Flamante informes sobre las tasas de fracaso de los proyectos de IA han planteado preguntas incómodas para las organizaciones que invierten mucho en IA. Gran parte del debate se ha centrado en factores técnicos como la precisión del maniquí y la calidad de los datos, pero a posteriori de ver el tirada de docenas de iniciativas de IA, he notado que las mayores oportunidades de alivio suelen ser culturales, no técnicas.

Los proyectos internos que tienen dificultades tienden a compartir problemas comunes. Por ejemplo, los equipos de ingeniería crean modelos que los gerentes de producto no saben cómo utilizar. Los científicos de datos construyen prototipos que los equipos de operaciones luchan por sustentar. Y las aplicaciones de IA no se utilizan porque las personas para las que fueron creadas no participaron en la valentía de lo que en realidad significaba “útil”.

Por el contrario, las organizaciones que logran un valía significativo con la IA han descubierto cómo crear el tipo correcto de colaboración entre departamentos y han establecido una responsabilidad compartida por los resultados. La tecnología importa, pero la preparación organizacional asimismo lo es.

Aquí hay tres prácticas que he observado que abordan las barreras culturales y organizativas que pueden impedir el éxito de la IA.

Ampliar la alfabetización en IA más allá de la ingeniería

Cuando solo los ingenieros entienden cómo funciona un sistema de IA y de qué es capaz, la colaboración se rompe. Los gerentes de producto no pueden evaluar compensaciones que no comprenden. Los diseñadores no pueden crear interfaces para capacidades que no pueden articular. Los analistas no pueden validar resultados que no pueden interpretar.

La alternativa no es convertir a todos en científicos de datos. Está ayudando a cada puesto a comprender cómo se aplica la IA a su trabajo específico. Los gerentes de producto deben comprender qué tipos de contenido, predicciones o recomendaciones generadas son realistas teniendo en cuenta los datos disponibles. Los diseñadores deben comprender qué puede hacer en realidad la IA para poder diseñar funciones que los usuarios encontrarán aperos. Los analistas necesitan entender qué resultados de la IA requieren moral humana y en cuáles se puede entregarse en manos.

Cuando los equipos comparten este vocabulario de trabajo, la IA deja de ser poco que ocurre en el área de ingeniería y se convierte en una utensilio que toda la estructura puede utilizar de forma eficaz.

Establecer reglas claras para la autonomía de la IA

El segundo desafío implica entender dónde puede realizar la IA por sí sola y dónde se requiere la aprobación humana. Muchas organizaciones recurren a los extremos, ya sea obstaculizando cada valentía de IA mediante la revisión humana o permitiendo que los sistemas de IA funcionen sin barreras de seguridad.

Lo que se necesita es un situación claro que defina dónde y cómo la IA puede realizar de forma autónoma. Esto significa establecer reglas por aventajado: ¿Puede la IA aprobar cambios de configuración de rutina? ¿Puede guiar actualizaciones de esquema pero no implementarlas? ¿Puede implementar código en entornos de prueba pero no en producción?

Estas reglas deben incluir tres nociones: auditabilidad (¿puedes rastrear cómo la IA llegó a su valentía?), reproducibilidad (¿puedes divertir la ruta de valentía?), y observabilidad (¿Pueden los equipos monitorear el comportamiento de la IA a medida que sucede?). Sin este situación, o se ralentiza hasta el punto en que la IA no proporciona ninguna delantera, o se crean sistemas que toman decisiones que nadie puede explicar ni controlar.

Crear manuales multifuncionales

El tercer paso es codificar cómo trabajan en realidad los diferentes equipos con los sistemas de IA. Cuando cada área desarrolla su propio enfoque, se obtienen resultados inconsistentes y esfuerzos redundantes.

Los manuales multifuncionales funcionan mejor cuando los equipos los desarrollan juntos en ocasión de que se los impongan desde hacia lo alto. Estos manuales responden a preguntas concretas como: ¿Cómo probamos las recomendaciones de IA antaño de ponerlas en producción? ¿Cuál es nuestro procedimiento marginal cuando error una implementación automatizada? ¿Se la entrega a operadores humanos o se prueba primero un enfoque diferente? ¿Quién debe participar cuando anulamos una valentía de la IA? ¿Cómo incorporamos feedback para mejorar el sistema?

El objetivo no es añadir burocracia. Se manejo de certificar que todos comprendan cómo encaja la IA en su trabajo presente y qué hacer cuando los resultados no coinciden con las expectativas.

Avanzando

La excelencia técnica en IA sigue siendo importante, pero las empresas que sobreindexan el desempeño del maniquí ignorando los factores organizacionales se están preparando para desafíos evitables. Las implementaciones exitosas de IA que he conocido tratan la transformación cultural y los flujos de trabajo con la misma seriedad que la implementación técnica.

La pregunta no es si su tecnología de IA es lo suficientemente sofisticada. Se manejo de si su estructura está nómina para trabajar con él.

Adi Polak es director de promoción e ingeniería de experiencia de desarrolladores en Confluent.