|
 Santiago Mota Herce, director Técnico del Master Business Intelligence y Big Data Online de la Escuela de Organización Industrial (EOI), en Tenerife, y consultor freelance en proyectos de estrategia y BI en varias empresas, aborda el fuerte crecimiento que está experimentando la inteligencia artificial en el ámbito laboral, y el impacto que produce esta tendencia en la educación de las personas. El desafío de prepararnos para desarrollar trabajos que aún no existen y la penetración que tiene actualmente el machine learning en las empresas.
¿Cómo cree que deberán adaptarse instituciones y alumnos al fuerte crecimiento que está experimentando la inteligencia artificial?
Cuando el termino de moda era Business Intelligence (ahora en desuso) la aplicación estrella eran los cuadros de mando. Se explicaba esa nueva herramienta por medio de la analogía del tablero de instrumentos de un coche donde se mostraba toda la información al conductor.
En el mundo de la automoción, con el paso de los años vio como el coche, además de dar información al conductor, pasaba a ayudarle en ciertas tareas, como el ABS en la frenada y se iban añadido asistentes de cambio de carril, reconocimiento de señales u otras ayudas. El siguiente paso son los vehículos autónomos y, una vez estén en funcionamiento el último será que esos vehículos se anticipen al usuario y predigan cual va a ser el próximo punto donde son necesarios.
En gran parte de los ámbitos vamos a ver una evolución similar, con una primera implantación de máquinas mostrándonos información, una segunda con algoritmos que nos ayudan en las decisiones y una última fase en la que van tomando el control, se anticipan y toman las decisiones de forma autónoma.
Este contexto en el que en parte ya estamos inmerso, pero que se va a acrecentar en el futuro, hace que la educación sea clave por doble motivo: por un lado es muy importante que las personas e instituciones empiecen a estar al tanto de estas tecnologías y por otro va a hacer necesario el reciclado de personas y la re definición de puestos de trabajo.
Desde el punto de vista de la formación, vivimos una transición hacia un modelo de aprendizaje continuo, un modelo en el que los profesionales deben reciclarse, parcialmente todos los años y varias veces a lo largo de su vida laboral.
Hace no muchos años una persona tenía una sola profesión a lo largo de su vida, más adelante pasamos a personas también con una sola profesión que cambiaban de trabajo, en el futuro va a ser difícil encontrar personas que no cambien de profesión a lo largo de su vida laboral.
En este paradigma, cobra una mayor relevancia herramientas nuevas o poco utilizadas en la formación, como son:
- Los MOOCs, que permiten al alumno ampliar materias específicas y, sobre todo, acceder a materiales de todo el mundo. Las universidades eran los lugares donde las personas se convertían en alumnos para tener acceso al conocimiento. Ahora, gracias a internet tenemos acceso con gran cantidad de material docente de alta calidad que no se concentra en un único lugar.
- Los meetup como lugares de presentación de ideas, pero sobre todo de contacto entre distintas personas, no siempre del mismo ámbito, con lo que es posible interconectar métodos y profesionales de otros campos.
- Los hackathones, en los que grupos reducidos de personas se ponen a trabajar en un tiempo también reducido para sacar adelante un proyecto y que muchas veces son la semilla de proyectos que pivotan poco a poco para dar lugar a nuevas empresas.
- Las plataformas de concursos de datos (como Kaggle recientemente adquirida por Google) donde es posible estar al tanto de los nuevos desarrollos y de acceder a proyectos y bases de datos que antes quedaban cerradas en empresas y organizaciones.
¿Qué penetración tiene actualmente el machine learning en las empresas?
Para mí el mayor problema a la hora de estimar la penetración del machine learning en las empresas radica en que este término, como otros parecidos (big data o inteligencia artificial) sirven de paraguas a gran cantidad de tecnologías. Es por esto que resulta difícil llegar a números concretos.
No obstante, algunos de los factores que influyen en la penetración son:
- La aceptación del machine learning no es homogénea. Hay sectores como banca, telco o retail con ratios de uso relativamente altos, mientras que en sectores más tradicionales el grado de implementación es más reducido.
- El grado de digitalización de las empresas. Cuanto más digitales sean las organizaciones, más abiertas están a la incorporación de estas técnicas. Es un tema tanto de desarrollo de las herramientas, como cultural. Además, aquellas empresas nacidas en el ámbito de internet suelen llevar en su ADN estas técnicas. El canal de venta hace que las empresas con una gran parte de su negocio en internet están más habituadas a estas herramientas, que muchas veces se incorporan dentro de la web y recopilan datos del tráfico de la misma o de perfiles de los usuarios.
- La cantidad de datos almacenados. Aunque es posible llevar a cabo técnicas de machine learning con cantidades reducidas de datos, su rendimiento mejora mucho al aumentar el tamaño de los datos. Esto es así especialmente con técnicas como el deep learning.
- La antigüedad. En las empresas más nuevas y con menos empleados es más fácil cambiar los procesos incorporando tecnologías como el machine learning que además muchas veces están en fase experimental. Además, las herramientas de machine learning no tienen un claro vencedor, una herramienta que sea el excel del machine learning. Esto hace que cada seis meses o así, cambie la tecnología puntera y pasemos de oír hablar de hadoop, a spark o, más tarde, tensorflow. Esto hace inviable aproximaciones del tipo “esperar y ver cuál es la mejor”, y obliga a cambiar de modelo cada poco tiempo.
- El tipo de cliente puede llegar a promocionar o dificultar la implantación de estas tecnologías: Clientes jóvenes, tecnológicos y early adopters pueden pasar por alto los problemas de desarrollo de los primeros productos e, incluso sentirse parte del proceso si se les incorpora a través de foros o con crowsourcing. Para clientes de mayor edad, acostumbrados a productos fool proof o que no se sienten tan cómodos con la tecnología, este tipo de herramientas y las plataformas (en muchos casos mobile) pueden limitar el grado de aceptación.
- La predisposición de los empleados. En muchas ocasiones las técnicas de machine learning se traen desde fuera de la empresa y esto es visto por los empleados como una amenaza a sus puestos de trabajo por lo que estos ralentizan o impiden su implantación. Si los empleados reciben la formación adecuada en estos campos es más fácil que hagan suyo el proyecto.
Por otro lado, para analizar el grado de penetración, hay que considerar la fase de desarrollo o el alcance de estos proyectos. Actualmente es relativamente fácil encontrar empresas con proyectos de este tipo en fases de estudio o cómo proyectos piloto, pero no es muy común que estén implementadas en producción y que sean un elemento clave de este proceso productivo.
Marzo 2017
|
