Proyectos de inteligencia artificial: cómo acompañar y lograr resultados en equipo

Ciertos proyectos requieren seguir teniendo una guía y un equipo que los gestione respecto al tema. A continuación, las recomendaciones.

En toda organización hay que tener una buena comprensión del negocio. 

Mucho se está hablando en estos tiempos del crecimiento de la inteligencia artificial (IA), y cómo influye en los perfiles y los roles dentro de las organizaciones, principalmente en cómo el impacto de las automatizaciones reduce el tiempo y el esfuerzo que antes se invertía en tareas manuales.

Desde esta perspectiva surgen interrogantes respecto de cómo las herramientas de la IA transformarán, o no, los roles de liderazgo y qué nuevas cuestiones hay que tener en cuenta al momento de gestionar proyectos relacionados con esta tecnología.

La realidad es que, por el momento, los líderes van a seguir existiendo, pero tendrán que acomodarse y reinventarse a sí mismos. Ya no se trata de pensar en metodologías predictivas o modelos de marcos ágiles como Scrum, Kanban, etc., sino de entender cómo impacta el uso de la IA en sus tareas diarias y en las del resto del equipo.

Es necesario que toda organización entendienda cómo impacta el uso de la IA en sus tareas diarias y en las del resto del equipo.

Cómo implementar la IA en organizaciones

En primer lugar, estos proyectos requieren seguir teniendo una guía y un equipo que los gestione, por lo cual las tareas que deban organizarse, también tendrán que tener un seguimiento. En todo proyecto, ya sea de IA o no, hay que tener una buena comprensión del negocio y, en estos casos, hay que clarificar cómo las capacidades de la IA pueden ayudar a estos objetivos de la organización.

Este tipo de planificaciones tienen muchas similitudes con las de Big Data, ya que para que la IA sea eficiente debe contarse con una base sólida de datos, lo que representa un gran desafío al momento de gestionar, por la criticidad, variedad y privacidad de los datos con los que trabaja. Si no se tiene una variedad de datos grande y de buena calidad, se puede caer en el sesgo de datos. El modelo que se desarrolle debe cubrir todo el abanico de posibilidades para no generar alucinaciones o predicciones/análisis que no representen la realidad.

En un proyecto tradicional o ágil, se cuenta con un plan o un backlog y, a medida que se avanza, se van refinando las actividades para tener más claridad con el producto final, al mismo tiempo que se van asignando tareas al equipo. Ahora, en un proyecto de IA, no se habla tanto de requerimientos de un usuario, sino que lo primero que se debe hacer es comprender los datos disponibles, después prepararlos y validarlos para asegurarse de que sean de calidad.

Al trabajar con datos que provienen de diferentes fuentes puede ser necesario adquirir nuevas fuentes y, en base a esto, consolidarlos. Estas tareas que no suelen ser lineales, y son hasta difíciles de llevar a cabo en un plan: suelen llevar tiempo y requieren varias iteraciones hasta que se pueda validar su calidad. Nadie puede apurarse a la siguiente etapa hasta no tener este punto bien resuelto.

Es fundamental garantizar la gobernanza de los datos de la inteligencia artificial.

IA en organizaciones: desarrollo de modelos

El siguiente paso es el desarrollo de los modelos, donde se empieza a entrenarlos. Esta tarea, si bien continúa en el tiempo, debe pasar por una etapa de entrenamiento inicial.

Por fuera de esto, y como parte de la gestión, hay que poder pensar más allá de lo que se está construyendo ahora: su evolución y escalamiento. ¿Se sabe dónde estará implementado el modelo? ¿Con qué frecuencia se tendrá que volver a capacitar? ¿Qué costo tendrá el mantenimiento cuando se esté usando efectivamente?

Más allá de esto, hay algunos desafíos importantes que se deben tener en cuenta. Dado que se está trabajando con mucho dato es fundamental garantizar la gobernanza de los datos de la IA, lo cual implica estar muy atento al cumplimiento regulatorio y a que el manejo de los mismos esté alineado con las regulaciones de cada país e industria. Por su parte, la gestión de riesgos es también un punto crucial: hay que asegurarse de que no esté generando resultados no deseados. En esta misma línea los mismos tienen que ser transparentes y poder ser explicados.

El último punto tiene que ver con poder manejar las expectativas de los interesados y usuarios, es decir, con la comunicación. En estos tiempos todavía se pueden encontrar detractores o usuarios con miedo al cambio, o a que la IA los reemplace. Por esto se debe gestionar muy bien la comunicación, planificar capacitaciones para aquellos adeptos más tardíos e ir manejando las expectativas.

En conclusión, esta discusión irá evolucionando con el tiempo y habrá nuevas metodologías o marcos para trabajar proyectos de IA. Pero lo que es seguro es que esta tecnología vino para quedarse y va a provocar un cambio en las reglas del juego y en el status quo de aquellos que gestionan proyectos.

Delivery Success at Ingenia.