Este artículo se publicó originalmente en McKinsey & Company. Copyright (c) 2021. Todos los derechos reservados. Reproducido con permiso.
La encuesta más reciente de McKinsey sobre el estado de la IA destaca la importancia de las mejores prácticas, la gestión de riesgos y cómo las empresas pueden maximizar su potencial.
Tres expertos en inteligencia artificial analizan los resultados y responden a preguntas clave.
Entre ellas se incluyen los hallazgos más destacados, los de alto rendimiento y los principales impulsores del cambio.
Ya se conocen los resultados de la encuesta más reciente de McKinsey sobre el estado de la IA. Realizada durante un año de pandemia, abarcó a unos 1.800 encuestados de diversos sectores de todo el mundo.
Según nuestros hallazgos, la adopción de la IA sigue avanzando; una adopción plena de las mejores prácticas es clave para un alto rendimiento; y la gestión de riesgos sigue siendo compleja y difícil. Es el cuarto año que realizamos la encuesta y la primera vez que MLOps (abreviatura de operaciones de aprendizaje automático; el término se refiere a las mejores prácticas para el uso comercial de la IA) y las tecnologías en la nube surgieron como factores diferenciadores críticos.
A continuación, tres de nuestros expertos comparten una mirada interna a la investigación: Michael Chui habla de las últimas tendencias en IA, Liz Grennan nos guía por el complejo mundo de la IA y el riesgo, y Kia Javanmardian explora MLOps, uno de los temas más candentes del sector.
Michael Chui
¿Qué le llamó la atención de los resultados?
Las empresas que obtienen más beneficios de la IA están profesionalizando o industrializando sus capacidades. Estas empresas de alto rendimiento pueden atribuir el mayor porcentaje de sus beneficios a su uso de la IA. No gastaban necesariamente más, pero los costes de sus proyectos tendían a mantenerse dentro del presupuesto. De hecho, otras empresas tenían muchas más probabilidades de sufrir sobrecostes en sus proyectos de IA.
Los resultados revelaron que los de alto rendimiento en IA siguen muchas de las mejores prácticas. ¿Es un escenario de todo o nada?
No, pero los beneficios son multiplicativos; las mejores prácticas se complementan en sus beneficios.
Las empresas de alto rendimiento han adoptado MLOps, un conjunto de prácticas y herramientas componentes (análogo a DevOps en el desarrollo y despliegue de software) que han surgido en los últimos años. Cuando se combinan, permiten hacer cosas como entrenar, desplegar y probar modelos muchas veces más rápido que cuando la IA se aborda como un oficio artesanal. Cuando se automatizan e industrializan estos procesos, se pueden lograr de forma repetida y predecible retornos significativos en las inversiones en IA.
Según la investigación, la nube es un factor clave para MLOps. ¿Por qué es así?
En primer lugar, los entornos nativos de la nube incluyen herramientas, bibliotecas y marcos de trabajo listos para usar que pueden acelerar el ciclo de desarrollo de modelos de IA. La nube también ofrece flexibilidad para aumentar o reducir la capacidad de cómputo según sea necesario, lo que resulta especialmente útil para reentrenar modelos cuando es preciso.
En conjunto, estos hallazgos de la encuesta indican que la combinación de MLOps, la nube y la aplicación de otras mejores prácticas constituye una buena base para captar el valor de la IA a escala.
Liz Grennan, socia asociada experta
¿Cómo influyeron el riesgo y la IA en los resultados más recientes?
Las empresas de mayor rendimiento son también las que abordan la gestión de riesgos en la IA. Un hallazgo preocupante es que la ciberseguridad sigue perdiendo posiciones en la lista de preocupaciones. No existe un estándar cibernético común en las organizaciones. Para mí, esto subraya la necesidad de que cada organización elabore su propio marco, lo cual no es sencillo. Identificamos tres categorías de riesgo: ciber, datos e IA. Todas son totalmente interdependientes y requieren un modelo de riesgo integrado.
¿Cuáles son algunas de las consecuencias de una mala gestión de riesgos de la IA?
Una de las peores consecuencias es que puede perpetuar la discriminación sistemática y la injusticia. Concretamente, esto puede significar que las mujeres no sean contratadas debido a datos de entrenamiento sesgados, o que personas de color se vean privadas de empleo, de la consideración para un préstamo, de vivienda y de otras prestaciones porque los datos están sesgados. En un ejemplo de la era de la pandemia, ciertos estudiantes que no pudieron presentarse a los exámenes fueron excluidos de la universidad simplemente por proceder de un instituto con un historial de bajo rendimiento, a pesar de sus excelentes expedientes personales. El algoritmo que generaba las puntuaciones de examen aproximadas estaba inherentemente sesgado.
Sin una gestión de riesgos de la IA, la injusticia puede volverse endémica en las organizaciones y quedar aún más oculta por la complejidad.
¿Cómo puede una empresa comenzar con un programa de gestión de riesgos de la IA?
Lo más sencillo, y quizá el mejor punto de partida, es establecer un conjunto de valores éticos que se desee para la empresa y, después, determinar cómo llevar esos valores a un marco de actuación y definir una perspectiva a través de la cual empezar a evaluar el riesgo.
Temáticamente, la equidad y la privacidad son dos valores muy importantes, además de la seguridad, la explicabilidad y la transparencia, el rendimiento de los modelos y la seguridad. Y es importante comprender la normativa vigente para el sector y la zona geográfica aplicables.
¿Cómo se relaciona el riesgo de la IA con el riesgo cibernético?
Un sistema complejo de IA es el objetivo perfecto. Y cuanto más se escala la IA, mayor es la amenaza. Un actor malintencionado puede causar daños si desglosa el modelo e introduce datos erróneos, defectuosos o incorrectos, afectando a un gran número de personas de formas muy personales y profundas.
¿Qué le hace ser optimista?
Trabajo con una organización que aspira a ser un líder mundial en materia de derechos humanos porque se guía por la ‘conciencia primero’. Formulan una aspiración basada en valores y después la evalúan en función de su viabilidad, sus costes y otros factores empresariales relevantes. Quieren que sus valores sean un factor diferenciador en el mercado; es ese tipo de posicionamiento lo que me hace ser optimista.
Kia Javanmardian, socio sénior
¿Por qué MLOps se está volviendo fundamental para las implementaciones de IA?
Hemos utilizado la analogía de la fábrica de coches y se sostiene bastante bien: MLOps es la fábrica que se construye para escalar sus analíticas. Hay algunos conceptos generales clave.
Un primer paso es destinar parte de lo que se gasta en I+D y pilotos a construir la infraestructura que permita producir en masa y escalar los proyectos de IA. También es necesario supervisar los datos que utilizan los modelos —siguiendo la analogía del coche, un indicador de combustible o el cuadro de mandos— para poder controlar la calidad de los datos que entran y salen de los modelos y su nivel de rendimiento.
En tercer lugar, si está construyendo cada coche desde cero, hasta la manija de la puerta, le llevará muchísimo tiempo y energía construir cada uno.
Entonces, ¿dónde encaja MLOps?
Se basa en el concepto de construir una biblioteca de piezas o código estándar. Sus científicos de datos pasarán de crear modelos a dedicar una buena parte de su tiempo a convertirlos en activos reutilizables, transformándolos en piezas similares a las de Lego.
Por último, no conviene que las personas que diseñaron el coche, es decir, sus mejores ingenieros, lo ensamblen y lo mantengan. En cambio, deben centrarse en lo que se necesita para aumentar la potencia del motor de 400 a 800 hoy.
¿Qué tan extendido está MLOps?
Nativos digitales como Google y Amazon llevan años aplicando MLOps para desarrollar sus productos. Muy pocas empresas que no son nativas digitales lo utilizan a escala.
¿Qué piensa la gente cuando oye hablar de ello?
Los directivos entienden el problema, pero pueden sentirse abrumados por la solución. Es muy técnica e implica una infraestructura de datos, gobernanza, prácticas de riesgo y sistemas. Se trata de un cambio organizacional, de la combinación de talento y de roles en evolución.
Puede resultar abrumador. Pero las empresas que practican MLOps obtienen rendimientos de magnitud muy superior por la misma inversión relativa en IA.
