¿Por qué fracasan los proyectos de IA? Los empleados atribuyen el fracaso de los proyectos de IA a la mala calidad de los datos. Una clara mayoría de ellos (87%) cree que los problemas de calidad de los datos son la razón fundamental por la cual sus organizaciones no logran implementar con éxito la IA y el ML.
Esto se puede ver en el último informe trimestral State of Data Culture de Alation. Este ha sido elaborado en asociación con Wakefield Research, que también encontró que sólo el 8% de los profesionales de datos creen que la inteligencia artificial se está usando en todas sus empresas.
Para el informe, Wakefield realizó un estudio de investigación a 300 líderes de datos y análisis en empresas con más de 2500 empleados en los EE.UU, Reino Unido, Alemania, Dinamarca, Suecia y Noruega. Las empresas fueron encuestadas sobre su progreso en el establecimiento de una cultura de toma de decisiones basada en datos. También se les preguntó acerca de los desafíos a los que se siguen enfrentando hoy en día.
¿Por qué fracasan los proyectos de IA?
Según Alation, el 87% de los profesionales dicen que los sesgos inherentes en los datos que se usan en sus sistemas de IA producen resultados discriminatorios. Estos crean riesgos de cumplimiento para sus organizaciones. Los encuestados señalaron la necesidad de conservación y gobernanza y alfabetización. También necesitan comprensión de los datos y datos de fuentes más variadas.
La falta de aceptación por parte de los ejecutivos también se citó como una de las principales razones por las que la IA no se usaba de manera efectiva. El 55% de los encuestados lo citó como más importante que la falta de empleados con las habilidades necesarias para crear modelos de IA. Cuando se trata de problemas de calidad de datos, los profesionales de datos dijeron que los estándares inconsistentes en la recopilación de datos, el cumplimiento y los problemas de privacidad, y la falta de democratización o acceso a los datos, eran los tres problemas más comunes.
Muchas empresas intentan desarrollar soluciones de IA sin tener grupos de datos limpios y centralizados. También carecen de una estrategia para administrarlos activamente. Sin este componente fundamental para la formación de soluciones de IA, es probable que la fiabilidad, la validez y el valor empresarial de cualquier solución de IA sean limitados. McKinsey estima que las empresas pueden estar desperdiciando hasta el 70% de sus esfuerzos de limpieza de datos.
De las empresas que han implementado IA, los encuestados mencionaron mejores habilidades de modelado entre analistas, catalogación de datos para visibilidad y acceso a datos como formas de combatir el sesgo de la IA. También señalaron en este grupo la capacidad de crowdsourcing como un arma fundamental. Aproximadamente un tercio (31%) dice que los datos incompletos son un problema importante que conduce a fallos en la IA.
La gran brecha entre los que tienen y los que no
Los hallazgos concuerdan con otras encuestas que muestran que, a pesar del entusiasmo en torno a la IA, las empresas luchan siguen luchando por su implementación. El uso empresarial de la IA creció un 270% en los últimos cuatro años, según Gartner. Deloitte dice que el 62% de los encuestados en su informe corporativo de octubre de 2018 adoptó alguna forma de IA. Esto se contrapone al 53% de 2019. Sin embargo, la adopción no siempre tiene éxito. Esto lo dicen un 25% aproximadamente de las empresas que han fracasado en la mitad de sus proyectos de IA.
«Para evaluar la preparación para la IA, primero se debe observar el papel más importante de los datos dentro de las organizaciones. Esto es un lenguaje que algunas empresas luchan por aprender y dominar». Esto se puede leer en el informe arriba citado. «Sigue existiendo una gran brecha entre los que tienen datos y los que no tienen. El despliegue exitoso de IA entre los que tienen y el fracaso o una implementación a medias entre el resto sólo ampliará esta brecha. Las empresas deberían preguntarse si tienen los planes correctos para convertirse en una organización más basada en datos y cómo esto influye en la práctica».