Conclusiones clave de Better Debt: Clase magistral de IA y Machine Learning
Todos sabemos que IA es la palabra de moda de los últimos 12 meses. Pero, ¿cómo puedes identificar oportunidades reales para aplicar esta tecnología en tu organización? Nuestra Clase magistral de IA y Machine Learning abordó esta pregunta y más:
- ¿Cómo deberías diferenciar entre IA, Machine Learning y ciencia de datos?
- ¿Cuáles son los casos de uso reales y ejemplos de cada uno, y cómo varían dependiendo de dónde se encuentre tu negocio en su viaje de madurez de datos?
- ¿Cómo puedes alinear este tipo de innovación con los objetivos organizacionales?
- ¿Cuáles son otras aplicaciones prácticas de IA y Machine Learning en equipos como Finanzas, Cumplimiento o Marketing?
Descubre lo que los expertos de la industria Duhita Khadepau (Gerente Senior, Datos Empresariales - Cuscal), Jo Mikleus (Directora No Ejecutiva de Estrategia de IA - Success2Significance) y Mike Zhou (Director de Datos - InDebted) dijeron cuando se sentaron con el anfitrión de Better Debt, Josh Foreman (CEO y Fundador - InDebted).
1. La diferencia entre IA y Machine Learning
A pesar de ser utilizados de manera intercambiable, IA y Machine Learning no son sinónimos. Como explica Duhita:
Cuando hablamos de IA, es artificial, básicamente no es natural. La inteligencia está replicando la inteligencia humana, así que cosas como los coches autónomos o los chatbots. Sentirías que un humano real está haciendo algunas de esas cosas, pero en realidad es la IA funcionando detrás de eso.
Ahora, si miras a Machine Learning, tienes una máquina que está aprendiendo, pero ¿qué son esas máquinas? ¿Qué están aprendiendo? Básicamente son un conjunto de reglas, algoritmos, creados por humanos, y las máquinas están aprendiendo en base a los datos proporcionados. Así que le das 3 meses de datos para entrenar, luego usa esto para predecir resultados.
Al observar las definiciones de cada uno, puedes comenzar a descubrir cómo difieren sus aplicaciones. Por ejemplo, la IA puede ser utilizada para tareas que requieren inteligencia humana, como manejar consultas de clientes entrantes. Por otro lado, Machine Learning analiza conjuntos de datos específicos. Por ejemplo, si quisieras un modelo de Machine Learning para predecir qué segmentos de clientes son más propensos a responder a un SMS en lugar de un correo electrónico, alimentarías datos recientes que usaría para generar recomendaciones.
IA es adecuada para tareas que requieren replicar la inteligencia humana… Machine Learning es más apropiado para tareas que involucran clasificadores y datos numéricos. — Duhita Khadepau
2. Entiende dónde te encuentras en tu viaje de madurez de datos
Ahora que hemos alineado las definiciones, comencemos a ver cómo puedes encontrar oportunidades para IA y Machine Learning en tu estrategia organizacional. Para hacer esto, necesitas entender dónde te encuentras en tu viaje de madurez de datos.
Usar cualquier forma de IA o Machine Learning requiere datos. No solo cualquier dato, sino datos de buena calidad. Esto significa acercarte y conocer tus datos para entender:
- ¿Cómo se recopilan los datos? ¿Qué exactamente se está recopilando?
- ¿Hay sesgos en los datos? ¿Qué pasos se toman para mitigarlos?
- ¿Cuáles son tus procesos estandarizados para la gestión de datos? ¿Todos los equipos analizan los datos de la misma manera utilizando las mismas herramientas?
Una vez que tengas una buena idea de los datos disponibles, puedes comenzar a considerar qué problemas necesitan solución y cómo puedes usar esos datos para resolverlos. Duhita dice que saltar directamente a modelos de Machine Learning no siempre es necesario:
Una cosa que siempre le digo al equipo es que la respuesta a menudo es extremadamente simple, y no necesitamos complicarnos con modelos de Machine Learning. Intenta escribir un SQL. Intenta escribir declaraciones de caso. Creo que a medida que las combinaciones comienzan a aumentar, o no puedes codificar todas esas combinaciones, es cuando comienzas a pensar: - ¿puedo aplicar Machine Learning?
3. Adopta una cultura de innovación
¿Cómo innovar en entornos altamente regulados? Jo explica que comienza con un ajuste de mentalidad:
Poner el riesgo y la innovación en dos categorías diferentes es una forma antigua de pensar. He encontrado que unirlos es más productivo y progresivo.
Se trata de un cambio cultural interno que hace que todos se sientan cómodos usando IA y Machine Learning. ¿Por qué es esto tan importante? Con la tecnología evolucionando a una velocidad vertiginosa, preparar tu organización para el éxito a largo plazo significa adoptar una cultura de innovación.
Lleva a toda tu organización en el viaje. Esto significa apoyar a los equipos para encontrar formas en que pueden usar IA en sus tareas diarias, desde Marketing hasta Finanzas. Josh desglosa cómo InDebted está adoptando una cultura impulsada por IA y monitoreando la adopción en toda la empresa:
Uno de nuestros objetivos como empresa es construir una cultura impulsada por IA. Monitoreamos toda la empresa, no solo al equipo de Datos o al de Ingeniería - que es lo que se espera que use esta tecnología. Estamos rastreando el uso de herramientas como ChatGPT en toda la empresa, porque queremos que la gente vea lo que es posible.
4. Mitigar riesgos para cumplir con los requisitos regulatorios
Cumplir con los requisitos regulatorios siempre está en la parte superior de la lista para las organizaciones de Servicios Financieros. Como miembro de la Junta de la Asociación RegTech, Jo desglosó cómo están a la vanguardia de la innovación:
Los reguladores están muy enfocados en la IA. Saben que la tecnología será omnipresente y están trabajando activamente en implementar IA ellos mismos. Nuestro informe de referencia de la industria nos mostró que el 80% de los reguladores globales han implementado soluciones innovadoras.
Para alinearte con las prioridades regulatorias, demuestra que estás minimizando el daño y asegurando resultados positivos. Esto significa considerar cuidadosamente cómo estás implementando IA y Machine Learning y llevar al regulador en el viaje. Por ejemplo, durante la exploración de datos, tómate el tiempo para entender cómo se recopilan los datos y qué se alimenta específicamente a los modelos de Machine Learning:
Los reguladores saben que la IA generativa puede beneficiar a los consumidores directa e indirectamente. Las preocupaciones están en torno a los datos, quieren asegurarse de que haya un proceso de modelado transparente con entradas sólidas y sin sesgos. - Jo Mikleus
5. Explora las aplicaciones prácticas de IA y Machine Learning
Los casos de uso para IA y Machine Learning son infinitos. Para obtener el máximo provecho de la tecnología y cualquier nueva iniciativa, Mike recomienda comenzar con tu relación costo-beneficio:
La relación costo-beneficio es diferente para cada organización, lo que se reduce a algunas cosas. Vale la pena explorar datos internos que son exclusivos de tu producto o servicio, porque eso es único para tu organización.
Junto a esto, obtén una comprensión profunda de los procesos que estás tratando de mejorar. ¿Cómo se lleva a cabo actualmente y por quién? ¿Cómo beneficiaría a tus clientes mejorar este proceso o función? Una vez que tengas esta base, puedes ser específico sobre qué datos serán los más efectivos para resolver tu problema.
Al explorar los beneficios para los clientes, también considera cómo se construirá la confianza en tu IA y Machine Learning. Incorporar principios éticos en la gestión de datos es un buen punto de partida, y asegurar transparencia en todas tus iniciativas orientadas al cliente. Jo menciona la explicabilidad como un optimizador:
Uno de los principios fundamentales de la confianza es la transparencia. Lo bueno de IA y Machine Learning es que puedes incorporar la explicabilidad como parte de la solución.
IA y Machine Learning: El arte de lo posible
Cuando se trata de aprovechar al máximo IA y Machine Learning para tu organización, se trata de dominar el arte de lo posible. Como explica nuestro panel, usar esta tecnología para resolver cada problema no es el objetivo. Para obtener los mejores resultados, examina los objetivos y puntos de dolor de tu organización para determinar exactamente dónde IA y Machine Learning podrían ofrecer una mejor solución. Así es como llevarás lo ‘posible’ a la vida.
Únete a nuestro próximo evento