5 posiciones que las empresas necesitan para navegar la transformación digital

“Los últimos 10 años se han dedicado a construir un mundo que prioriza los dispositivos móviles. En los próximos 10 años, cambiaremos a un mundo en el que la IA es lo primero”, Sundar Pichai, CEO de Google, octubre de 2016

La inteligencia artificial (IA) se encuentra en un punto de inflexión, liderando un cambio decisivo hacia la inteligencia digital al descubrir patrones nunca antes vistos, extraer nuevas inferencias e identificar nuevas relaciones a partir de grandes cantidades de datos.

Este cambio de la era programática actual a la nueva era de la IA será transformadora y afectará a empresas y mercados enteros. Para lograr esto, las soluciones cognitivas/IA requerirán conjuntos de habilidades y descripciones de trabajo completamente nuevos. Las empresas de escala necesitan prepararse para estos nuevos trabajos y transformar sus organizaciones para este futuro.

5 nuevos trabajos que debe contratar para pasar de la era programática a la cognitiva:

De: Era Programática	Hacia: IA/Era cognitiva
Administrador de base de datos (DBA)	Curador de taxonomía (o digital)
Ingeniero de sistemas	Arquitecto Cognitivo
Analista de datos	MUERTOS: ingeniero de datos y científico de datos
Administrador de contenido	Procesamiento del Lenguaje Natural / Científico Cognitivo
Programador	Ingeniero de aprendizaje automático

 

Como antecedente, cada persona crea un gigabyte de escape digital todos los días: web/búsqueda, móvil, ubicación, redes sociales, transacciones, audio, visión, etc. Los departamentos de TI tradicionales están abrumados por Big Data y tienen el desafío de mantenerse al día. Esto, junto con los avances en los servicios cognitivos, está creando una oportunidad comercial convincente (y el riesgo asociado) para la creación de valor.

Actualmente operamos en la era de la 'computación programática', donde el análisis de datos involucra la búsqueda heurística de patrones en conjuntos de datos limitados y luego realiza operaciones en el resultado. Las computadoras convencionales tienen dificultades para trabajar con Big Data porque su programación requiere información estructurada (datos organizados en hojas de cálculo, bases de datos, etc.), mientras que el 80% de la información mundial es este escape digital no estructurado.

Por ejemplo, supongamos que usted es un minorista en línea que quiere un programa de computadora que identifique imágenes de una 'bota'. Actualmente no es posible especificar algorítmicamente todas las características que permitirán una identificación correcta. Las imágenes de las botas varían según la marca, el tipo, el estilo, el género, la forma, el tamaño, el color, el fondo, la iluminación y muchos otros atributos. Hay demasiadas variables para escribir un conjunto de reglas. Incluso si pudiéramos, no sería escalable, ya que necesitaríamos escribir un programa para cada tipo de arranque y UPC que quisiéramos identificar.

Ingrese AI/Cognitive, que representa una nueva era en la informática.  La promesa de la IA es trasladar la complejidad de la gestión de sistemas del programador al programa. Estos sistemas adoptan un enfoque diferente: entienden, razonan y aprenden (URL).

El procesamiento del lenguaje natural (NLP), por ejemplo, se utiliza para comprender información no estructurada. Los desarrolladores no programan sistemas cognitivos en un sentido convencional, sino que se crea un corpus de información para un conjunto de dominio específico. Estos sistemas están construidos por pares de valores seleccionados. Por ejemplo, le enseñas a un sistema cognitivo que Argentina es un país, que la Patagonia es una región, etc. Los sistemas cognitivos tienden a adquirir conocimientos, construir conexiones neuronales y mejorar a través del aprendizaje supervisado a lo largo del tiempo. A medida que aumenta la interacción del usuario, se gana experiencia y se minimizan los errores. Se crea un valor corporativo significativo a través de la formación de este corpus específico de dominio de información de PI.

Deep Learning (una rama de Machine Learning) utiliza una 'red neuronal' que recibe una entrada, la analiza, toma una determinación y se le informa si su determinación es correcta. Si la salida es incorrecta, las conexiones entre las neuronas se ajustan algorítmicamente, lo que cambiará las predicciones futuras. Inicialmente, la red se equivocará muchas veces. Pero, a medida que proporcionamos ejemplos, las conexiones entre las neuronas se seleccionarán para que la red neuronal tome las determinaciones correctas en la mayoría de las ocasiones.

Un asistente cognitivo minorista es una aplicación cognitiva/IA de muestra. El objetivo es permitir que un consumidor realice una consulta en lenguaje natural como "¿Qué bota debo comprar para hacer senderismo en la Patagonia este junio?" . Estos sistemas: aprenden a escala, entienden con significado, razonan con un propósito e interactúan con los humanos de manera natural, con el objetivo de mejorar experiencia del cliente.

Descripción de trabajo más detallada de los nuevos roles que necesita contratar:

• Curador de taxonomía (o digital):  Este término se toma del campo de las ciencias de la salud, los primeros en adoptar la IA, donde un taxónomo identifica y clasifica los datos. Esta posición aplica el proceso de curación de contenido de un corpus de información específico de dominio. Los datos se ingieren y el contenido se cura en forma de pares de pregunta/respuesta. Las tareas adicionales incluyen la creación de índices, gráficos de conocimiento y curación continua basada en la interacción del usuario. Con frecuencia, el proceso implica clasificar grandes cantidades de información pública y patentada y presentarla en un formato útil y significativo relacionado con un área temática de dominio específico. El contenido curado se presenta con frecuencia en formato digital, como en un Portal de aprendizaje.
• Arquitecto Cognitivo: Responsable de diseñar, crear, mantener y comunicar la hoja de ruta general y la arquitectura de la solución cognitiva. Esto incluye la estrategia Big Data (tanto datos internos estructurados como externos no estructurados); identifique los componentes de los datos, seleccione los motores de análisis y todas las interacciones del sistema y los datos. La pila incluye servicios de Big Data, Advanced Analytics y AI. La IA incluye una amplia gama de técnicas que van desde el aprendizaje automático, el aprendizaje profundo, los servicios cognitivos, el procesamiento del lenguaje natural y los servicios de reconocimiento de voz y visión. Los servicios cognitivos son ofrecidos por empresas de software líderes como IBM (Watson), Microsoft, Google (DeepMind), Amazon (Lex), Facebook (FAIR), Salesforce (Einstein), empresas emergentes e instituciones académicas de investigación.
• DEADS (Ingeniero de datos y científico de datos: Responsable del diseño e implementación de procesos para conjuntos de datos utilizados con fines de modelado, extracción de datos y medición. Esto incluye conceptos de Big Data como Data Swamps. Lagos y embalses, cada uno con diversos grados de las 3 V de Big Data: volumen, variedad y velocidad. Hadoop y Spark son marcos populares.
• Científico de procesamiento de lenguaje natural (o cognitivo): Utiliza servicios de NLP, como la conversión de voz a texto, para extraer datos no estructurados. Las fuentes de datos suelen ser datos externos no estructurados, como redes sociales, audio, web, clima, etc. Estos datos deben convertirse a un formato estructurado para fines de creación de informes, análisis y conocimientos. Las técnicas incluyen: modelado predictivo para el análisis de sentimientos, agrupación para el análisis de documentos y detección de anomalías. Un ejemplo es Twitter, donde los Tweets se convierten para medir el sentimiento o la detección de eventos de la vida (ir a la universidad).
• Ingeniero de aprendizaje automático: El objetivo de ML/DL es desarrollar un motor predictivo para un caso de uso específico. Un algoritmo recibe información sobre un dominio (por ejemplo, películas que vio una persona) y pondera la entrada para hacer una predicción (probabilidad de ver una película diferente en el futuro). Al pasar la tarea de optimización (ponderación) al algoritmo, la computadora aprende con el tiempo: la calidad predictiva mejora con la experiencia. Deep Learning (subconjunto de ML) tiene más de 15 enfoques como Random Forest, Bayesian Networks y Support Vector Machines. Las habilidades requeridas incluyen Python (lenguaje ML popular), probabilidad/estadística, Big Data y computación distribuida.
• Los campos adicionales de IA con nuevos requisitos de trabajo incluyen: Agentes de Experiencia del Cliente (Digital) que construyen Chatbots, UI/IX (Experiencia de Usuario), Ingeniero de Automatización (robótica), Automotriz (vehículos autónomos), con requisitos únicos en el sector de la Salud.

Muchos de los puestos en ML/DL requieren habilidades matemáticas avanzadas. Los trabajos de curador, por otro lado, Valorar la experiencia en la materia del dominio, que no necesariamente requiere títulos avanzados. Ginni Rometty, CEO de IBM, presentó recientemente estos trabajos de 'Nuevo cuello' en una carta abierta al presidente electo Trump (https://www.ibm.com/blogs/policy/ibm-ceo-ginni-romettys-letter-us- presidente electo/). 

En los próximos años, la IA aplicada se incorporará de forma nativa en la mayoría de las funciones corporativas. Considere, por ejemplo, la gama de procesos que se incorporarán a la función de recursos humanos (HR) de la siguiente manera:

• El reclutamiento se puede mejorar con una selección de objetivos mejorada, coincidencia de trabajos inteligente, alineación de habilidades y evaluación parcialmente automatizada;
• Los datos externos no estructurados, como la publicación en redes sociales, se pueden usar para desarrollar perfiles de personalidad de candidatos que se pueden adaptar de manera más eficiente a los requisitos del trabajo;
• La habilitación de la fuerza laboral se puede mejorar si se recomienda contenido más adecuado para el empleado;
• La gestión de la fuerza laboral se puede mejorar mediante la planificación predictiva de los requisitos de personal y las probables ausencias probables;
• La asignación de mano de obra puede volverse más eficiente. Por ejemplo, el personal minorista puede posicionarse de manera más eficiente en función de: las condiciones locales (p. ej., la lluvia reduce el tráfico peatonal en la tienda), los eventos promocionales locales (p. ej., cinco de mayo) crean una variedad y oportunidades promocionales;
• La rotación de empleados se puede reducir al predecir que los empleados valiosos pueden estar en riesgo de irse.

Con el tiempo, espere que la adopción de AI/Cognitive se normalice. La IA se convertirá en una parte estándar del conjunto de herramientas, mejorando inicialmente los procesos existentes y luego reinventándolos como parte de un proceso de transformación digital más amplio.

Entonces, ¿por dónde empezar? En última instancia, es la estrategia más que la tecnología lo que impulsará la creación de valor. Se recomienda una evaluación estratégica para construir una visión general, determinar oportunidades e identificar brechas de habilidades. A partir de ahí, se pueden incubar oportunidades de frutas al alcance de la mano. El camino transformador desde la incubación hasta la integración debe incluir consideraciones de liderazgo, cultura y cambio organizacional. Una pregunta clave es: ¿eres el disruptor o quieres ser disruptivo? Las empresas necesitan acelerar el proceso de Transformación Digital Cognitiva y adquirir habilidades al ritmo para la creación de valor empresarial (o mediación de riesgos).

Como siempre, estoy interesado en sus pensamientos o preguntas...