Daub contrató a IBM para que diseñar un sistema informático que analizara una cantidad ingente de información del sector (las fórmulas existentes, los datos de los consumidores, la información regulatoria, etcétera) y la utilizara para sugerir nuevas formulaciones específicas para distintos mercados. El sistema se llama Philyra, por la diosa griega de las fragancias. Dejando de lado el evocador nombre, el sistema en sí no puede oler nada, así que sería incapaz de sustituir a los perfumistas humanos. Pero sí les ofrece una ventaja para crear algo nuevo.
nDaub está satisfecho con los progresos obtenidos hasta ahora. En junio, la empresa lanzará dos fragancias destinadas a clientes jóvenes en Brasil. Solo puñado de los 70 diseñadores de fragancias de la compañía han usado el sistema, pero el CEO espera extenderlo a todos a todos los demás.
nNo obstante, la empresa señala que necesitó casi dos años de trabajo e inversiones todavía sin recuperar para llegar tan lejos. Las primeras sugerencias de Philyra fueron horribles: sólo recomendaba recetas de champú. Al fin y al cabo, al analizar los datos de ventas, el champú supera con mucho a los perfumes y las colonias. Fue necesario mucho entrenamiento por parte de los perfumistas de Symrise para enfocar al sistema. Además, la compañía todavía tiene dificultades con las costosas actualizaciones informáticas necesarias para introducir datos en Philyra a partir de los diferentes sistemas de mantenimiento de registros mientras se guardaba la confidencialidad de una parte de la información para los propios perfumistas. Daub reconoce: "El proceso de aprendizaje es duro. Todavía estamos lejos de tener una IA estable y completamente implantada en nuestro sistema empresarial".
nEl negocio de los perfumes no es el único que está adoptando el aprendizaje automático sin notar mejoras drásticas. A pesar de todo lo que se oye sobre los espectaculares avances de la IA, muchas personas de distintas industrias afirman que la tecnología aún es difícil de implementar. Puede ser costosa. Y la recompensa inicial es a menudo escasa.
nUna cosa son los avances que logran ganar a los grandes maestros de Go, o incluso tener dispositivos que ponen la música en función de nuestras indicaciones. Y otra cosa distinta es utilizar la inteligencia artificial para hacer cambios graduales en negocios que no son inherentemente digitales.
nnEsto no significa que la IA esté sobrevalorada. Pero cuando se trata de cambiar la forma de hacer los negocios, los algoritmos son solo una pequeña parte de lo importante.
n
Con el tiempo, la IA podría transformar la economía habilitando la creación de nuevos productos y modelos de negocios, prediciendo cosas invisibles a los humanos y liberando a los empleados de los trabajos monótonos. Pero, en función del tipo de trabajo, esa revolución podría tardar bastante tiempo en llegar. La mayoría de las empresas no aumentan exponencialmente su producción con más horas de trabajo. Este tipo de aumento de productividad es mayor en las compañías más grandes y ricas, que pueden permitirse invertir mucho en talento y en la infraestructura tecnológica necesaria para que la IA funcione bien.
nEsto no significa que la IA esté sobrevalorada. Pero cuando se trata de cambiar la forma de hacer los negocios, los algoritmos son solo una pequeña parte de lo importante. Los elementos organizativos, desde el departamento de Informática hasta la dirección de una empresa, son mucho más importantes. Casi todo el mundo tiene que estar en sintonía con el funcionamiento de la IA y saber cuáles son sus puntos débiles, especialmente las personas que deben confiar en sus opiniones. Todo esto no solo requiere inversión, también paciencia, meticulosidad y otras habilidades muy humanas que a menudo escasean.
nBuscando unico ios
nEn septiembre pasado, un científico de datos llamado Peter Skomoroch tuiteó: "Como regla general, se puede esperar que la transición de una empresa corporativa al aprendizaje automático sea aproximadamente 100 veces más difícil que la transición a la telefonía móvil". Aunque parecía una broma, Skomoroch hablaba en serio. Varias personas le dijeron que se sentían aliviados al ver que sus compañías no eran las únicas con estas dificultades. El científico, CEO de SkipFlag, una empresa que afirma que puede convertir las comunicaciones inte as en una base de conocimientos para los empleados, afirma: "Creo que hay mucho sufrimiento, expectativas infladas. La gente ve a la IA y al aprendizaje automático como si fuera polvo mágico de hadas".
nUno de los mayores obstáculos consiste en lograr que los diferentes sistemas de registro de datos se comuniquen entre sí. El director de Innovación de la red de hospitales y clínicas médicas UC Health, Richard Zane, ha tenido que enfrentarse a este problema. Hace poco, la empresa un chatbot llamado Livi, que utiliza la tecnología de lenguaje natural de la start-up Avaamo para ayudar a los pacientes por teléfono o vía web. Livi les indica que deben renovar sus recetas, pide y confirma sus citas, y les muestra información sobre sus enfermedades.
nZane está encantado con que Livi maneje las consultas rutinarias, ya que el personal de UC Health puede dedicar más tiempo a ayudar a los pacientes con problemas complicados. Pero reconoce que la IA podría hacer mucho más por su organización. En su opinión, el trabajo del chatbot "es solo la punta del iceberg". La implementación de Livi tardó un año y medio, en gran parte debido a los problemas informáticos relacionados con la vinculación del software a los historiales médicos de los pacientes, los datos de facturación de seguros y otros sistemas hospitalarios.
nLa disparidad de sistemas de información es común a varias industrias. Los grandes vendedores al por menor, por ejemplo, guardan los registros de la cadena de suministro y las transacciones de los consumidores en sistemas separados, y ninguno de ellos está conectado a almacenes de datos más amplios. Si las empresas no se dedican a conectar dichos sistemas, el aprendizaje automático solo funcionará con algunos datos. Eso explica por qué los usos actuales más comunes de la IA se centran en procesos de negocios aislados pero con datos abundantes, como la seguridad informática y la detección de fraudes bancarios.
nIncluso si una empresa consigue conectar muchas fuentes de datos distintas, tendrá que hacer un gran esfuerzo de comprobación y supervisión para asegurarse de que la información es correcta y significativa. Cuando la compañía de servicios informáticos Genpact ayuda a las empresas a lanzar lo que consideran proyectos de IA, "solo el 10 % del trabajo se centra en la propia IA. El otro 90 % consiste en tareas de extracción de datos, limpieza, normalización, discusión", explica el director Digital de la compañía, Sanjay Srivastava.
nEste esfuerzo puede resultar eficaz para Google, Netflix, Amazon y Facebook. Pero estos gigantes viven de capturar y explortar datos digitales. También cuentan con personal de lujo entre los que figuran a doctores en ciencias de la información, ciencias de la computación y campos relacionados. "Esa base es muy diferente a la de la mayoría de empresas", opina Skomoroch.
nDe hecho, las compañías más pequeñas a menudo necesitan que los empleados dominen varios campos técnicos, destaca la científica de datos de Sánchez Oil and Gas, Anna Drummond, una compañía de energía con sede en Houston (EE.UU.). Su empresa lanzó hace poco a retransmitir en directo y analizar los datos de producción de los pozos en tiempo real. Pero en lugar de construir su sistema desde cero, la empresa adquirió el software de MapR. Pero Drummond y sus colegas todavía tenían que asegurarse de que los datos estuvieran en formatos que un ordenador pudiera analizar. El equipo de Drummond también se involucró en el diseño del software que suministraría información a las pantallas de los ingenieros. La científica advierte que "no es fácil encontrar a expertos" en todas estas cosas. La responsable señala: "Son como unico ios. Eso es lo que está dificultando la adopción de la IA o el aprendizaje automático".
nFluor, una gran compañía de ingeniería, estuvo casi cuatro años trabajando con IBM para desarrollar un sistema de inteligencia artificial para monitorizar proyectos de construcción masivos. El proceso costó miles de millones de euros y necesitó a miles de trabajadores involucrados. El sistema coge los datos tanto numéricos como en lenguaje natural y alerta a los jefes de proyectos sobre los problemas que luego podrían causar demoras o sobrecostes.
nLos científicos de datos de IBM y Fluor no necesitaron mucho tiempo para crear los algoritmos, afirma la vicepresidenta para la gestión de la Información de Fluor, Leslie Lindgren. Lo que llevó mucho más tiempo fue ajustar la tecnología a los empleados que iban a usar el sistema. Para poder confiar en las opiniones de la IA, debían tener conocimientos sobre cómo funcionaba, y tenían que validar cuidadosamente sus resultados, cuenta Lindgren.
nPara desarrollar un sistema como este, la vicepresidenta afirma: "Es necesario tener a expertos que dominen el negocio, me refiero a los mejores empleados. Eso significa que hay que sacarlos de otras tareas". Contar con empleados de primera categoría era esencial, agrega, porque construir el motor de IA era "demasiado importante, demasiado complicado y demasiado caro" para actuar de otro modo.
nLas semillas de la IA
nCuando surge una innovación, ¿con qué rapidez se difunde a través de la economía? Al economista Zvi Griliches se le ocurrieron algunas respuestas en la década de 1950 cuando investigaba la industria del maíz.
nGriliches examinó las tasas a las que los productores de maíz se pasaban a variedades híbridas con rendimientos mucho más altos. Lo que le interesaba no era tanto el maíz en sí mismo sino el valor de los híbridos como plataforma para innovaciones del futuro. "El maíz híbrido fue la invención de un método de invención, un método de criar un maíz superior para las localidades específicas", escribió Griliches en un artículo memorable en 1957.
nLos híbridos se introdujeron en Iowa (EE.UU.) a finales de la década de 1920 y principios de la de 1930. Para 1940 representaban casi la totalidad del maíz de este estado. Pero la curva de adopción fue mucho más despacio en lugares como Texas y Alabama (ambos en EE.UU.), donde los híbridos se introdujeron más tarde y a mediados de la década de 1950 solo cubrían la mitad de la superficie de estas regiones. Una de las razones fue que las semillas híbridas eran más caras que las semillas convencionales, y los agricultores tenían que comprar semillas nuevas cada año. Cambiar de tecnología era un riesgo para las granjas de regiones con menor productividad.
nLo que Griliches encontró, y lo que los economistas confirmaron después, es que la difusión de una tecnología depende menos de sus propias cualidades y más de la situación económica de los usuarios. La pregunta clave de los usuarios no es la misma que se hacen los tecnólogos: "¿Qué puede hacer la tecnología?", sino: "¿Cuál será el beneficio de invertir en ella?"
nHoy en día, el aprendizaje automático está detrás de la mayoría de las operaciones de gigantes como Facebook, Google, Amazon y muchas start-ups. La inteligencia artificial está haciendo que estas empresas sean excepcionalmente ricas. Pero fuera de ese cinturón de la IA, las cosas van mucho más despacio, por razones económicas racionales.
nEn Symrise, Daub cree que el proyecto de perfume de la IA está a punto de caramelo. Aunque fue un experimento a una escala relativamente pequeña, implicó un trabajo real para los clientes de fragancias y no fue una simple simulación de laboratorio.
nEl responsable detalla: "Todos estamos bajo mucha presión. Nadie tiene tiempo para aprenderse todo un campo nuevo". El cambio requiere un salto de fe en la tecnología. Daub concluye: "Es una cuestión de convicción. Estoy muy convencido de que la IA desempeñará un papel en la mayoría de las industrias actuales, algunas de forma más predominante que otras. Ignorarlo no es una opción".
n