[adsenseyu1]

*Por Michael Feindt, asesor estratégico y fundador de Blue Yonder

El auge de Machine Learning (ML) – aprendizaje automático – ha llevado a algunos a temer que los robots ya se hayan hecho cargo y que el instinto es cosa del pasado. En realidad, la clave es simplemente saber cuándo deben tomar el control las máquinas.

La toma de decisiones ya no es únicamente una actividad humana. La digitalización ha creado más una pirámide o jerarquía de toma de decisiones que depende de la complejidad de la información que se tiene. La base de esta jerarquía es la consideración manual, derivada del ser humano o del instinto visceral; la parte superior es la probabilidad generada por la Inteligencia Artificial (IA).

En el comercio minorista (retail), el consenso general es que, hace bastante tiempo, nos hemos movido casi exclusivamente a los escalones superiores de la jerarquía. Pero, para que ML sea completamente confiable y aceptado, debe haber una mayor comprensión y reconocimiento de la jerarquía. Para darnos cuenta de la importancia de la IA, debemos aprender cómo cohabita con un nivel de toma de decisiones manual que aún tiene un papel que desempeñar.

Cruzando la Línea

La palabra “jerarquía” ha sido elegida para denotar esta importante línea en el campo que, cuando se cruza, significa que el cerebro humano ya no puede hacer un análisis o pronóstico óptimo. En pocas palabras, el volumen de observaciones llega a un punto en el que una computadora siempre podrá llegar a una conclusión más sólida en función de las probabilidades y las tendencias. Este es incluso el caso si una solución de IA establecida es bastante nueva para un gran conjunto de datos; aunque, por supuesto, se fortalece aún más durante un período de tiempo constante y prolongado.

 “Jerarquía” como término, por lo tanto, se relaciona con la extensión de los datos que se observan y analizan en cada contexto. En cierta etapa, la cantidad de información relacionada con cualquier decisión puede superar las capacidades de nuestra propia capacidad intelectual, aunque sintamos que todavía tenemos el control.

Y ahí es de donde se deriva comprensiblemente la dificultad y la obstinación en la industria. Había un mundo antes de la intervención de la IA en el que las organizaciones prosperaban, y muchos de estos tomadores de decisiones tenían éxito en función de las predicciones que hacían manualmente. Su astucia los llevó en direcciones que produjeron mejores ventas, mejoras en el mercado y supervivencia continua.

Convencerlos de una línea invisible en el terreno ahora, donde su astucia ahora puede ser superada, no es algo fácil.

Es por eso que existe la responsabilidad entre los proveedores de servicios de IA de explicar que en realidad no es una línea invisible. Más bien, hay una línea muy real y tangible que significa cuando un cerebro humano ya no es suficiente y las máquinas deben intervenir.

El Rol del Instinto

Esta línea es matemática, basada en la cantidad de observaciones necesarias para producir un resultado, pero también lo que vemos es determinante (basado en hechos preconcebidos) o probabilístico (basado en lo que creemos que sabemos a través de la experiencia previa).

La determinación se relaciona con algo que la ciencia puede demostrar que es un ideal científico, – algo de lo que podemos estar seguros, que luego se filtra en nuestras propias observaciones y expectativas diarias. La salida del sol, un péndulo que se balancea hacia atrás, etc. Esto también se relaciona con lo que vemos y experimentamos en nuestra vida cotidiana; que sentimos que podemos estar seguros.

Por ejemplo, un experto en automóviles podría diferenciar entre algunos tipos, modelos y marcas de automóviles en un instante. Esta información puede informar rápidamente las valoraciones y las ventas en una pequeña empresa. Una máquina, por otro lado, podría tener dificultades para hacer distinciones entre vehículos de manera significativa con un volumen limitado de información. El instinto y la experiencia humana ahorrarían una inversión innecesaria en este caso.

Imagínese, sin embargo, si a ese experto se le presentara una cartera de miles de automóviles, con la tarea de fijarles un precio o predecir su atractivo de venta. Cada uno tiene un aspecto muy similar, pero llegan de diferentes generaciones, países o fabricantes y se venden a diferentes mercados en diferentes épocas del año. De repente, hay una apertura para la asistencia digital.

Una solución especializada de IA que ha sido desarrollada con este problema en mente y que tenga esta información ingresada previamente en forma de datos históricos, podría hacer estas diferenciaciones a un nivel de probabilidad mucho más alto, mejorando aún más a medida que aumente el número de observaciones requeridas

Proporcionando la imagen completa de la pirámide

Basado en nuestras experiencias en retail, este sería el cambio al siguiente nivel de complejidad con el que algunos expertos tendrían problemas. El tomador de decisiones quizás suponga que su conocimiento debe ser aún mejor, dejando que el orgullo se interponga en el camino del progreso.

Con frecuencia, el C-suite se resiste a la IA porque siente que su experiencia puede superar cualquier cálculo basado en una máquina. Entonces, la dificultad se le presenta inherentemente al proveedor de servicios de IA que intenta convencerlos de lo contrario.

 “Por supuesto, dirían que la IA puede funcionar mejor que yo – están tratando de vendernos un producto”, es el pensamiento comprensible de alguien que tiene que sopesar el éxito de la inversión, así como de la percepción de la importancia de su propio trabajo.

Para combatir esta mentalidad, los proveedores de servicios de IA deben presentar la visión completa de la pirámide. La imagen completa, no solo de por qué la IA es tan vital, sino también dónde se encuentra la IA en la jerarquía completa de capacidad de decisión. No sirve de nada decir simplemente que uno es mejor que el otro. Eso no siempre es cierto, y no hay contexto para hacer que ese comentario sea completamente creíble.

En la industria de retail, brindar contexto y explicar que las decisiones basadas en humanos aún son óptimas en algunos casos ayuda de dos maneras. Primero, enfatiza la correlación entre el tamaño de una empresa y la necesidad alineada de intervención digital cuando se trata de pronósticos basados en datos. En segundo lugar, muestra esas líneas entre las diferentes áreas de la sociedad y la industria, señalando dónde se necesita ML y dónde aún puede prevalecer el instinto.