Inteligencia artificial: ¿Adquirir una licencia o personalizar una solución?

Por: Jair Pérez, CEO de Gesta Labs.

Mail: jair@gestalabs.com

Desde hace tiempo se quedó atrás la discusión respecto a si las empresas industriales deben usar o no inteligencia artificial (IA). Es un hecho que lo harán, ya sea para mejorar la experiencia del cliente, generar nuevos ingresos y/o reducir costos. Ahora, para facilitar el entendimiento respecto a esta tecnología, las preguntas que deben hacerse los líderes empresariales apuntan a definir en qué procesos o para qué problemas de negocio pueden usar esta tecnología, qué nivel de madurez digital tiene la compañía o cuál es el roadmap que debe seguir para añadir capacidades digitales de cara al futuro, entre otras.

En este escenario de preguntas, hay una que toma fuerza en las áreas de TI: ¿Qué es más conveniente: invertir en una licencia de IA o desarrollar la solución desde cero (ya sea de forma externa o con un proveedor)?

Hace dos años, la respuesta para esto era muy simple: 'Para las compañías que necesitan IA para impulsar su negocio principal o garantizar el éxito, construir es el camino. Para la mayoría de las necesidades de los negocios, tales como mejorar las actividades no esenciales como recursos humanos, finanzas y contabilidad o servicio al cliente, es suficiente comprar uno de los muchos productos de inteligencia artificial que están listos para usar', publicó Forbes en 2019. Pero las cosas han cambiado desde entonces y no estoy seguro de que la respuesta siga siendo la misma. O no sin unos cuantos 'peros'.

Citando el mismo artículo, Thomas Malone, director fundador del Centro de Inteligencia Colectiva del MIT, matiza la respuesta sobre adquirir una licencia de IA o construir desde cero con base en el nivel estratégico que esa tecnología jugará en la empresa. 'Todo se reduce a cuán estratégicas y únicas para su empresa son sus aplicaciones de IA', añade.

Muchas empresas deciden tomar el camino sencillo y comprar algún producto que tiene ciertas funcionalidades, pero hoy en día es necesario analizar aspectos más puntuales que tienen que ver con cada caso de uso donde se busca aplicar esta tecnología e, incluso, me atrevo a decir que no existe una solución del tipo plug and play que sea 100% funcional para una compañía. Más allá del factor del precio, hay otros aspectos que los directivos deben discutir para tomar la mejor decisión.

1.-Cada caso de uso de uso es un mundo

Generalmente, las licencias de soluciones con inteligencia artificial pretenden resolver un problema que es común en alguna industria, por ejemplo, pensemos en los paros no programados de máquinas y equipos en fábricas del sector automotriz.

Con base en la experiencia de Gesta Labs, hemos visto que es muy difícil que una empresa pueda adquirir una solución plug and play para resolver un problema puntual. Ni siquiera una licencia para mantenimiento predictivo podría ejecutarse así debido a todas las complejidades técnicas que hay detrás.

En el mejor de los casos, podrás adquirir una solución que sirva de base, pero, aun así, deberás adaptarla a tu proceso o problema específico, es decir conlleva un fuerte esfuerzo de customización. Por ejemplo, hay proveedores especialistas en Computer Vision, y la mayoría de las empresas automotrices podría usarla para mejorar su inspección de calidad. Aun así, hay un abismo entre adaptarla para verificar la posición de las calcomanías en las carrocerías a buscar defectos e imperfecciones durante algún proceso de estampado.

Aunado a la particularidad de cada problema, la cuestión de fondo es saber el papel que juega la inteligencia artificial en la visión de la empresa hacia el futuro. Si la respuesta es 'trascendental', entonces no queda otro camino que construir de cero.

2.-No existe el One size fits all

Es una dura verdad, pero cualquier solución que busques en el mercado deberá tener cierto grado de personalización. El gran problema de la solución Plug & Play es que no responsabilizan por la limpieza e ingeniería de variables que alimentarán al modelo, y muchas veces es difícil integrarla a otros sistemas y/o arquitecturas. No es lo mismo adquirir una solución plug and play y tratar de sacarle el mejor provecho de forma autónoma (eso no sucederá, créeme), que acercarte a algún proveedor con experiencia en cierto tipo de soluciones, pero con la capacidad de adaptarlos a los problemas de tu negocio, esto es, explotando las fuentes de datos para extraer las variables que son críticas para tu empresa, y sobre eso desarrollar el mejor algoritmo e iterar sobre él. En mayor o menor medida, vas a tener que aceptar el hecho de que deberás desarrollar una buena parte de la solución.

3.-Tiempos versus calidad de los datos

La única ventaja de adquirir una solución tipo Plug & Play es que está lista para usarse (al menos en teoría), lo cual ofrece sin duda una clara ventaja frente a los tiempos de desarrollo que implica crear una solución de cero. Sin embargo, existen inconvenientes cuando las empresas deciden ir por este camino: pueden toparse con el problema de una mala calidad y cantidad en sus datos digitales, los cuales son necesarios para echar a andar esa solución.

Muchas veces, cuando desarrollas algo desde cero te topas con problemas en la gestión de los datos, y esto puede agravarse cuando intentas adaptar una solución existente. Puede que lleve más tiempo en su desarrollo, pero será un producto más flexible y, desde luego, personalizado 100%.

Por otro lado, si lo que necesitas es generar valor de inmediato, definitivamente construir tu propio algoritmo de IA no es el camino, pues este necesita un tiempo de iteración y experimentación, una etapa de prueba y error que puede tardar unos meses en dar sus primeros resultados positivos.

4.-Un híbrido equilibrado, es un buen camino

Cuando hablamos de crear toda una arquitectura y soluciones de IA desde cero, podemos pensar que es un trabajo complejo, que requiere mucho dinero y un equipo especialista de científicos de datos o, en su defecto, dependencia con varios proveedores de IA; sin embargo, hay herramientas que se pueden utilizar como aceleradores, sobre todo las nubes como AWS, Azure, Google Cloud y, recientemente, Huawei Cloud ya ofrecen algunos aceleradores para esa tecnología; además, te permiten consolidar y desarrollar la estrategia de datos en la misma nube. De igual forma, existen algunas soluciones denominadas Auto-ML, que facilitan la creación de modelos de Machine Learning como 'wizards'. Al final, como dije, debes analizar cada opción de acuerdo con los objetivos del negocio. Estas herramientas, combinadas con la creación de tus propios modelos open source de IA, parece ser el camino más eficiente en términos de costo / beneficio para la mayoría de los corporativos.