Esther Gasull: «El directivo debe marcar una hoja de ruta de digitalización realista y adaptada su compañía»
AED ha publicado recientemente un informe junto a ACEC y Accenture para acercar al directivo conceptos como Machine Learning, Big Data e Inteligencia Artificial. Tres fundamentos de la transformación digital de las empresas, pero que en muchas ocasiones aparecen en documentos o menciones que no ofrecen una traslación clara y palpable al ámbito directivo y se limitan a un enfoque técnico. Esther Gasull, managing director de Accenture Strategy y directora de la oficina de Accenture en Barcelona, aporta luz sobre estos términos en la siguiente entrevista.
Haciendo referencia directa al título del informe, ¿qué es lo que un directivo “debe” saber sobre Machine Learning, Inteligencia artificial y Big Data y por qué? ¿Cuál es el rol que debe jugar en la digitalización de una empresa?
Los tres conceptos están ligados, pero la digitalización de las empresas tiene que ir por pasos: no hay automatización de decisiones sin capacidad de aprendizaje y no hay capacidad de aprendizaje sin datos. Por esto, un directivo tendrá que entender en qué punto de madurez se encuentra la compañía y marcar una hoja de ruta de digitalización realista y adaptada a la compañía.
Para comenzar habría que evitar caer en la trampa de mezclar los tres términos (Big Data, Machine Learning e Inteligencia Artificial), en este sentido permítame explicar los tres conceptos:
Big Data es un concepto principalmente tecnológico, que hace referencia a la capacidad de almacenar, transformar y extraer información de valor a partir de grandes cantidades de datos de diferentes naturaleza (“Estructurados” -tablas, ficheros Excel, fichero .CSV con estructura de campos…- vs. “No Estructurados” –Texto libre, imágenes, sonido…-). Hoy en día el Big Data, en muchas compañías, ya se ha vuelto el “nuevo normal”, es decir, no cabe diferenciar entre “Data” o “Big Data”.
Machine Learning es una rama de la Inteligencia Artificial focalizada en automatizar el proceso de “inferencia” a partir de los datos; concretamente, se basa en el uso de algoritmos capaces de identificar patrones y utilizarlos para hacer predicciones de distinta naturaleza, como clasificar el contenido de una imagen o identificar el riesgo de una transacción fraudulenta.
Inteligencia artificial hace referencia a la capacidad de una máquina de aprender de los datos (entorno) y tomar autónomamente decisiones maximizando la probabilidad de éxito. Un ejemplo muy conocido es una máquina capaz de aprender sola a jugar al ajedrez.
La Inteligencia Artificial incluye el Machine Learning porque el aprendizaje puede (aunque no exclusivamente) basarse en el reconocimiento de patrones; no obstante, la automatización de decisiones a partir de este aprendizaje suele ir más allá del Machine Learning.
Esther Gasull, en un momento de la presentación del informe de AED, que forma parte de la serie Digital Basics.
¿Cómo debe afrontar una compañía este proceso para que sea sostenible desde un punto de vista económico? ¿Y cómo se rentabiliza la inversión en Machine Learning y Big Data?
Siempre hay que preguntarse primero qué problema se quiere resolver y en qué procesos de negocio habría que incidir: no hay buenas respuestas si no hay buenas preguntas. Tener muchos datos o comprar tecnología avanzada no garantiza per se ningún éxito si las preguntas no están bien formuladas.
Segundo, hay que asegurar que la información – tanto interna como externa – está disponible, es coherente entre las diferentes fuentes de datos y tiene el nivel de granularidad requerido; además, en el caso de información externa por la cual se tenga que pagar habrá que evaluar el coste de adquisición versus los beneficios esperados.
Finalmente, tener claro cómo se operacionalizarán los resultados del/de la ML/IA. Cualquier modelo analítico, para ser eficaz, tiene que poder desencadenar acciones… a esto se le refiere como “Accionabilidad” de los resultados de los modelos. Por lo tanto, el directivo deberá evaluar la madurez de los procesos de negocio para poder ejecutar las acciones procedentes de resultados del/de la ML/IA y, en el caso de falta de madurez, propiciar la transformación de los mismos procesos antes de enriquecerlos con analítica.
El informe sobre Machine Learning y Big Data se presentó el 11 de febrero en el Pier 01 de Barcelona Tech City.
¿Qué valor diferencial puede extraer una compañía que aplique esta tecnología en su modelo de negocio?
Hace años, cuando la explosión de la Inteligencia Artificial era aún incipiente en el mundo de los negocios, la compañía que consiguiera aplicarla tenía claramente una gran ventaja competitiva, tanto en eficiencia como en eficacia:
Eficiencia, porque los procesos de negocio requieren menos intervención humana y, además, la automatización permite abarcar muchas más acciones
Eficacia, porque los resultados de ML/IA suelen ser más precisos y garantizan un impacto más significativo
En resumen, “más y mejor”. Esto ha permitido que los gigantes del mundo digital (Google, Facebook…) pudieran crecer a un ritmo vertiginoso y polarizar el mercado. No obstante, hoy en día, la Inteligencia Artificial ya no es un Nice-To-Have, sino un Must-Have, ya que, el no tenerla, se ha vuelto una desventaja competitiva.
Puedes consultar el informe completo en este enlace: «Machine Learning, Inteligencia Artificial y Big Data. Lo que todo directivo debe saber»