Cómo configurar su proyecto de IA para el éxito

Elegir el proyecto de IA adecuado para su empresa a menudo se reduce a tener los ingredientes adecuados y saber cómo combinarlos. Eso, al menos, es lo que Marco Casalaina de Salesforce tiende a pensar al respecto. El veterano científico experto en inteligencia artificial y datos supervisa Einstein, La tecnología de inteligencia artificial de Salesforce, y ha hecho una carrera al hacer que las tecnologías emergentes sean más intuitivas y accesibles para todos. Con Einstein, está trabajando para ayudar a los clientes de Salesforce, desde pequeñas empresas hasta organizaciones sin fines de lucro y compañías Fortune 50, a obtener todos los beneficios de la inteligencia artificial. HBR habló con Casalaina sobre lo que implica un proyecto de IA exitoso, cómo comunicarse como científico de datos y la única pregunta que De Verdad Necesito preguntar antes de lanzar un piloto de IA.

Llevas mucho tiempo trabajando en IA. Trabajó para Salesforce hace años, luego en otras empresas y ahora ha vuelto a ser líder. ¿Cómo describiría lo que hace en este trabajo?

Llevo el aprendizaje automático a las cosas que la gente usa todos los días, y lo hago de una manera que se alinea con su intuición. El problema con el aprendizaje automático y la inteligencia artificial, que son dos caras de la misma moneda, es que la mayoría de la gente no sabe lo que realmente significan. A menudo tienen una idea descomunal de lo que puede hacer la IA, por ejemplo. Y, por supuesto, la IA siempre está cambiando, y es algo poderoso, pero sus poderes son limitados. No es omnisciente.


El punto que está diciendo acerca de cómo la imaginación puede afianzarse explica muchos de los problemas que enfrentan las empresas con la IA. Entonces, cuando piense en los tipos de problemas que plantea la IA bien a la hora de resolver, ¿qué consideras?

Cuando hablo con los clientes, me gusta dividirlo en ingredientes. Si piensa en un taco de comida rápida, hay seis ingredientes principales: carne, queso, tomates, frijoles, lechuga y tortillas. La IA no es tan diferente: hay un menú de ciertas cosas que puede hacer. Cuando tienes una idea de lo que son, te da una idea de cuáles son sus poderes.

¡Estoy intrigado! Entonces, ¿cuáles son los ingredientes de la IA?

El primer ingrediente son las preguntas de “sí” y “no”. Si te envío un correo electrónico, ¿lo vas a abrir o no? Estos le dan una probabilidad de que suceda algo. Sacamos mucho provecho de las preguntas de “sí” o “no”. Son como el queso para nosotros, como que ponemos eso en todo.

El segundo ingrediente es la predicción numérica. ¿Cuántos días te llevará pagar tu factura? ¿Cuánto tiempo me tomará arreglar el refrigerador de esta persona?

Luego, tercero, tenemos clasificaciones. Puedo tomar una foto de esta reunión en la que estamos ahora y preguntar: “¿Hay personas en esta foto?” “¿Cuántas personas hay en esta imagen?” También hay clasificaciones de texto, que puede ver si alguna vez interactúa con un chatbot.

El cuarto ingrediente son las conversiones. Podría ser una transcripción de voz, podría ser una traducción. Pero básicamente, solo está tomando información y traduciéndola de un formato a otro.

La tortilla, si nos atenemos a nuestra analogía, son las reglas. Casi todos los sistemas de inteligencia artificial funcionales que existen en el mundo actual funcionan a través de algún tipo de reglas que están codificadas en el sistema. Las reglas, como la tortilla, mantienen todo unido.

Entonces, ¿cómo aplica esto personalmente en su trabajo en Salesforce? Porque creo que la gente a menudo tiene dificultades para averiguar por dónde empezar con un proyecto de IA.

Las preguntas que hago son: “¿Qué datos tenemos?” Y, “¿Qué problemas concretos puedo resolver con él?”

En este trabajo en Salesforce, comencé con algo que todo vendedor rastrea como parte natural de su trabajo: categorizar un cliente potencial al darle una puntuación de la probabilidad de que se cierre.

Los conjuntos de datos como estos son una fuente clave de verdad a partir de la cual desarrollar un proyecto basado en inteligencia artificial. La gente quiere hacer todo tipo de cosas con las capacidades de IA, pero si no tienes los datos, entonces tienes un problema.

Pasando a la siguiente fase de esto, hablemos sobre el ciclo de vida de encontrar un proyecto e implementarlo. ¿Cuáles son las preguntas que se hace al pensar en cómo pasar del piloto al lanzamiento?

Qué problema está tratando de resolver, esa es la primera pregunta que debe responder. ¿Estoy tratando de priorizar el tiempo de las personas? ¿Estoy intentando automatizar algo nuevo? Luego, confirma que tiene los datos para este proyecto, o que puede obtenerlos.

La siguiente pregunta que debes hacer es: ¿Es este un objetivo razonable? Si estás diciendo Quiero automatizar el 100% de mis consultas de atención al cliente., no va a suceder. Te estás preparando para el fracaso. Ahora, si el 25% de sus consultas de servicio al cliente son solicitudes para restablecer una contraseña, y desea automatizar eso y quitarlo de las placas de sus agentes, ese es un objetivo razonable.

Otra pregunta es: ¿Puede un humano hacerlo? La mayoría de las veces, la IA no puede hacer nada que los humanos no puedan hacer.

Supongamos que es una compañía de seguros y desea utilizar una imagen de un automóvil abollado para averiguar cuánto costará repararlo. Si puede esperar razonablemente que Joe en el taller de carrocería pueda mirar la imagen y decir, esto va a costar $ 1,500, entonces probablemente podría entrenar a AI para que lo haga también. Si no pueden, bueno, entonces una IA probablemente tampoco.

¿Cuánto tiempo quiere pasar en una fase piloto? Porque mucho de lo que estás haciendo, otras personas también lo intentan.

Los proyectos de inteligencia artificial tienden a tener períodos piloto incómodamente largos, y deberían hacerlo. Hay dos razones para esto.

Primero, para determinar si realmente funciona como debería. ¿La gente confía en él? ¿Se explica lo suficiente por el peso del problema? En un extremo, hay cosas como un diagnóstico médico impulsado por la inteligencia artificial, que puede tener un gran impacto en la vida de alguien. Será mejor que me digas exactamente por qué crees que tengo cáncer, ¿verdad? Pero si una IA recomienda una película que no me gusta, realmente no me importa por qué me lo dice. Muchos problemas comerciales se encuentran en algún punto intermedio. Necesita compartir la explicación suficiente para que sus usuarios confíen en ella. Y necesita este período piloto para verificar que sus usuarios lo entienden.

En segundo lugar, debe medir el valor de la solución de IA frente a la línea de base: la interacción humana. Piense en automatizar las consultas de servicio al cliente. Para los clientes que usan el chatbot, ¿cuántos de ellos realmente están respondiendo las preguntas correctas? Si utilizo el chatbot del DMV y digo, “Perdí mi licencia” y dice, “Complete este formulario y obtendrá un reemplazo”, bueno, eso es lo que estaba pidiendo. Pero si su chatbot no puede responder las preguntas de sus clientes, terminará con clientes frustrados que odian a su chatbot y terminan hablando con un humano de todos modos.

Girando por un segundo aquí, has estado en este trabajo durante algunos años en este momento. ¿Cuáles son algunas de las cosas importantes que ha aprendido durante ese tiempo?

Hemos aprendido a buscar y utilizar conjuntos de datos para resolver problemas. Ahora, ayudamos a las personas a comprender cómo los datos que están colocando en sus sistemas comerciales, simplemente en virtud de hacer su trabajo, se pueden utilizar para desarrollar el aprendizaje automático que les ayuda a resolver problemas de manera más eficiente. Pero también hemos aprendido lo importante que juega la intuición en ese proceso.

¿Cómo es eso?

Entonces, lanzamos un producto llamado generador de predicciones de Einstein hace aproximadamente dos años. Muchos clientes lo están utilizando ahora, pero no tuvo la misma curva de adopción rápida que algunos de los servicios más autoexplicativos, como la puntuación de clientes potenciales.

El generador de predicciones de Einstein le permite crear una predicción personalizada para preguntas como: “¿Mi cliente pagará su factura tarde o no?” Nos dimos cuenta de que para llegar a esa predicción, la gente tiene que dar un pequeño salto mental: Me gustaría saber la respuesta a esta pregunta, así que quiero hacer una predicción sobre eso.

Eso fue difícil para muchos clientes. Ahora, tenemos un nuevo producto, un generador de recomendaciones. Es un poco más evidente porque también estamos introduciendo un sistema de plantillas. Por ejemplo, recomendará qué partes colocar en el camión cuando se envíe a un representante de campo a reparar un refrigerador. Llevaremos el caballo al agua, correcto, desde la perspectiva de Salesforce, al tener el paso automatizado allí, y trabajaremos con los clientes para comprender qué partes podrían necesitar para los escenarios que podrían enfrentar.

Como científicos de datos en el campo de la inteligencia artificial, tenemos una tendencia a pensar en algoritmos, o quizás en abstracciones de nivel ligeramente superior. Aprendí que realmente necesitamos meternos en la cabeza de nuestros clientes y expresar la solución al problema en términos con los que se relacionarán. Entonces, no solo estoy haciendo una recomendación, estoy recomendando específicamente la parte que se incluye en un proyecto; No solo estoy haciendo una predicción, estoy respondiendo específicamente a la pregunta, ¿vas a pagar tu factura o no?

Y luego tienes que decidir, si hago esa predicción, te doy una probabilidad de que el tipo pague tarde, ¿qué vamos a hacer al respecto?

Si está hablando con líderes que están pensando en esto, parece que parte de lo que está hablando es de la necesidad de mantenerse firme al considerar qué problemas debe tratar de resolver con IA y qué tiene en mente. mano que puede ayudarte a hacerlo.

Bien, se vuelve a la pregunta de: ¿Puede un humano hacerlo? Si pueden, está bien, tal vez la IA sea una excelente manera de quitar esa tarea del plato de un humano para liberarlos para otras cosas mágicas.