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. 

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

Entradas populares de la semana