Set claus per evitar el fracàs dels projectes d’Intel·ligència Artificial
Francisco Díaz, business analyst en Compensa Capital Humano, del grup Howden, recomana buscar un promotor intern per al projecte, col·laborar amb els responsables de data, realitzar una selecció òptima de les iniciatives de Machine Learning, confeccionar una acta de constitució del projecte, seleccionar un equip amb els perfils adequats, involucrar als stakeholders i mantenir un seguiment constant.
La digitalització és un dels eixos prioritaris de les estratègies empresarials tant en l’actualitat com per als pròxims anys. També ho és per al Govern d’Espanya, que ha establert en l‘Agenda Espanya Digital 2025’ uns objectius de competències digitals amb el focus tant en la societat com en les pimes.
Una de les eines amb les quals compten les empreses és la Intel·ligència Artificial. Segons dades de la consultora Gartner, l’any 2025 l’AI liderarà la inversió tecnològica d’aquestes. No obstant això, aquests projectes d’Intel·ligència Artificial encara no són reeixits, ja que, com indicava el psicòleg i professor de la Universitat d’Harvard Howard Gardner, el 85% d’ells fracassen.
Davant aquesta circumstància, Francisco Díaz, business analyst en Compensa Capital Humano, del grup Howden, aporta set recomanacions per a aconseguir que la Intel·ligència Artificial s’implementi de manera eficaç en les empreses:
1. Buscar un promotor intern per al projecte
Una de les causes principals de fracàs en els projectes d’AI és la falta de suport i lideratge. Les iniciatives en aquest camp són molt atractives, però les seves probabilitats de fracàs són altes. Per això, és desitjable crear un prototip que il·lustre el concepte, sense necessitat d’emprar tots els recursos, i ajudi a albirar els seus resultats.
2. Col·laboració en la data
La Intel·ligència Artificial es basa en la dada i, en major o menor mesura, l’empresa tindrà persones o grups que manegin informació necessària per al projecte. Pel que ha d’haver-hi algú en disposició de demanar-los aquesta informació. La falta de col·laboració és una altra de les causes de fracàs més freqüents i es manifestarà també en la reticència a assignar recursos al projecte per a una gran varietat de tasques a executar fora del desenvolupament en si.
3. Selecció òptima de les iniciatives de Machine Learning
Un projecte d’aquestes característiques requereix d’una inversió en recursos, que necessitaran estar ben planificats per a justificar el seu cost. En la proposta és preferible centrar-se en la problemàtica de negoci que resolen en comptes d’en les característiques tecnològiques. A més, haurà d’incloure un ROI (retorn de la inversió) aproximat, el temps de comercialització de la idea, l’esforç estimat i els esculls que caldrà salvar. Sense oblidar una anàlisi de viabilitat tècnica.
4. Confeccionar una acta de constitució del projecte (Project xàrter)
La definició del projecte i dels seus requeriments és transcendental per a poder començar el desenvolupament d’aquest. Aquest project xàrter ha de conèixer l’abast del projecte, què volem construir i els objectius de negoci.
5. Composició de l’equip
Per a evitar la falta d’experiència i la desconnexió entre desenvolupament de programari i ciència de dades cal definir els perfils necessaris. Necessitarem un especialista en data science, però també un enginyer de dades (data engineer) amb coneixements de IT i programació més tradicional. És essencial que intervinguin en l’equip experts de negoci perquè puguin anar realitzant un seguiment dels resultats.
No necessàriament hauran de ser incorporats externament, moltes vegades ja existeixen recursos en la pròpia empresa o possibilitats de formació més adequats.
6. Involucrar a stakeholders
En la vida útil del projecte, es donaran interaccions amb una gran varietat de professionals i proveïdors que s’han de gestionar adequadament. Cal ser conscients també de les reticències que pot ocasionar l’AI com a substitut de tasques que actualment realitzen.
7. Un seguiment constant
Els problemes no poden sorgir únicament en la implantació del projecte, sinó que és necessari parar esment a com executar el que hem dibuixat. Les possibilitats de la intel·ligència artificial són infinites, per la qual cosa és recomanable mantenir un abast conservador i instaurar fases de desenvolupament. A més, cal tenir al cap que els projectes d’AI tenen un component de desenvolupament de programari, però que també és important triar el mètode de gestió adequat.
Finalment, i a part de les anteriors recomanacions, Francisco Díaz explica que el conjunt de tecnologies i algorismes que podem triar per a implementar les nostres solucions és molt ampli. “És important triar solucions simples i transparents, i, sobretot, que sigui fàcil d’explicar el seu funcionament intern”, conclou.
