Historias durante el Covid-19: ¡Descubre cómo nuestros clientes superaron nuevos retos!

IMPLEMENTAR IA & DATOS: CÓMO EMPEZAR

Published on Oct 20, 2020 at 5:59 pm in Blog

Seguro que ya sabes que la IA y los Datos tienen muchas aplicaciones para mejorar tu negocio. Bien. Ser conscientes es el primer paso. Pero luego, debes remangarte e… IMPLEMENTARLO.

Aquí es donde empieza la realidad de la que muy poco se habla.

En Altitude Software, además de implementar soluciones de la IA basada en datos para nuestros clientes, también implementamos nuestros algoritmos basados en datos para mejorar nuestra propia eficiencia.

He estado liderando la Transformación Digital durante los últimos 12 años, y por tanto conozco muy bien que, además del mejor algoritmo posible, como el que proporciona Altitude, existen otros factores claves de éxito para mejorar tu negocio implementando IA y datos.

Aquí encontrarás algunos aprendizajes y lecciones de valor que quiero compartir:

 

Big Data vs Small Data/Uso inteligente de los datos disponibles

El Machine Learning por lo general ofrece mejores resultados con big data, permitiendo maneras más rápidas y eficientes de diseñar algoritmos (ejemplo clasificación perro/gato).

Y muchos datos ya están disponibles, cualquier empresa lo tiene. Sin embargo, a veces “no hay suficientes” datos, no todo es BIG data.

¿Significa esto que no puedo usar los datos? ¿Significa que no hay patrones por encontrar ya que no tengo suficientes datos?

Depende. No todos los problemas requieren de muchos datos para ser resueltos. En el peor escenario, si no tienes “suficientes” datos, puede significar que no se tendrá un algoritmo que aprenda por sí mismo gracias a los datos, pero probablemente tendrás suficientes datos para automatizar respuestas a ciertos comportamientos y sucesos. Se puede crear una guía de aprendizaje.

Conclusión: empieza con tus datos disponibles, aunque parezca que no son muchos.  

Paso a paso

Una vez que has empezado con implementar IA y datos, hay algunos pasos que con el tiempo te llevarán a un completo uso de tus datos.

1. Obtén/crea tus datos si no los tienes

Hay muchos datos a nuestro alrededor, pero no todos están almacenados o son accesibles. Hay aspectos de privacidad y confidencialidad que deben ser respetados, a través de acuerdos específicos o anónimos.

 

2 . Haz “el ejercicio de introspección”: conócete, conoce tus datos, enriquece tus datos, perfila tu problema

Necesitas organizar/estructurar/clasificar tus datos. ¡Aquí es donde probablemente inviertas gran parte del tiempo! El sistema, con el tiempo, aprenderá a hacerlo solo, pero para empezar debes al menos decidir cuál debe ser la clasificación y el procedimiento (y hacerlo manual al menos la primera vez).

Lógicamente el proceso traerá sorpresas: habías pensado en una clasificación inicial y en el proceso de la clasificación te darás cuenta de que te han faltado algunos aspectos. Aprendes esto al analizar tus datos, y te llevará varias repeticiones hasta que al fin estés seguro de que has dado con un buen modelo de clasificación.

Este primer set de datos preclasificados te permitirá crear una primera base de conocimientos para un aprendizaje guiado de forma manual. Buenas herramientas de visualización pueden ayudarte a obtener gran valor empresarial ya en este primer paso.

 

3. Procesa tus datos

Prepáralos para el algoritmo.

Si esto se hace de forma centralizada, puede resultar bastante sencillo (de primeras), aunque quizás realices varias repeticiones hasta que encuentres el proceso adecuado.

Si se trata de un procesamiento límite, (en la fuente como en IoT), entonces tendrás que pensar cuidadosamente sobre el tipo de procesamiento que quieres hacer, ya que cambiarlo después en la fuente puede ser complicado.

Cuando tengas un primer set de datos, procesados y organizados, podrás…

 

4 . Escoger un algoritmo ML

Entrénalo, evalúalo y ajústalo. Esto puede llevarte varias repeticiones entre paso 2, 3 y 4 hasta que tengas los resultados satisfactorios.

 

5. Aquí es donde empezarás a coger tracción

Empezaste por clasificar manualmente tus datos y supuso mucho trabajo. Pero una vez que el algoritmo ha aprendido a clasificar con exactitud, entonces podrás transformarlo en preclasificación automática de datos (con algo de seguridad), predictiva, de modelado y optimización de algoritmos. Al final, el algoritmo será capaz de completar tu base de conocimiento y sugerir datos nuevos que puede que falten en el data set.

Cuidado con los peligros ocultos en tu Data journey

Cuando se implementa IA y datos, no existe un “algoritmo universal de IA”, todo depende de tus datos, y se deberá adaptar a tus datos. Por tanto, no olvides que hay algunos errores que se deben evitar en tu data journey:

 

1. El primer reto: obtén buenos datos para entrenar tu modelo ML. Parece obvio, pero:

  • “Basura entra, basura sale” (o Trash in, trash out”): Si los datos iniciales son de poca calidad (una mala organización de tus datos, por ejemplo), obtendrás resultados de calidad pobre.
  • A veces se nos olvida que el algoritmo sólo predice o representa el universo de tus datos de entrenamiento. Si mis datos sólo contienen expresiones en el castellano de españoles, por ejemplo, pueden producirse malentendidos haciendo sugerencias para conversaciones entre latinoamericanos y españoles. Asegúrate de que tienes sets de datos que representen todos los distintos universos que quieres que tu algoritmo aprenda.
  • No olvides actualizar constantemente tus data sets de entrenamiento, y así no perder el toque de realidad.

2 . ¿Dónde procesar los datos?: procesamiento central vs procesamiento en orígen

Si eliges la segunda opción, y a veces no tienes elección, tienes que estar seguro de cuál debe ser el procesamiento adecuado, porque cambiarlo cuando se distribuye en varios dispositivos puede no ser tan sencillo.

3.  Y, por último, gestión de cambio:

Cuando introduces automatización por el uso de datos y de ML, naturalmente que cambian muchos procesos en tu compañía. Incluso para una compañía tecnológica como Altitude Software, donde los empleados son expertos técnicos y están preparados para adoptar los últimos avances, esto representa un reto que no se puede subestimar. Debes trabajar el factor humano de la adaptación al cambio para garantizar el éxito.

 

Al final, para implementar IA y datos satisfactoriamente hay que tener en cuenta tres factores claves:

Factores de éxito de AI y big data

  • Visión: sé ambicioso, ten claro dónde quieres llegar.
  • Conocimiento Técnico: trata sobre aplicar tecnología para resolver un problema de negocio. Comprender las herramientas disponibles y posibles problemas es fundamental.
  • Liderazgo,
  • orientado a resultados, flexibilidad y persistencia. Aquí no hay magia, trata de las combinaciones entre negocio, tecnología y personas.

 

¡Me encantaría conocer tu opinión sobre este tema!

Envíame un mensaje

y hablemos sobre ello!

Avatar

Sonia Comajuan

Otras noticias

Servicios bancarios y financieros: El papel del Responsive Contact Center

¡Mejorar en lugar de sobrevivir! ¡Oportunidad en lugar de supervivencia!   La industria bancaria y financiera ha tenido que darle una vuelta de tuerca a la manera.

Leer más

¿Cómo equilibrar la banca digital con la tradicional?

¿Cómo equilibrar la banca digital con la tradicional? La gente espera que los bancos y otras instituciones financieras proporcionen.

Leer más

Los bancos en la era del autoservicio

La tecnología de autoservicio en el sector banca de hoy en día me hace pensar en mi niñez, cuando teníamos una banca personal.    Te estarás preguntando que cómo.

Leer más

4 consejos para cumplir con las expectativas de los Millennials en el Servicio al Cliente

Viví una temporada en Reino Unido y a las primeras semanas de haberme mudado, tuve un problema con mi.

Leer más

¿Cuáles son los beneficios de un Responsive Contact Center de seguros?

Los beneficios de un Responsive Contact Center de Seguros En mis años de universidad trabajé de camarera en un.

Leer más

5 consejos para crear experiencias inolvidables en el sector Retail

En el sector minorista, ahora más conocido como Retail, la prioridad es siempre mejorar el viaje del cliente, creando.

Leer más

responsive_square1

No te puedes permitir perder ni un cliente?

Convierte tu Contact Center en responsive y sin frustraciones. Responde el 100% de las solicitudes de clientes.

responsive_square1

No te puedes permitir perder ni un cliente?

Convierte tu Contact Center en responsive y sin frustraciones. Responde el 100% de las solicitudes de clientes.