La inteligencia artificial (IA) se ha consolidado como una de las tecnologías más disruptivas y de mayor potencial en el ámbito empresarial. Grandes corporaciones de diversos sectores han comenzado a implementar iniciativas de IA para mejorar procesos, optimizar la toma de decisiones y obtener ventajas competitivas en un entorno de cambios acelerados. Sin embargo, la implementación de proyectos de IA enfrenta retos que requiere un enfoque multidisciplinario, que combine aspectos tecnológicos, estratégicos y de gestión del cambio, ello debido a que más del 80% de los proyectos de IA fracasan, lo que nos indica una necesidad de una gestión adecuada en las prácticas de gestión de los proyectos con tecnología IA involucrada. Esto indica que la solución a los problemas en proyectos de IA no reside en el tipo de tecnología utilizada, sino en cómo se implementa y se gestiona el proyecto. Esta perspectiva promueve la metodología CPMAI como un cambio necesario.
El enfoque CPMAI o también llamado como el “Ciclo de Proyectos de Inteligencia Artificial” se basa en principios y fases clave para asegurar el éxito en el desarrollo y gestión de proyectos de inteligencia artificial. Estos componentes esenciales se conforman en 06 etapas las cuales son :
1. Ciclo Iterativo
CPMAI se fundamenta en un enfoque cíclico y repetitivo, donde se realizan pequeñas iteraciones a través del proceso de desarrollo. Esto permite identificar y solucionar problemas tempranamente, facilitando la adaptación continua del proyecto a medida que se desarrolla, dentro del ciclo se aborda bajo el siguiente proceso :
Planificación: Definición de los objetivos, expectativas y criterios de éxito del proyecto.
Ejecución: Desarrollo efectivo del modelo de IA, donde se lleva a cabo la preparación de datos, el diseño y la implementación del modelo.
Evaluación: Análisis de los resultados obtenidos en la iteración actual para determinar si se han alcanzado los objetivos establecidos. Aquí se pueden identificar errores y áreas de mejora.
Retroalimentación: Recopilación de información de los stakeholders y otros miembros del equipo sobre el rendimiento del modelo y su alineación con las necesidades del negocio.
Ajustes y Mejoras: Con base en la retroalimentación y los resultados de la evaluación, se realizan ajustes específicos al modelo o al proceso de desarrollo para satisfacer mejor las expectativas y objetivos.
2. División en Fases
El enfoque se divide en seis fases principales, cada una de las cuales es crucial para el desarrollo efectivo de proyectos de IA:
Comprensión del Negocio: Identificación clara de los objetivos comerciales y los problemas específicos que se abordan con IA.
Comprensión de Datos: Análisis y evaluación de los datos disponibles, asegurando que sean adecuados para cumplir con los objetivos del proyecto.
Preparación de Datos: Limpieza, transformación y estructuración de los datos para que estén listos para el modelado. Esta fase es fundamental, ya que aproximadamente el 80% del tiempo de un proyecto de IA se destina a la preparación de datos.
Desarrollo de Modelos: Creación y entrenamiento de modelos de IA utilizando los datos preparados. En esta fase se implementan técnicas estadísticas y algoritmos de aprendizaje automático.
Evaluación: Validación de modelos para determinar su efectividad y rendimiento en relación con los objetivos establecidos. Esto incluye pruebas de precisión y robustez.
Operacionalización: Implementación del modelo en el entorno de producción, asegurando que esté integrado con los procesos comerciales existentes y que pueda ser utilizado de manera práctica.
3. Enfoque Centrado en Datos
Una premisa central de CPMAI es que el éxito de un proyecto de IA está intrínsecamente relacionado a la calidad y cantidad de los datos. Por lo tanto, enfatiza la necesidad de cuidar meticulosamente la preparación y el uso de datos a lo largo de todo el ciclo, por ejemplo, la calidad de los datos influye directamente en el rendimiento del modelo tales como datos corruptos, incompletos o sesgados pueden llevar a resultados erróneos e inaplicables, así como la cantidad o volumen adecuado de datos es necesario para entrenar modelos robustos. La falta de datos puede llevar a problemas de sobreajuste o a un modelo que no generaliza bien a nuevos casos.
4. Adaptación a Cambios
El enfoque CPMAI promueve la flexibilidad y la capacidad de adaptación a cambios en el entorno de negocios, garantizando que el proyecto pueda ajustar su rumbo en respuesta a nuevas necesidades o información, la importación en adaptarse a entornos dinámicos, como por ejemplo los mercados, regulaciones y tecnologías que cambian constantemente, lo que puede afectar la viabilidad y efectividad de un modelo de IA, o el cambio de datos en sí mismos pueden cambiar, y un modelo entrenado con datos antiguos puede llegar a ser obsoleto si no se adapta a las nuevas realidades conocido como “data drift” son relevantes en este punto.
5. Monitoreo y Mantenimiento Continuos
Una vez que un modelo de IA se ha implementado, CPMAI se enfoca en el monitoreo constante para asegurar que el modelo sigue siendo efectivo y relevante, así como para identificar la necesidad de ajustes o actualizaciones, dentro de esta etapa se define como:
Monitoreo Continuo: Implica la evaluación constante del rendimiento de un modelo de inteligencia artificial después de su implementación. Se utilizan métricas definidas previamente para identificar desviaciones en el rendimiento, cambios en la calidad de los datos o en la efectividad del modelo.
Mantenimiento Continuo: Integrado en las actividades de monitoreo, el mantenimiento se refiere a las acciones correctivas y ajustes que se realizan para mejorar y adaptar el modelo en función de los resultados del monitoreo. Esto incluye reentrenar, actualizar datos o ajustar algoritmos.
Ello es relevante para el soporte continúo del Model de IA, permitiendo :
Planificación: Definición de los objetivos, expectativas y criterios de éxito del proyecto. Estabilidad del Modelo: Los modelos pueden degradarse con el tiempo debido a cambios en los datos o en los patrones de uso. Un monitoreo eficaz permite detectar temprano signos de deterioro y prevenir decisiones basadas en resultados erróneos.
Adaptación a Nuevos Datos: El entorno empresarial y los datos en sí son dinámicos. El monitoreo permite identificar cuándo es necesario actualizar el modelo para asegurar que continúa siendo relevante y eficaz.
Optimización de Rendimiento: El mantenimiento continuo ayuda a optimizar el rendimiento del modelo, mejorando su precisión y capacidad de respuesta en función de la evolución de los objetivos o condiciones de negocio.
6. Colaboración Multidisciplinaria
El método enfatiza la importancia de la colaboración entre equipos técnicos y de negocio, asegurando que se tomen en cuenta diferentes perspectivas y conocimientos en el desarrollo del proyecto, la colaboración multidisciplinaria se manifiesta en varias fases clave a lo largo del ciclo de vida de un proyecto de IA los cuales son:
Definición de Objetivos: En las etapas iniciales, es esencial que los equipos multidisciplinarios trabajen juntos para definir claramente los objetivos del proyecto. Esto asegura que las expectativas de todas las partes interesadas estén alineadas.
Comprensión del Problema: La colaboración de diversos expertos ayuda a obtener una comprensión más completa del problema a resolver, considerando no solo los aspectos técnicos, sino también las necesidades del negocio y las implicaciones éticas.
Desarrollo y Pruebas: Durante la fase de desarrollo, las contribuciones de los expertos en ciencia de datos (modelado, datos) y de negocio (requerimientos, uso) son cruciales. También es importante la participación de representantes de áreas como operaciones y marketing para asegurar que la solución sea práctica y tenga aceptación en el mercado.
En resumen el enfoque centrado en datos en CPMAI enfatiza que el éxito de un proyecto de inteligencia artificial depende en gran medida del manejo efectivo y sistemático de los datos. Desde la comprensión y preparación, hasta el monitoreo continuo de la calidad de los datos, este enfoque asegura que el modelo sea preciso, relevante y adaptable a las necesidades cambiantes del negocio, maximizando así las posibilidades de lograr resultados exitosos en los proyectos de IA.