sábado, 10 de agosto de 2019

Que quede claro "la IA no tiene nada que ver con data science" - #IA #DataScience

La verdad este post nace por la importancia de que ciertas ideas y conceptos se manejen con claridad, como Inteligencia Artificial y Data Science. 

Quienes trabajamos en innovación y hemos vivido varios hype por la innovación, hemos visto como muchos directivos caen ante "vendedores de humo" o "seudo expertos" que comienzan a usar conceptos como parte de su experticia, pero su propio uso muestra lo desconocedores que son de los mismos. 

En el mundo de la innovación solemos toparnos frecuentemente con la Inteligencia Artificial y por eso nos preocupa que se entienda bien para que empresas y organizaciones las usen adecuadamente. 

Además no hablamos de conceptos y áreas nuevas, sino de campos de conocimiento bastante sólidos y con muchos más de 50 años de vida y trabajo serio y profesional.

Pero no nos detendremos en este tema, sino en señalar que cualquier confusión o mal uso impacta directamente en los resultados de las empresas, pues realizan inversiones altas en herramientas, metodologías o soluciones que luego no dan los resultados que esperaban. 

Y si extendemos esto a nivel país, y habiendo conocido varios países, veo que hay una cierta correlación entre mal uso y confusión de conceptos, con la posición que el país tiene en ranking como el GEM (Global Entrepreneurship Monitor) o el GII (Global Innovation Index). 

Desde otra perspectiva se puede decir qué, a mejor uso y explotación del conocimiento, mejores resultados de desarrollo y competitividad. 

Esto además lo constato en mi red de linkedin (con casi 19000 conexiones, de muchos países). 

Veo que en países con más alta posición en los ranking citados, las personas en general usan los conceptos de forma más precisa, o al menos se intenta mantener un nivel de debate que busca correctitud en el uso, a diferencia de otros países con peores posiciones en los ranking, en los cuales se aprecia más novelería, marketing, o efecto hype en el uso de los términos.

Sin entrar en detalles, diversos estudios muestran que profesionales y directivos con mejor preparación y formación de más calidad, y sumado a buena experiencia, aporta capacidad de análisis, reflexión y crítica, todas cualidades esenciales en un mundo sobrepoblado de información real y de fakes. 

Por supuesto estas son generalidades y hay excepciones, sin dejar de mencionar que la culpa no es del instrumento, sino de quien las usa, quien las compra y quien las vende.

Por ello recurro a los post de John Atkinson Abutridy, ya que continuamente publica aclaraciones muy precisas en el campo de la Inteligencia Artificial y que con su permiso publico sus escritos. 

John recientemente publicó un artículo interesante donde muestra la distinción entre Inteligencia Artificial y Ciencia de Datos. 

Y claro esta distinción es importante. 

Porque son campos que se cruzan, pero se venden y se tratan como iguales, e impactan en lo que se vende por innovación. Y si todo se mezcla, pierde la IA, la ciencia de datos, la innovación y las empresas y organizaciones. 

Aquí va : "Inteligencia Artificial y Ciencia de Datos: ¿Para dónde apuntan?(autor John Atkinson A.)

************************************************************************************************************

Texto original disponible en https://www.linkedin.com/pulse/inteligencia-artificial-y-ciencia-de-datos-para-d%C3%B3nde-john/
************************************************************************************************************

Es preocupante que desde hace algún tiempo se ha ido generando una confusión creciente entre lo que es la Inteligencia Artificial (IA) y la Ciencia de Datos (Data Science), tanto en aspectos conceptuales como prácticos. Claramente todas las tecnologías de alguna forma están relacionadas en muchas aplicaciones, pero esto naturalmente no significa que sean lo mismo, tal como tratan de “vender” muchos profesionales y empresas. Más aún, cada día se están produciendo más estragos a nivel empresarial y laboral, con más del 90% de empresas que usando la “moda” (hype) para vender usan, aplican conceptos e incluso productos sin entenderlos realmente: empresas que supuestamente venden productos de IA pero en realidad son productos de data sciences, empresas que supuestamente venden productos de IA, que no tiene nada de IA, etc.

Siendo justos, me parece natural la confusión entre IA y Data Science ya que, a menos que alguien tenga conocimiento y/o experiencia muy especializada, el común de la gente no tiene porqué saberlo. Sin embargo, esto no tiene justificación cuando estas nuevas tecnologías se vician y mal usan para intentar vender y/o comunicar algo cool. Ejemplos hay muchos en el ámbito profesional/laboral, sin embargo, donde se me ha incrementado exponencialmente el número de canas ha sido recientemente al leer un anuncio de una empresa buscando “Especialista en IA” y en los requerimientos del cargo, se solicitaba “..conocimiento de metodologías scrum … y estar certificado en Project Management…" (nada que ver!!), etc, y leyendo toda la lista, uno llega al punto final y aún no encuentra qué temas de IA debería conocer el candidato. En otros casos, el desconocimiento de lo que se publica es al menos más sutil: “.. con conocimientos de IA (chatbots)..” (sic), o incluso en perfiles de supuestos “científicos de datos” donde aparecen descripciones al estilo “Data Scientist (AI)” (sic), aludiendo que casi una cosa sería casi equivalente a la otra!!!. Pero definitivamente, un anuncio relacionado de trabajo que me ayudó a quitarme el hipo que tenía, es este: "...Chief Data Scientist que domine los conceptos teóricos de programación estructurada orientada a objetos.." (sic). Claramente, en estos casos, no sólo se evidencia una falta de comprensión total sino una mezcla de “peras con manzanas” para producir quizás algún efecto en la audiencia, o no se qué.. Sin embargo, esto es sólo la punta del iceberg, empresas que "supuestamente" venden tecnologías/productos de IA en realidad o son cosas que no tienen que ver con IA (a propósito o por desconocimiento), o que en realidad son soluciones de analítica al estilo de data sciences.

Matices más o menos, la IA es la ciencia de hacer que los computadores realicen tareas que si las hicieran los humanos serían catalogadas como inteligentes. Aunque existen teorías y modelos más profundos de lo que implica integralmente la “inteligencia”, para propósitos de esta diferenciación, el foco será más práctico, y enfocado en lo cognitivo. La componente “inteligencia” de “Inteligencia Artificial” no viene de regalo, ni de puro nombre “rimbombante”, sino como un conjunto de capacidades “combinadas” que permiten la realización de tareas o resolución de problemas (cognitivamente) complejos, de forma eficiente, muchas de las cuales están basadas en el uso intensivo de conocimiento (NO datos).

Estas capacidades usualmente incluyen aquellas que uno pensaría como símiles en un ser humano: representación de conocimiento y razonamiento (Knowledge Representation ó KR), búsqueda de soluciones (Search), planificación de actividades (Planning), procesamiento de lenguaje natural (Natural Language Processing ó NLP), agencia ó inteligencia social (Multi-Agent Systems), robótica autónoma (Intelligent & Autonomous Robotics), visión artificial (Computer Vision), y aprendizaje automático (Machine Learning ó ML). Una característica común de antaño en muchas de estas capacidades es que están basadas en Conocimiento (knowledge-based) y NO basadas en  datos (data-oriented) como ocurre en sistemas de procesamiento convencional de datos. Por otro lado, es importante destacar que no todo lo que tiene alguna palabra “parecida” al ámbito de IA, es IA. Por ejemplo, áreas como la robótica “a secas” han existido hace mucho tiempo y convencionalmente involucran un proceso de automatización más mecánico, y que es suficiente para varios ambientes productivos “estáticos”. Sin embargo, cuando se requiere tareas de automatización en ambientes de producción dinámicos (ej. ensamble automotor, etc), claramente necesitamos robótica más “inteligente”. Así también, visión por computador inicialmente no tiene que ver con IA, sino más bien con métodos geométricos, análisis tradicional de imágenes, etc. Otra historia es que las tareas de visión por computador se realicen con técnicas de IA y que generen una solución actual no sólo factible, sino también más eficiente y robusta que lo tradicional, y así sucesivamente, se puede seguir con varios ejemplos.

Cada una de estas capacidades constituye un área de trabajo independiente pero obviamente relacionada, de la IA, cuya complejidad es tal, que generalmente los científicos se especializan y profundizan en una de ellas, y las combinan a medida que poseen más experiencia. Sutilmente, he recalcado la naturaleza “integrada” o combinada de estas áreas debido a que sistemas prácticos de IA realmente inteligentes de verdad que aporta a un negocio, generalmente unen varias capacidades para resolver un problema en forma eficiente. Esto no sólo es importante por su relevancia práctica en los negocios, sino que se sustenta en la naturaleza concurrente en cómo operan los procesos cognitivos en nosotros, los seres humanos. ¿O acaso Ud. si habla, no puede caminar? ¿O cuando razona no puede aprender? ¿O cuando se mueve no puede interactuar con otros?. ¿O cuando habla no puede ver?, etc. ¿Se da cuenta?.  La inteligencia es mucho más que hacer que un computador realice una tarea simple!! (bueno, algunos no pueden caminar y mascar chicle al mismo tiempo, pero eso es otra historia 😊).

Cada una de las áreas de la IA ha generado desde sus inicios un sinnúmero de avances y aplicaciones, prácticamente desde los años 40. Sin embargo, desde mediados de los años 90, muchas de ellas han comenzado a impactar masivamente en los negocios. Una de ellas, conocida como minería de datos, es una tecnología que combina otras áreas existentes para extraer, inferir y/o descubrir patrones accionables en los datos para tomar mejores decisiones. Para que sea posible, la minería de datos "pidió prestado" y adaptó técnicas provenientes desde aprendizaje automático (ML), estadística, visualización, bases de datos, y computación de alto rendimiento (HPC).

Como parte de los requerimientos esperables en varias áreas de negocio, muchas de las tareas de “minado” de datos son más bien de naturaleza analítica en vez de descubrimiento de conocimiento per se, por lo que sólo se utiliza un conjunto muy reducido de técnicas de ML. Por otro lado, algunos algoritmos de minado de datos, debieron ser adaptados para abordar problemas en donde no sólo disponemos de muchos datos sino que su dinámica es alta, entre otras características. Interesantemente, esta problemática no es exclusiva de los negocios sino de cualquier problema científico-tecnológico, por lo que para abordarlo efectivamente generalmente se debería seguir el “método científico”, comenzando desde la exploración de datos y planteo de las hipótesis, hasta llegar al desarrollo de los modelos e interpretación que dará la solución final al problema original.

Debido a esto, en los últimos años, en un intento por estandarizar y formalizar este proceso, se evolucionó a un área conocida como ciencia de datos (data sciences) que en términos simples es el área que permite resolver problemas analíticamente complejos utilizando mecanismos de inferencia de datos (ej. Estadísticos, Basados en ML, etc), desarrollando algoritmos y tecnologías asociadas. Su objetivo último es utilizar los datos para producir formas creativas de generar valor a un negocio.

¿Se da cuenta? Por el lado que se mire, la IA no tiene nada que ver con data sciences. Una historia diferente es que data sciences “pida prestado” una parte de ML desarrollado por IA para hacer su “pega” (ML data del año 1959!!), por lo que están conectados de alguna forma, como podrían estarlo obviamente otras tecnologías y/o aplicaciones. Un detalle importante a destacar es que la ciencia de los datos sin el uso de ML podría igual hacer su “pega”, tal como se ha hecho con herramientas estadísticas tradicionales y sus aplicaciones en SPSS, Matlab, etc. De hecho, por ejemplo, una tarea de predicción utilizando métodos de regresión tradicionales permite resolver un problema, sin el uso de ML, y mantiene su paraguas de data sciences, por los pasos que implica llegar al resultado.

Entonces, ¿Una gran parte de las empresas (y muchos profesionales) que dice que vende/hace IA realmente no lo hace y vende otra cosa (ej. Data Sciences), por desconocimiento?.

Para responder lo anterior me remontaré a mi época de estudiante de pregrado en los 80s. Un día estaba en la cola para almorzar en el casino de la Universidad, y de aburrido, me puse a ver cuanto anuncio y publicidad había pegado en las paredes. Uno de estos anuncios me llamó profundamente la atención, pues marca un patrón muy transversal en la sociedad que vivimos, especialmente cuando se trata de modas y hypes. En este anuncio había la imagen de excremento y moscas alrededor, y abajo una leyenda que decía: “Coma excremento, millones de moscas no pueden estar equivocadas” !!.

************************************************************************************************************

domingo, 4 de agosto de 2019

#Innovación: ¿hay vida después del post-it?

#Innovación: hay vida después del post-it

¿Hay vida después del post-it? 

La pregunta parece ingenua, pero la respuesta es clave para las empresas que están invirtiendo en crear estructuras de innovación.

Y parto con el tema del post-it, porque es la parte más visible y mediática de las actuales, y de moda, herramientas empleadas en diversas actividades y dinámicas llamadas "de innovación".

La figura con la que parto este post, es un resumen de las diversas actividades que se publicitan y venden cuando se trata de sesiones de innovación. Las resumo en cinco fases, fase que llamo, las fases del "posteo". 

Estas cinco fases son las que muchos "expertos" de innovación difunden, publicitan y postean, y además usan como base de su experiencia.

El tema de fondo es que al final hay muchas buenas intenciones, muchas confusiones entre creatividad, emprendimiento, e innovación, pocos resultados concretos, mucha jerga en inglés y "espanglish", muchos post-it, muchas selfies, muchas innovaciones que no lo son, fotos de mascotas y divertidas, y así suma y sigue.

Pero la pregunta que muchos se hacen, especialmente directivos de empresas, es ¿qué pasa luego de las fases del "posteo"? 

Para entenderlo, añado la curva de difusión de innovaciones.



Lo que propongo es situar las cinco fases del "posteo" dentro de la curva de adopción de innovaciones.


Curva de difusión de adopciones (tiempo: 3´38)


Y claro, lo que resulta es singular.

Las cinco fases que introduje están recién en la primera fase de esta curva, es decir queda mucho por pensar, planificar, hacer y medir. 

Mi experiencia en varios cientos de proyectos de #innovación, me permite declarar que muchos esfuerzos iniciales no pasan del chasm, o aquél momento, estadio, visión o decisión, en que lo que se pensó que era una innovación no pasa de ese "corte" o punto  o chasm desde el cual la innovación empieza a tener futuro. 

Todo esfuerzo innovacional que no supera el chasm, es mejor dejarlo. 

Es más, en el actual contexto novelero de innovación, las cinco fases del "posteo" son pre chasm.  

Y tu empresa, ¿dónde está? ¿tiene capacidades para todas las etapas de la curva? ... 

Ah, y ojo, lo que hay que hacer en las siguientes etapas de la curva no implican post-it sino muchas otras herramientas y otras actitudes y comportamientos organizacionales. 

martes, 23 de julio de 2019

Medir para actuar… Medir para liderar… Medir para innovar


Ecuador no ha sido ajeno a la innovación en las últimas décadas, pero recientemente el tema ha cobrado un realce mayor, motivo por el cual las empresas están realizando importantes inversiones. En este escenario es importante que las inversiones realizadas se rentabilicen en corto plazo y que las empresas puedan acortar su curva de aprendizaje en materia de innovación.

Para esto es importante tener datos sobre cómo están las empresas enfrentando la innovación, qué nivel de madurez poseen o qué nivel de comprensión se tiene del concepto y aplicación de la innovación, tal que se puedan responder preguntas cómo: ¿Saben su punto de partida sobre sus capacidades para innovar? ¿ Tienen alineadas sus inversiones con los retornos esperados de innovación? ¿ Tienes desarrollados e instalados procesos de innovación?, ¿ Han generado una cultura creativa que sirva de base para una gestión eficaz de la innovación?, ¿ Están innovando para problemas actuales coyunturales o están innovando para sostener sus negocios a largo plazo?

Estas y otras preguntas hoy en día debe hacerse un directivo empresarial cuando desea involucrarse en el camino de la innovación. Pero en una época donde hay que equilibrar propósitos y hechos, hay que manejar datos para liderar y más aún cuando se trata de la innovación.

En materia de datos, los ranking son una herramienta clave hoy en día. Y hay ranking internacionales como el informe Global Innovation Index, GII, que miden los países, pero poco a nivel de empresas. Ecuador en el último informe 2018 del Global Innovation Index (GII) ocupó el puesto 97 de 126 países, descendiendo 5 posiciones respecto del informe del 2017. Su posición ha mejorado, pero no logra salir en promedio de la cota de las posiciones de los 90. 


Global Innovation Index 2018: What's It all About? (en inglés, 4:25`)

El GII aporta ciertos indicios en el pilar Instituciones que mide el entorno político y regulatorio, y el entorno empresarial, o el pilar sofisticación de negocios que mide los trabajadores del conocimiento, la innovación y la vinculación de absorción de conocimientos, pero aún son mediciones muy generales para que una empresa su organización conozca sus capacidades de innovación.  Dicho de otro modo, muchos ranking de innovación miden la calidad de los estadios o de las reglas del juego, pero no la calidad de los jugadores para desplazarse dentro de ella, convertir goles y obtener buenos resultados.

En este marco un ranking de innovación permite conocer y comprender cómo se comporta el sector empresarial en materia de innovación, quienes son los jugadores, y qué resultados se están consiguiendo. 

El Ranking de Creatividad e Innovación C³ ® es una gran oportunidad para Ecuador, siendo la principal medición a nivel latinoamericano sobre capacidades y resultados de innovación a nivel empresarial. 
No es una medición que surge del azar ni de la praxis, sino de estudios universitarios, de la evidencia reflexiva y de un equipo humano compuesto por académicos, profesionales con alta graduación en innovación, validación cuantitativa y cualitativa por varios años (casi una década) y validación académica y social. 
C³ ® permite entender la posición de la empresa en el benchmark latinoamericano, su posición respecto a la industria y qué plan de acción se requiere para mejorar sus capacidades. 

Estamos convencidos que esta metodología aportará a la gestión de innovación corporativa del país, midiendo empresas que puedan actuar, liderar e innovar de forma sistemática.

__________________________________
Esta es una nota ampliada de la publicada originalmente en BRINCA: https://www.rankingc3.cl/blog/medir-para-actuar-medir-para-liderar-medir-para-innovar/ ...

Se puede ampliar información en post La importancia de medir la #innovación y su impacto en Ecuador y el Global Innovation Index (GII) disponible en https://cestay.wordpress.com/2019/07/10/la-importancia-de-medir-la-innovacion-y-su-impacto-en-ecuador-y-el-global-innovation-index/ 

domingo, 7 de julio de 2019

Madurez TIC: qué ocurre si te dicen “estamos innovando ... estamos cambiando el core” / un caso de Informática de Gestión

Madurez TIC: qué ocurre si te dicen “estamos innovando, estamos cambiando el core” / un caso de Informática de Gestión

¿Qué deberíamos decir si directivos -altos- especialistas y con estudios de postgrado en innovación te dicen “estamos innovando pues comenzamos a cambiar el core? 

Ojo, por core, se alude a una plataforma informática, o a veces usan ese término para decir que están instalando o cambiando un ERP.

Pero lo importante es que estas expresiones se están repitiendo. Y están reflejando un problema. 

¿Cuál?

Bueno muchos dirán que es un tema de concepto o de confusión, o algún purista dirá “no!, es que esto es innovación!!!!”.

Nada de eso. Pues si hay una confusión, y es una confusión entre innovación con  actualización tecnológica (aquí puedes ver un post crítico al respecto) y con elección tecnológica (aquí un post sobre este delicado tema). 

Y una ingenua confusión con que la tecnología puede resolver muchas cosas, incluso nuestra confusión con la innovación. 

Jason Pontin: ¿Puede la tecnología resolver nuestros grandes problemas? (10:03')


Pero, si el cambio de core o de ERP va ligado y/o produce un nuevo de modelo de negocio que innova el negocio de una empresa u organización, estamos ante un cambio, reshape o actualización tecnológica que es parte de la estrategia de cambio del modelo. 

Y esto último puede o no ser una innovación, pero que será medida por criterios específicos. 

Cabe acotar que si fuera cierto que cada vez que cambiamos el core o un ERP estamos ante una innovación, probablemente los indicadores de innovación como el GII (Global Innovation Index) deberían estar ligados a métricas como cantidad de ERPs instalados, cantidad de core actualizados. 

Y probablemente el ranking mundial GII sería distinto. Bastaría con cambiar plataformas para subir en el índice pero eso no es así. 

Pero más allá de lo anecdótico de la situación, se refleja confusión y que muchas empresas u organizaciones están invirtiendo mal su dinero. 

Una cosa es gastar o costear una modernización computacional que muchas empresas requieren con un retorno de inversión ligado a los ahorros de automatización de procesos, otros potenciales ligados a los posibles ahorros en procesos que no se afectan por la automatización pero si mejoran la calidad y gestión previa, entre otros beneficios, pero descontados los nuevos costes de licencias y dependencias con nuevos proveedores. 

Y otra cosa, es que el gasto en un core nuevo o un ERP sea considerado una inversión en innovación y se espere un retorno planificado innovacional (insisto, automatizar un proceso ineficiente o con bajo rendimiento por ser manual o por usar software "viejo, es otra cosa). 

En todo caso, actualizar un software y/o comprar TIC, que sean parte de un proceso de innovación, es materia de otro estudio que nada tiene que ver con informática, computación, o TIC.

Acoto que ante estas frases como la que da lugar a este post, es que tampoco muestra madurez TIC. 

Lo único cierto es que se está viviendo engañado, o que a algún directivo se le ha engañado inofensivamente o simplemente alguien vendió "gato por liebre". 

Bueno, estoy seguro esto podrá dar mucha conversación, aunque sea cual sea el caso, se debe clarificar este tema y no seguir confundiendo. 



___________________________________________

Aquí van dos casos más ...







¿Te interesó? Suscríbete para recibir actualizaciones por correo ...

Entradas populares de la semana