More

    Errores que las empresas cometen en lo referente a Machine Learning

    Según los analistas de la industria, dos fuerzas están impulsando un aumento en el uso de la tecnología basada en Machine Learning y otras tecnologías que permiten la Inteligencia Artificial: el asombroso crecimiento del contenido no estructurado y el uso de la automatización robótica de procesos (RPA) para automatizar los procesos (valga la redundancia)relacionados con el contenido.

    El aprendizaje automático como solución, pero con cabeza.

    Cognilytica dice que entre documentos, imágenes, correos electrónicos, datos en línea y vídeos, hasta el 90% del contenido de la empresa está en forma de datos no estructurados, lo cual crece a un ritmo de un 55% a 65% cada año.

    En consecuencia, Everest Group Research dice que las tecnologías de automatización inteligente están usando ML donde RPA se cruza e interactúa con los procesos relacionados con el contenido. El desarrollo de tecnologías de ML ha dado lugar a la capacidad de extraer más información e inteligencia de la amplia gama de contenido de la empresa, ya sea estructurada o no.

    El Machine Learning se refiere al software que permite a las máquinas «aprender» de forma supervisada y no supervisada, mejorando la precisión y el rendimiento. En un proceso que implica capturar documentos y procesarlos con RPA, el ML y otras tecnologías similares de IA aprenden de miles de variantes.

    No obstante, el Director de Innovación de ABBYY cree que las empresas están cometiendo algunos errores comunes al trabajar con soluciones de Machine Learning. Los resumimos a continuación.

    Capacidades de ML muy complejas

    Las compañías se arriesgan a trabajar con herramientas ML que requieren una gran cantidad de datos para capacitarse en los casos de uso de contenido no estructurado más básicos. En una expresión más mundana: matan moscas a cañonazos. Hay que utilizar las herramientas de ML que estén probadas y que contengan algoritmos avanzados que puedan ser entrenados usando un pequeño conjunto de datos y puedan ejecutarse e plena producción en sólo unas pocas horas, en lugar de necesitar cientos de miles de documentos en un conjunto de muestras para poner en marcha un proyecto, lo que nos restará necesariamente mucho más tiempo.

    Confiar demasiado en RPA

    RPA es aclamado por aumentar la eficiencia mediante la conexión a sistemas antiguos y fuentes de datos externas. Se puede implementar rápidamente y sus «trabajadores digitales» son fáciles de configurar, y una vez «encendidos», realizan el trabajo como los humanos. La gran diferencia entre esta tecnología y ML, es que RPA se centra en el trabajo estructurado repetitivo, mientras que ML está diseñado para comprender contenido ya sea estructurado como no estructurado. RPA necesita de ML para brindar Inteligencia de contenido a sus trabajadores digitales, dándoles las habilidades cognitivas para extraer información útil y obtener inteligencia, aprender de diversas formas de contenido, derivar el significado y la intención de los documentos y agregar capacidades de toma de decisiones.

    Perder oportunidades de mercado de alto valor

    Por lo general, una empresa depende de la sabiduría convencional y seleccionará una tarea que ocurre con mayor frecuencia porque tiene la apariencia de ofrecer excelentes resultados. Sin embargo, este enfoque ad hoc para la selección de procesos puede hacer que ignoremos otras oportunidades comerciales conducentes a mejores resultados. Si bien es completamente aceptable comenzar en áreas que tienen la menor cantidad de interrupciones para la organización o la interacción con los usuarios finales, debemos tener en cuenta en qué puede ayudarnos el ML de una manera rápida y fácil para toda la empresa.

    No saber dónde aplicar ML

    Finalmente y relacionado con el punto segundo, al comenzar un proyecto de automatización, los procesos correctos para comenzar no siempre se seleccionan. Esto se debe a que muchas empresas están compartimentadas en el conocimiento del proceso organizacional. Además, la alta gerencia no suele estar involucrada en el workflow diario y carece de documentación del proceso, lo que hace cada vez más dificil descubrir realmente qué procesos están listos para la automatización. Si antes del proceso sabemos esto, si sabemos dónde vamos a aplicar ML y RPA y para qué, evitaremos este problema y aplicaremos bien estas tecnologías.

    Últimos artículos

    Artículos relacionados

    p