Inteligencia Artificial

La buena IA versus la mala IA

Miguel Alvarez, VP Industry para LatAm de Blue Yonder, publicó recientemente una columna en la cual comparte su visión experta acerca de las bondades (y maldades) de la Inteligencia Artificial.

Invertir en tecnología de la cadena de suministro es un mandato para todos los minoristas, pero al comprar soluciones con Inteligencia Artificial (IA), es importante recordar que no todas son iguales. Es más, existe una buena y una mala IA; con una se crece en el negocio generando beneficios de diverso tipo, y con otra, se obtienen solo dolores de cabeza por no lograr los resultados esperados a pesar de la inversión realizada.

¿Cómo se puede diferenciar entre IA «buena» y IA «mala»? En Blue Yonder creemos que la inteligencia artificial debe empoderar a los asociados y las organizaciones a través de la colaboración con información en tiempo real que luego se utiliza para orquestar acciones en todo el ecosistema de aplicaciones que utiliza la cadena de Retail. Tomando al sector minorista como ejemplo, para que la IA sea considerada «buena», en la época actual, debe considerar 5 puntos:

Explicable

Uno de los mayores obstáculos para la adopción de la IA en el mundo real es la confianza, ya que las personas tienden a preguntarse cómo pueden depositar su confianza en algo que no comprenden. Si no se comprende, ¿cómo puede saber qué beneficio ofrece?

Un ejemplo de mala IA es aquella que es funciona como «caja negra» que no permite al usuario comprender el razonamiento detrás de la decisión; un sistema impenetrable que no ofrece capacidades de colaboración humana. Para evaluar minuciosamente una solución de IA y confiar en ella, el modelo debe ser de «caja de cristal», donde se pueda observar y comprender el pensamiento de la máquina. La interfaz de IA de Blue Yonder ilustra gráficamente el impacto de factores de influencia como promociones, redes sociales o el clima en los resultados previstos. Esto acelera el aprendizaje personal y organizacional, genera confianza y mejora los resultados.

La buena IA versus la mala IA

Interconectada

Cuanto más se acerque el modelo de IA a la complejidad y la interconexión de la realidad, mejor será dicho modelo. Algunas soluciones de IA comienzan con un pronóstico base y utilizan el aprendizaje automático para agregar factores de manera iterativa. Sin embargo, las soluciones de IA que hacen menos suposiciones sobre la realidad pero que consumen más datos son más sólidas, ya que miden cómo los factores cambian e interactúan entre sí, en lugar de esperar que sucedan las mismas cosas repetidamente.

Antes, en el retail, la previsión utilizaba un enfoque en capas, comenzando con una previsión base de ventas semanales y ajustándola en función de factores como una promoción. Ese pronóstico base luego se evaluaba y alteraba por cada uno de los silos funcionales de la empresa, y asumiendo total independencia de cada factor, y utilizando perfiles estáticos. Como sabemos, el comportamiento humano no es tan simple; se parece más a una red con múltiples factores que afectan simultáneamente nuestras decisiones y los productos que compramos. Entonces, ¿no sería mejor tener un modelo que imite esa realidad? Big Data, SaaS e IA se han unido para hacer de la simulación una realidad, algo que parecía imposible hace una década. Los buenos modelos de IA analizan todos los factores que impactan en una situación al mismo tiempo, lo que da como resultado la información más precisa disponible.

La buena IA versus la mala IA

Dinámica

Las soluciones de IA deben ser dinámicas frente a realidades cambiantes y complejas. Una buena IA puede mantenerse actualizada con los cambios en tiempo real, y adaptarse en consecuencia por sí misma y comprende que los pronósticos no son seguros. Si lo fueran, todos seríamos ricos, pero los humanos no son 100% predecibles. Una buena IA no solo puede limitar la imprevisibilidad, sino que también la entiende, creando una vista probabilística del pronóstico basada en la incertidumbre individual de cada ubicación, elemento y día.

Las probabilidades cambiarán a medida que cambien las entradas, produciendo una distribución rica en información, revelando, por ejemplo, los riesgos de pedidos insuficientes o excesivos, que luego se pueden utilizar para mejorar fundamentalmente los procesos de gestión de inventario. Cuando se implementa en la cadena de suministro de un minorista, permite un nivel más profundo de comprensión cuando se trata de elegir los momentos adecuados para ofrecer ciertos productos y promociones, así como los momentos adecuados para finalizarlas.

Automatizada

Los pronósticos probabilísticos se pueden utilizar para establecer los niveles correctos de existencias en cada ubicación para cumplir con su estrategia comercial, ya sea para maximizar las ganancias, reducir el desperdicio, mejorar la disponibilidad, administrar los costos de distribución o mejorar la frescura. Con cientos de factores combinados con decenas de miles de productos en cientos de ubicaciones, es cada vez más eficiente confiar en una computadora para automatizar y generar los pronósticos de demanda. La profundidad de la información proporcionada por la automatización puede agregar capas más profundas de transparencia y comprensión que se pueden aplicar en toda la cadena de suministro.

Escalable

Las soluciones de IA deben ser escalables para que puedan utilizarse de manera amplia y eficaz, de lo contrario es una mala IA. El «abismo de la IA» es el vacío que se encuentra entre una demostración y una solución real, escalable y de autoaprendizaje que se puede implementar con éxito a un nivel mucho más grande. Cuando se trata de la cadena de suministro, implementar un modelo robusto de IA que cruza este abismo no solo ayuda a mantener las cosas en funcionamiento, sino que informa la toma de decisiones en toda la empresa, desde las operaciones hasta la tienda, la logística y las operaciones de almacén.

Juntas, las cinco cualidades que componen una buena oferta de Inteligencia Artificial, sirven para revelar la realidad subyacente de la dinámica del mundo real para informar y automatizar la toma de decisiones comerciales con una precisión y escala inalcanzables hace poco tiempo. Este es un resultado verdaderamente transformador para el crecimiento tanto de las empresas como de los profesionales del retail.

Autor

  • Florencia Gómez Forti

    Periodista y Social Media Manager especializada en tecnología y espectáculos. Comenzó su camino en el mercado IT de la mano de ITSitio y hoy es Editora de Contenidos para toda la región. Realiza coberturas especiales internacionales y nacionales para marcas como HP Inc. e IBM.

[mdx-adserve-bstreet region="MED"]

Florencia Gómez Forti

Periodista y Social Media Manager especializada en tecnología y espectáculos. Comenzó su camino en el mercado IT de la mano de ITSitio y hoy es Editora de Contenidos para toda la región. Realiza coberturas especiales internacionales y nacionales para marcas como HP Inc. e IBM.

Publicaciones relacionadas

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Botón volver arriba