top of page

¿Por Qué Fracasan los Proyectos de IA En La Industria?

Actualizado: 15 feb 2022

Por John Atkinson Abutridy, Colaborador de la Comunidad.


Es indudable el rol e impacto de la IA en todo el mundo, como también la forma en que está cambiando la industria y los negocios. Sin embargo, desarrollar e implementar exitosamente un proyecto de IA en la industria conlleva varios desafíos que pueden dificultar su adopción:


- Más del 70% de las empresas a nivel internacional no muestran impacto (o el mínimo) en el uso de la IA (https://lnkd.in/eRfSw78E).


- Se proyecta que casi el 85% de los proyectos de IA podrían fallar y entregar resultados incorrectos en el corto plazo (tinyurl.com/4vbwkzy5).


- Más del 40% de las “Empresas de IA” que venden servicios, no utiliza forma alguna de IA (tinyurl.com/nhdhhhyu).




Existen muchas causas que podrían explicar estas fallas, y que en general pueden sintetizarse en al menos 4 posibles razones:


1) Objetivos de negocio poco claros: implementar soluciones basadas en IA sin definir claramente el problema y objetivos de negocio, no es suficiente para lograr el éxito. Un error común es utilizar herramientas de IA a priori, sin siquiera tener claridad de si estas son las adecuadas para abordar el problema. Aquí es donde se debe medir los costos y beneficios potenciales de un proyecto de IA, cuya naturaleza es más experimental y no-determinista, comparada a proyectos tradicionales de TI. En muchos casos incluso se podría concluir que utilizar otras herramientas puede ser más eficiente.


2) Falta de colaboración entre equipos: implementar un proyecto de IA requiere colaboración entre diferentes especialistas tales como ingenieros de datos, científicos de datos, profesionales de TI, especialistas senior, ingenieros en Machine Learning, diseñadores, y profesionales de áreas de negocios. Esto asegura que el resultado del proyecto esté integrado en toda la arquitectura tecnológica, se estandaricen las fases de desarrollo de IA, y se compartan experiencias y aprendizajes, desarrollando las mejores prácticas


3) Mala calidad de los datos: Aunque no todo lo que se requiere son datos sino también bases de conocimiento, los datos son un insumo clave en proyectos de IA efectivos. En este caso, las empresas necesitan desarrollar alguna estrategia de gobernanza de datos para asegurar la disponibilidad, confiabilidad, calidad, e integridad de dichos datos en sus proyectos.


4) Falta de Talento: abordar la falta de profesionales de IA calificados, es una tarea que puede ser costosa y consumir mucho tiempo. Sin un equipo adecuadamente entrenado ni experiencia en el dominio de negocios, es difícil realizar proyectos de IA exitosos. Basados en los objetivos del negocio, inicialmente una empresa podría realizar outsourcing de profesionales como una forma costo-efectiva de implementar sus proyectos. Luego, se debería analizar los costos y beneficios de crear equipos de IA propios para la sustentabilidad de la misma empresa en proyectos futuros y para su propia estrategia.




30 visualizaciones0 comentarios

Comments


bottom of page