#130 Transformando la IA de toma de decisiones en un producto.
Subscribe to get the latest
on Wed Mar 22 2023 17:00:00 GMT-0700 (Pacific Daylight Time)
with Darren W Pulsipher, Matthew Pulsipher,
En este episodio, Darren entrevista a su hijo Matthew Pulsipher sobre la productización de la IA de toma de decisiones. Matthew recientemente ha modernizado y añadido la IA de toma de decisiones en su proceso de desarrollo de productos.
Keywords
#collectiongenerativeai #ai #decisionalai #aiproductization #people #process
En este episodio, Darren Pulsipher, Arquitecto Jefe de Soluciones del Sector Público en Intel, entrevista a su hijo Matthew Pulsipher, Gerente de Producto, sobre la productización de la IA Decisoria. Matthew explica que la IA generativa se basa en conjuntos de datos generales y es buena para preguntas de conocimiento general, pero carece de previsibilidad y determinismo, lo que dificulta la automatización de procesos. Por otro lado, la IA Decisoria es más simple en alcance pero más enfocada en contexto, lo que le permite tomar decisiones basadas en datos según las necesidades específicas de la empresa. Matthew comparte su experiencia integrando la IA Decisoria en productos y resalta la importancia del contexto en la IA.
Tipo de IA
Hay diferentes tipos de IA, y cada uno tiene una habilidad única para ayudar a las organizaciones a automatizar procesos, tomar decisiones empresariales y mejorar el trabajo humano. La IA decisional se utiliza principalmente para tomar decisiones y se basa en modelos generados a partir de datos anteriores. Por otro lado, la IA predictiva genera valores predichos basados en modelos personalizados y conjuntos de datos. El entrenamiento de los modelos es fundamental para la implementación y despliegue de soluciones de IA. La clave está en identificar un problema real que sea relevante operacionalmente y factible dentro de un plazo razonable.
IA para optimizar los procesos
La inteligencia artificial (IA) se puede utilizar para agilizar los procesos de toma de decisiones en las empresas. Es importante delimitar las capacidades de la IA a un conjunto específico de opciones, para no sobrecargar el sistema y hacer que el proceso de toma de decisiones sea más eficiente. La IA es más adecuada para procesos que se repiten, implican decisiones basadas en datos y requieren revisiones subjetivas humanas. Por ejemplo, una institución financiera puede utilizar la IA para validar licencias de conducir mediante la extracción de datos. El entrenamiento continuo a través de la retroalimentación del usuario a la IA puede mejorar sus habilidades de toma de decisiones y eventualmente reemplazar la necesidad de revisiones humanas por completo. El proyecto de indexación de Ancestry.com es un ejemplo de cómo el aprendizaje reforzado puede reducir la necesidad de participación humana con el tiempo.
Humano en el bucle
Al construir un backend de aprendizaje automático, es esencial tener en cuenta las necesidades del usuario. El objetivo es agilizar su proceso actual y proporcionar una ayuda para que puedan realizar su trabajo de manera más efectiva. Para lograr esto, es crucial entrevistar y observar a los usuarios en su entorno actual para comprender su comportamiento, identificar ineficiencias y documentar cualquier inferencia que realicen y que no esté documentada. Al hacerlo, puedes seleccionar cuidadosamente los datos para extraer inferencias antes de enviarlos al modelo, lo que dará como resultado resultados más precisos basados en la replicación del comportamiento humano. Es importante recordar que las inferencias a menudo son más críticas que los datos crudos, y al comprender el comportamiento y las necesidades del usuario, puedes diseñar un mejor producto de IA.
Otro factor clave en la implementación de la IA es el factor humano. Se trata de establecer el contexto adecuado al implementar la automatización para evitar el miedo a la pérdida de empleo. Cómo lidiar con posibles problemas de IA/humanos, como los interesados que se saltan la IA establecida para ellos. Una solución es diseñar la interfaz para que quede claro cuando un usuario haya revisado un punto de datos específico y brindar anulaciones cuando sea necesario. Además, preguntar a los interesados sobre sus razones para saltarse el sistema puede ayudar a mejorar el modelo y evitar la manipulación de la API. En última instancia, la IA y los seres humanos pueden trabajar juntos para lograr mejores resultados.
La inteligencia artificial puede encargarse de tareas sencillas si está bien entrenada, y los humanos pueden aprender a aprovechar mejor la IA con el tiempo. Construir interfaces colaborativas que conviertan a la IA en un miembro del equipo en lugar de un algoritmo frío, permitiendo interacciones más naturales que pueden ayudarle a aprender mejor. La IA se volverá esencial en cualquier trabajo que involucre a partes interesadas que procesen datos humanos debido a la variabilidad involucrada.