Este artículo apareció originalmente en nombre del Consejo Tecnológico de Forbes, una comunidad para CIOs, CTOs y ejecutivos de tecnología de clase mundial. Lea el artículo original aquí.

Cuando se trata de inteligencia artificial (IA) y aprendizaje automático, en particular, la forma en que diseñamos software está cambiando fundamentalmente. Los ingenieros tradicionales no tenían que contemplar la idea de que el software necesitara "aprender" para ser útil. Definíamos las "reglas" que queríamos considerar, las codificábamos en las aplicaciones que se estaban construyendo y las lanzábamos al mercado. Luego, los íbamos iterando y mejorándolos en un ciclo continuo.

Esto es diferente con la IA. En lugar de codificar reglas en las aplicaciones, los productos de IA dependen de datos de entrenamiento para funcionar. Por ejemplo, cuando las aplicaciones de GPS salieron por primera vez, cambiaron todo —¡adiós a los mapas en papel! Cerca de una década después, la aplicación de software de navegación Waze redefinió esa experiencia una vez más. Waze descubrió que al agregar los datos de todos sus usuarios, no solo podían indicar a un usuario dónde ir a continuación, sino también la forma más rápida de llegar allí y actualizar esas recomendaciones en tiempo real.

A medida que fuimos más inteligentes al construir aplicaciones de software, aprendimos que las prácticas de desarrollo como el modelo en cascada no funcionan porque no consideran lo suficiente al usuario en el ciclo de vida del desarrollo de software. Al final, es probable que los usuarios tengan nuevos requisitos. Por lo tanto, nos hemos movido hacia nuevos enfoques, como los que se hicieron famosos en libros como The Lean Startup. Si bien hoy en día las personas desafían conceptos como el "producto mínimo viable", las ideas son absolutamente correctas: Comience pequeño y ponga su producto en manos de sus usuarios lo antes posible para que pueda recibir sus comentarios y mejorar el producto en el camino.

La IA debería abordarse de la misma manera. Es tentador pasar años construyendo el sistema de inteligencia artificial perfecto, entrenado con enormes volúmenes de conjuntos de datos perfectos. Pero no te sorprendas si el producto está completamente obsoleto e irrelevante cuando lo presentes al mundo.

Tal vez tu conjunto de datos reflejaba prácticas antiguas que ya no tienen sentido, o tu algoritmo nunca ha sido expuesto a un idioma en particular. O tal vez la persona que pensaste que usaría tu producto no es la que termina usándolo. Una IA entrenada en un vacío solo puede reaccionar a lo que ha sido expuesta. Soy un firme creyente en llevar tu algoritmo allí, donde pueda aprender, adaptarse y mejorar. Aquí está por qué está bien dejar que tu IA comience de manera "tonta".

Encuentra Tu Enfoque

Ya sabemos que las herramientas de IA aún no son capaces de reemplazar a las personas, y no esperamos que puedan hacerlo en un futuro cercano. Ten eso en cuenta al diseñar tu solución. Haz que tu usuario sea el foco de tu algoritmo e involúcrate deliberadamente en un caso de uso que le interese a este usuario.

Un ejemplo aquí es Textio, una red de entrenamiento basada en IA centrada en ayudar a profesionales del talento a redactar mejores descripciones de trabajo. Esa es una tarea muy específica. No se centran en convertir a todos en mejores escritores. Ellos eligieron una especialidad: descripciones de trabajo y profundizaron en ella. Los mayores logros de IA que hemos visto comienzan con una tarea discreta y luego se expanden. Y cuanto más enfocada esté la solución, más rápido aprenderá la IA.

No pongas el fantasma antes de la máquina

Una vez que hayas encontrado tu enfoque, no te emociones demasiado aún por cambiar el mundo. Solo considerar las cosas que deben suceder para que un sistema de IA (incluso uno tonto) funcione es un proceso intenso y exhaustivo que incluye:

• Configurar el entorno técnico
• Configurar el sistema que almacena todos los datos de entrenamiento
• Configurar el algoritmo tan importante que entrena los datos y proporciona sugerencias de vuelta

Si bien la nube ha facilitado estos pasos, todavía son una tarea tediosa. Por eso, debes enfocar finalmente la mayor parte de tus esfuerzos en configurar los procesos anteriores y hacer que sean estables, lo que te permitirá avanzar mucho más rápido una vez que comiences a probar tu producto con clientes potenciales que si eligieras pasar la mayor parte de tu tiempo entrenando tus datos. Si trabajas en un mundo teórico e intentas reunir datos de entrenamiento sin una entrada real de clientes, estás trabajando en un vacío que te devolverá tus suposiciones preexistentes.

Pon tu IA frente a las personas

Tus datos de entrenamiento son fundamentales para el comienzo del proceso, pero para hacer un producto de IA que pueda mejorar con el tiempo, debes dar el salto al conjunto de datos más grande de todos: la experiencia humana. Y hacer eso requiere que inviertas en la experiencia de usuario (UX). Cuanto mejor puedas hacer la experiencia de usar tu IA, más personas querrán usarla, lo que significa que tu modelo recopilará datos mucho más rápido.

Es fundamental conectar la importancia de UX con el éxito de tu iniciativa de IA. Desafortunadamente, la mayoría de las personas no piensan de esta manera. Se dejan atrapar por la idea de una mejor vida a través de algoritmos que tienden a asumir que la IA se trata de la maquinaria. La realidad es que estás haciendo todo este trabajo para tener acceso a datos. Pero los datos tienen que venir de alguna parte.

El concepto fundamental a tener en cuenta aquí, y a menudo olvidado, es que "en algún lugar" son las personas que usan tu software. La IA funciona cuando la tratas como una asociación entre humanos y máquinas. Por eso, si no tienes una buena UX, nunca tendrás una buena IA. Si no comienzas diciendo: "Voy a crear un sistema que la gente quiera usar, que sea fácil de usar y que quieran usar con frecuencia", entonces nada de lo demás importa.

Un algoritmo siempre se puede ajustar. Cuanto más tiempo esté en el mundo real, mejor se volverá. Es menos importante que sea brillante desde el principio que encontrar el problema específico que quieres resolver y preparar tu entorno técnico para absorber datos. Al final, una IA inteligente es simplemente una que funciona.