El educador de IA Kavita Ganesan sobre cómo descubrir oportunidades de IA en su negocio

Prepararse para la IA puede ser desalentador al principio. El invitado de hoy comparte un marco repetible que lo ayuda a aprovechar las oportunidades correctas, medir su éxito y preparar el escenario para una transición sin inconvenientes.

Durante el año pasado, los rápidos avances en la IA generativa, incluido el innovador lanzamiento de ChatGPT, han llevado a la IA al frente de la atención de todos. Sin embargo, navegar por el panorama de la IA puede ser intimidante para los líderes empresariales que no están seguros de por dónde empezar. La transición puede resultar abrumadora: desde elegir los problemas correctos para que los resuelva la IA, hasta construir una infraestructura de datos sólida y preparar a los equipos para el cambio. Aquí es donde entra Kavita Ganesan.

Kavita es asesora de inteligencia artificial, educadora y fundadora de la empresa de consultoría Opinosis Analytics. con un doctorado en procesamiento de lenguaje natural (PNL), tecnologías de búsqueda y aprendizaje automático y más de 15 años de experiencia, Kavita trabaja con organizaciones para ayudarlas a desmitificar la IA e implementarla en sus estrategias comerciales. En la primavera del año pasado, curiosamente, unos meses antes de que comenzara todo el alboroto, publicó The Business Case for AI , una guía práctica para que los líderes empresariales lancen iniciativas de IA que generen resultados.

En él, Kavita describe un marco para identificar oportunidades de IA de alto impacto, enfatizando la importancia de evaluar y enmarcar problemas de manera efectiva para priorizar la implementación de soluciones de IA que estén alineadas con sus objetivos comerciales, además de medir el impacto y el éxito de cada iniciativa de IA. .

En el episodio de hoy, nos reunimos con Kavita para hablar sobre estrategias para que los líderes empresariales aprovechen el potencial transformador de la IA.

Estos son algunos de los puntos clave:

• Comience a incorporar IA en su negocio optimizando los procesos manuales repetitivos y abordando las ineficiencias identificadas a través de los comentarios de los clientes u otras unidades comerciales.
• Para identificar oportunidades de alto impacto, evalúe dónde tiene sentido implementar IA y vea si se traducen en ganancias comerciales tangibles.
• Antes de la implementación, deberá enmarcar esas oportunidades para articular mejor los beneficios, los puntos débiles que está abordando y qué métricas le permitirán medirlos.
• El siguiente paso es llamar a expertos para asegurarse de que sea factible. Solo así podrá clasificar todas esas iniciativas y priorizar las más beneficiosas.
• El éxito de las iniciativas de IA se basa en tres pilares: el rendimiento del modelo, el impacto comercial y la satisfacción del usuario.

Si disfruta de nuestra discusión, vea más episodios de nuestro podcast. Puede seguir en Apple Podcasts, Spotify, YouTube o tomar la fuente RSS en su reproductor de elección. Lo que sigue es una transcripción ligeramente editada del episodio.

El error de la IA

Liam Geraghty: Hola y bienvenido a Inside Intercom; Soy Liam Geraghty. En el programa de hoy, me acompaña Kavita Ganesan, autora de The Business Case for AI: A Leader's Guide to AI Strategies, Best Practices & Real-World Applications . Y eso es exactamente de lo que vamos a estar hablando hoy. Kavita, eres muy bienvenida al programa.

Kavita Ganesan: Liam, gracias por recibirme. Estoy muy contento de estar aquí.

Liam: Sé que ha entregado más de dos docenas de iniciativas de IA exitosas para una amplia gama de organizaciones, desde medianas hasta Fortune 500. ¿Cómo te involucraste en el espacio de la IA en primer lugar?

“Me convertí en ingeniero de software, pero sentí que faltaba algo: todo el desarrollo de algoritmos y la pieza de resolución de problemas”

Kavita: Mi historia con la IA se remonta a 2005, cuando la IA no era muy popular, ni siquiera era atractiva o necesaria en la industria. Me intrigaron los aspectos de resolución de problemas de la IA; aunque las técnicas pueden ser las mismas, cuando se aplican a un problema diferente, la forma en que lo resolvería plantea diferentes desafíos. Eso me atrajo porque creo que, inherentemente, soy un solucionador de problemas. Así que profundicé más y más en la IA en mi programa de maestría. Ahí es donde me expuse a todo el espacio de la IA.

Me convertí en ingeniero de software, pero sentí que faltaba algo: todo el desarrollo de algoritmos y la pieza de resolución de problemas. Fue entonces cuando decidí que necesitaba obtener un doctorado. en IA porque quería especializarme en esto. Y cuando estaba a punto de graduarme, en 2013, la ciencia de datos comenzó a despegar como campo. Fue entonces cuando decidí que en lugar de ir a instituciones académicas o laboratorios de investigación, simplemente iría y resolvería problemas de la industria. Creo que soy una persona muy práctica y aplicada, así que quería ver que estos algoritmos tuvieran un buen uso. Ahí es donde las cosas realmente comenzaron. Entregué todos estos proyectos y trabajé en diferentes problemas, desde el cuidado de la salud hasta otras áreas, como el código.

“La IA generativa ha puesto a la IA en el mapa para ellos”

Liam: Debe sentirse como si el resto del mundo se hubiera puesto al día con todo este asunto de la IA en los últimos meses.

Kavita: Sí, para muchas empresas, la IA es algo muy nuevo, especialmente para las pequeñas empresas que no habían pensado en la IA porque sentían que no era relevante para ellas. Las operaciones medianas han estado pensando en la IA durante un tiempo, pero no sabían cómo empezar, y la IA generativa ha puesto a la IA en el mapa para ellos.

¿Donde empezar?

Liam: Profundicemos en su libro The Business Case for AI . Desde el principio, reconoce las preocupaciones y preocupaciones que los líderes tienen en torno a la IA. Acabamos de publicar nuestro informe sobre el estado de la IA en el servicio al cliente 2023, donde encuestamos a 1000 profesionales de soporte y descubrimos que el 69 % de los líderes planean invertir más en IA el próximo año. Pero hasta ahora, solo el 38% de los líderes ya lo han hecho. Esa debe ser una gran oportunidad para que los primeros usuarios obtengan una ventaja competitiva real con todos los beneficios que brinda la IA, ¿verdad?

Kavita: Sí, eso es absolutamente correcto. Cuando se aplica a los problemas correctos, verá beneficios significativos desde el principio. Creo que el desafío que enfrentan las empresas ahora es encontrar los problemas correctos dentro del negocio y aplicar la IA de una manera que les brinde valor, no dentro de seis o siete meses, sino tres meses.

“Se trata de comprender el espacio de lo que constituye la IA, dónde puede aplicar la IA, a qué tipo de problemas puede aplicarla y dónde la IA generativa agrega valor”

Liam: ¿Qué le dirías a la gente sobre cómo enmarcar su pensamiento de IA para que no se imaginen que los robots se apoderen del mundo, sino que piensen en la IA, como dices, como una herramienta práctica para los negocios?

Kavita: Creo que el primer paso es entender qué es esta bestia. Ahora, la gente piensa que la IA es IA generativa, pero la IA generativa es solo una pieza de ese rompecabezas de IA. Hay mucho más en la IA. Hay aprendizaje automático tradicional, PNL, visión por computadora. Se trata de comprender el espacio de lo que constituye la IA, dónde puede aplicar la IA, a qué tipo de problemas puede aplicarla y dónde la IA generativa agrega valor. Dirigirse a ese elefante en la sala ayudará a establecer el contexto o generar ideas sobre dónde puede aplicar la IA en su negocio. Diría que la educación es el primer paso, sí.

Liam: Si decimos que hemos superado ese obstáculo y estamos a bordo del tren de la IA, por así decirlo, ¿cómo se imagina para qué se podría utilizar la IA en su empresa para mejorar los procesos comerciales existentes? ¿Podrías compartir algunos ejemplos?

“Buscar procesos existentes que son ineficientes es un buen punto de partida”

Kavita: Claro. Muchas empresas encuentran valor al comenzar con problemas repetitivos que se resuelven manualmente. En el servicio de atención al cliente, el enrutamiento de un ticket de soporte es una tarea repetitiva, y un agente necesita mucho tiempo para leer el ticket, determinar a qué equipo reenviar el ticket y enviar esos datos preliminares al equipo para que puedan evaluar el problema. . Encontrar esos procesos manuales que son repetitivos y requieren un pensamiento a nivel humano, ese es un punto clave, es donde las soluciones de IA realmente pueden tener un impacto a corto plazo porque esos problemas se entienden bien y probablemente tengan métricas que puede usar como una forma de medir cómo se está desempeñando en comparación con el enfoque manual. Buscar procesos existentes que son ineficientes es un buen punto de partida.

Liam: Siempre puedes hacer esa lista, pero también puedes hablar con tu equipo y ver qué tipo de bloqueadores tienen para mejorar su día a día.

Kavita: Sí, solo hablando con diferentes unidades de negocios, entendiendo sus desafíos y entendiendo qué comentarios de los clientes están recibiendo. Detectará ineficiencias y desafíos incluso analizando los comentarios de los clientes. Esas son áreas en las que la IA tal vez pueda ayudar. Supongamos que los clientes tienen problemas para obtener la ayuda que necesitan porque su solución de soporte no es efectiva. Eso le dará una sensación de: "Oye, tal vez deberíamos tener una mejor funcionalidad de búsqueda que aborde los problemas del cliente para que no tengan que pasar por nuestro sistema de emisión de boletos".

Detectar la oportunidad de negocio adecuada

Liam: ¿ Qué consejo le daría a las personas que desean prepararse para la IA, convertirse en una empresa preparada para la IA y poner ese conocimiento en práctica?

“El marco de cada oportunidad revelará cuáles son las más beneficiosas y cuáles ofrecen un beneficio marginal que puede dejar de lado por ahora”

Kavita: Prepararse para la IA consta de dos partes. Una es comprender dónde están sus oportunidades dentro de su empresa. Si tiene una operación de tamaño mediano, se trata de hablar con las diferentes funciones comerciales, comprender sus desafíos e identificar y enmarcar esas oportunidades. ¿Está en las ventas? ¿Está en RRHH? Eso le dará una idea de qué área puede ser su ventaja competitiva. La segunda parte es la pieza fundamental requerida para la IA, que consiste en poner en forma su infraestructura de datos. Tal vez no esté recopilando datos de manera agresiva, por lo que debe comenzar, o está recopilando datos, pero sus almacenes de datos están en silos y no hay forma de que los empleados accedan a ellos de manera holística. Identificar esas brechas y combinarlas con las oportunidades le brindará una forma a largo plazo de llevar la IA a la empresa.

Liam: Parece que desde que ChatGPT apareció en escena, todos los productos o negocios han agregado IA al final de sus nombres. En un mar de todo esto, ¿cómo encuentran los líderes esas oportunidades de IA? ¿Cómo eliminar los que no son útiles?

Kavita: Sí, eso sucede cuando encuentra esas oportunidades y las enmarca; básicamente está articulando los beneficios de la oportunidad y qué métricas usará para medir cómo está resolviendo el problema actualmente. El marco de cada oportunidad mostrará cuáles son las más beneficiosas y cuáles ofrecen un beneficio marginal que puede dejar de lado por ahora. Esa pieza de articulación es muy crítica, y es el paso dos de mi "Marco de descubrimiento de IA de alto impacto" (discutido en el libro). Primero, tiene una idea o existe una oportunidad potencial de IA. Y el segundo paso es enmarcar.

“¿La introducción de IA o cualquier automatización de software proporcionará un beneficio tangible en esa situación específica? ¿También tiene sentido comercial?”

Liam: ¿Podrías hablar un poco más sobre el marco?

Kavita: Este marco es un proceso repetible para identificar oportunidades de IA de alto impacto y consta de cuatro pasos clave. El primero es pensar primero si esta es una oportunidad prometedora de IA. Las oportunidades de IA a menudo resuelven problemas complejos de toma de decisiones, y eso tiene sentido para la IA. Pero también tiene que tener sentido empresarial para ir más allá. Ahí es cuando miras la carga de trabajo. ¿La introducción de IA o cualquier automatización de software proporcionará un beneficio tangible en esa situación específica? ¿También tiene sentido comercial? Y luego, ¿tiene los componentes básicos? Digamos que has estado haciendo este proceso manualmente. Si cumple con estas tres cosas, es una oportunidad potencial de IA, pero eso por sí solo no significa que deba implementarlo.

Ahí es donde entra el paso dos, donde enmarcas esas oportunidades. Esencialmente, agrega muchos más detalles a la oportunidad. Articulando los beneficios, el punto de dolor que está abordando y qué métricas usará para medirlo. Así es como sabrá que está logrando el éxito comercial y la disponibilidad de datos. Pero nuevamente, esto no significa que vaya directamente a la implementación. Todavía necesita asegurarse de que sea factible. Ahí es donde entran sus expertos: el paso tres. Lo llevarás a tus expertos y les dirás: “Oye, tengo esta oportunidad. ¿Qué opinas? ¿Se puede implementar?” Ahí es donde detectarán todas las señales de alerta como "Tienes datos, pero el volumen no es suficiente" o "Esto es demasiado futurista para implementarlo en este momento". Ahí es donde pondrán el freno y te darán más información. Una vez que tenga toda esa información, puede clasificar esas iniciativas y seleccionar las principales iniciativas, que es el paso cuatro: clasificación y priorización. Este es un proceso muy repetible, y quería que esto fuera una gran parte del libro porque creo que la gente actualmente no tiene una forma de hacerlo sistemáticamente.

“El modelo en sí mismo no es el final. El modelo es un medio para resolver un problema empresarial. Ahí es donde entra el éxito empresarial”

Liam: Lo mencionaste allí, pero me encantaría hablar sobre lo que sucede cuando un líder ha abordado estos problemas e implementado sus estrategias de IA. ¿Qué enfoque recomendaría para evaluar el éxito de sus iniciativas de IA?

Kavita: En este momento, el éxito es confuso para la mayoría de las empresas porque los líderes esperan un ROI financiero y los expertos en inteligencia artificial solo quieren ver modelos de alta precisión. En mi libro, hablo de tres pilares del éxito. Uno es el éxito del modelo. El modelo tiene que tener un rendimiento mínimo aceptable. De lo contrario, no está realmente resolviendo el problema. Si tiene un 50% de precisión, es simplemente aleatorio. Desea asegurarse de que está haciendo la tarea y funcionando razonablemente bien. Pero el modelo en sí no es el final. El modelo es un medio para resolver un problema empresarial. Ahí es donde entra en juego el éxito comercial. Y esto se relaciona directamente con su punto de dolor. ¿Qué estás buscando para mejorar? ¿Está tratando de analizar un ticket de soporte? ¿Está tratando de mejorar el equilibrio entre la vida laboral y personal de sus empleados? Hay formas indirectas de medir todo esto. Eso es lo que necesita estar rastreando para el éxito empresarial.

Pero el éxito del modelo y el éxito comercial por sí solos no son suficientes porque, al final, es el usuario quien se verá afectado. También querrá hablar con los usuarios de la solución de IA. Pueden ser sus proveedores o empleados, cualquiera que consuma la salida de IA. Desea preguntarles qué piensan sobre la precisión de la solución, la facilidad de uso y cualquier cosa que pueda surgir problemas, ya sea en el modelo o en el flujo de trabajo, porque esto puede resaltar problemas de adopción. Si no les gusta la solución, pueden volver a la forma anterior de hacer las cosas. Es posible que no quieran usar su solución de IA aunque sea precisa y esté logrando el éxito comercial.

Humano en el bucle

Liam: ¿ Qué le dirías a los líderes de atención al cliente que están pensando en implementar IA y que están un poco nerviosos o preocupados? ¿Qué les dirías para ayudarlos a superar eso?

Kavita: Un tema que he visto entre los líderes es que los sistemas de IA se harán cargo de muchos trabajos, incluso los suyos propios. Lamentablemente, esto es cierto, pero creo que es más probable que los sistemas de IA aumenten los flujos de trabajo que simplemente reemplacen los trabajos porque todavía necesitamos la capa de control de calidad en la que intervienen los humanos. Un sistema de IA puede ayudar con los tickets de atención al cliente, pero ¿qué pasa si no puede resolver? ¿un problema? Los humanos necesitan estar allí. ¿Y cómo están aprendiendo los sistemas de IA? Aprenden de los datos. ¿Y quién genera estos datos? Humanos. Somos una gran parte de este sistema de IA, por lo que estamos muy al tanto del control de calidad, la generación de datos y la resolución de problemas más difíciles.

Ese es un aspecto. La otra es establecer correctamente sus expectativas para cada problema y pensar en los riesgos. Si hago de AI el único tomador de decisiones en este escenario, ¿cuáles son los riesgos? Comprender el riesgo ayudará a abordar parte de la resistencia a la adopción de IA en ese escenario. Tal vez en este escenario, es demasiado arriesgado, por lo que desea tener humanos en el circuito para revisar lo que ha hecho la IA.

Liam: Creo que ya lo estamos viendo, pero con trabajos que la gente podría temer que se perderán, la IA en realidad está creando nuevos trabajos y roles: personas que monitorean la IA o, en nuestro caso, diseñadores de chatbots. No todo es pesimismo.

kavita: si Creo que los roles pueden pasar de hacer trabajos de muy bajo nivel a hacer trabajos de alto nivel. Serás más un administrador de control de calidad. Entonces sí, los roles eventualmente cambiarán.

Liam: Y Kavita, ¿qué es lo único que te gustaría que la gente supiera sobre la IA y las empresas trabajando juntas?

Kavita: IA y negocios, buena pregunta. En el mundo de la investigación, a menudo ves una solución de IA que resuelve un problema. Pero en los negocios, una solución de IA puede no ser suficiente. Necesitará una solución híbrida. Puede ser una combinación de un sistema de inteligencia artificial, un sistema basado en reglas para casos extremos y quizás también humanos. Por lo tanto, las soluciones empresariales suelen ser menos elegantes y más complejas que los sistemas de investigación.

Liam: Por último, ¿dónde puede ir la gente para mantenerse al día contigo y con tu trabajo?

Kavita: El primer lugar al que ir será mi sitio web, kavita-ganesan.com. Ahí es donde usted puede aprender acerca de mi libro. También lo llevará a mi página de consulta y a algunos otros podcasts que he hecho.

Liam: Perfecto. Kavita, muchas gracias por acompañarme hoy.

Kavita: Liam, gracias por recibirme.