: hay un buen número de tareas que podemos acometer sin ni siquiera emplear una hora de desarrollo técnico en Machine Learning y, si no se van a cumplir una serie de condiciones de entorno en nuestra empresa, podemos considerar que la implantación de proyectos de ML no va a ser viable y se deberá esperar a que la madurez informacional de esta mejore.