Usando la IA para hacer a los trabajadores analíticos más efectivos

Las nuevas capacidades de inteligencia artificial que pueden reconocer el contexto, los conceptos y el significado están abriendo nuevos caminos sorprendentes para la colaboración entre los trabajadores y las máquinas. Los expertos ahora pueden proporcionar más de sus propios aportes para la capacitación, el control de calidad y el ajuste fino de los resultados de AI.

Las máquinas pueden aumentar la experiencia de sus colaboradores humanos y, en ocasiones, ayudar a crear nuevos expertos. Estos sistemas, que imitan más estrechamente a la inteligencia humana, están demostrando ser más robustos que los grandes sistemas basados ​​en datos que venían antes que ellos. Y podrían afectar profundamente al 48% de la fuerza laboral de los EE. UU. Que son trabajadores, y a los más de 230 millones de trabajadores a nivel mundial. Pero para aprovechar al máximo las posibilidades de esta inteligencia artificial, las empresas necesitarán rediseñar los procesos de conocimiento y los trabajos.

Trabajadores analíticos (personas que razonan, crean, deciden y aplican la percepción en procesos cognitivos no rutinarios) en gran medida de acuerdo. De los más de 150 expertos de este tipo provenientes de una encuesta global más amplia sobre la IA en la empresa, casi el 60% dice que sus antiguas descripciones de trabajo se están volviendo obsoletas rápidamente a la luz de sus nuevas colaboraciones con AI. Un 70% dice que necesitará capacitación y reevaluación (y aprendizaje en el trabajo) debido a los nuevos requisitos para trabajar con AI. Y el 85% está de acuerdo en que los ejecutivos de C-suite deben involucrarse en el esfuerzo general de rediseñar los roles y procesos de trabajo de conocimiento. A medida que los ejecutivos se embarcan en el trabajo de volver a imaginar cómo aprovechar mejor el trabajo de conocimiento a través de AI, aquí hay algunos principios que pueden aplicar:

Deje que los expertos humanos le digan a AI lo que les importa. Considere el diagnóstico médico, donde es probable que la IA se generalice. A menudo, cuando AI ofrece un diagnóstico, el razonamiento del algoritmo no es obvio para el médico, que en última instancia debe ofrecer una explicación a un paciente: el problema de la caja negra. Pero ahora, Google Brain ha desarrollado un sistema que abre la caja negra y proporciona un traductor para humanos. Por ejemplo, un médico que esté considerando un diagnóstico de cáncer, IA podría querer saber hasta qué punto el modelo consideró varios factores que ella considera importantes: la edad del paciente, si el paciente ha recibido quimioterapia anteriormente y más.

La herramienta de Google también permite a los expertos médicos ingresar conceptos en el sistema que consideran importantes y probar sus propias hipótesis. Entonces, por ejemplo, el experto podría querer ver si la consideración de un factor que el sistema no había considerado previamente, como la condición de ciertas células, cambió el diagnóstico. Dice Been Kim, que está ayudando a desarrollar el sistema, “Muchas veces en aplicaciones de alto nivel, los expertos en dominios ya tienen una lista de conceptos que les interesan. Vemos esta repetición una y otra vez en nuestras aplicaciones médicas en Google Brain. No quieren que se les dé un conjunto de conceptos, quieren decirle al modelo los conceptos en los que están interesados”.

Hacer modelos susceptibles al sentido común. A medida que aumentaban las preocupaciones sobre la seguridad cibernética, las organizaciones aumentaron el uso de instrumentos para recopilar datos en varios puntos de su red para analizar amenazas. Sin embargo, muchas de estas técnicas basadas en datos no integran datos de múltiples fuentes. Tampoco incorporan el conocimiento de sentido común de los expertos en seguridad cibernética, que conocen la variedad y los diversos motivos de los atacantes, comprenden las amenazas internas y externas típicas y el grado de riesgo para la empresa.

Los investigadores del Instituto Alan Turing, el instituto nacional británico de ciencia de datos e inteligencia artificial, están tratando de cambiar eso. Su enfoque utiliza un modelo bayesiano: un método de análisis probabilístico que captura la interdependencia compleja entre los factores de riesgo y combina los datos con el juicio. En la ciberseguridad para redes empresariales, esos factores complejos incluyen la gran cantidad y los tipos de dispositivos en la red y el conocimiento de los expertos en seguridad de la organización sobre los atacantes, el riesgo y mucho más. Si bien muchos sistemas de ciberseguridad basados ​​en la IA incorporan la toma de decisiones humanas en el último minuto, los investigadores del Instituto están buscando formas de representar e incorporar el conocimiento experto en todo el sistema. Por ejemplo, la comprensión experta de los analistas de seguridad sobre las motivaciones y comportamientos detrás de un ataque de robo de IP, y cómo pueden diferir de, por ejemplo, un ataque de denegación de servicio, se programan explícitamente en el sistema desde el principio. En el futuro, ese conocimiento humano en combinación con fuentes de datos de máquinas y redes se utilizará para entrenar defensas de seguridad cibernética más efectivas.

Utiliza la inteligencia artificial para ayudar a convertir a los principiantes en expertos reconocidos. La IA puede convertir rápidamente a los principiantes en profesionales. Hewlett Packard demostró que cuando utilizaban la plataforma de computación cognitiva de su laboratorio de inteligencia artificial para analizar los datos de llamadas de dos años para el centro de llamadas de un cliente. El centro de llamadas usaba un sistema basado en colas para en rutar las llamadas de los clientes, lo que daba como resultado largos tiempos de espera y un servicio al cliente de mala calidad.

La plataforma de computación cognitiva pudo determinar las “micro-habilidades” únicas de cada agente: el conocimiento del agente de un tipo específico de solicitud de cliente, capturado de llamadas anteriores. Estas micro habilidades ahora se usan para hacer coincidir las llamadas entrantes con los agentes que han procesado con éxito solicitudes similares. El centro de atención al cliente ha visto una mejora del 40 por ciento en la resolución de primer contacto y una reducción del 50 por ciento en la tasa de llamadas transferidas.

A medida que los agentes de servicio al cliente aprenden nuevas habilidades, el software de AI actualiza automáticamente su experiencia, eliminando la necesidad de actualizar manualmente su perfil de habilidades en sus registros de recursos humanos. Además, a medida que un agente adquiere mayor conocimiento, el software aprende a dirigirle problemas más complejos. Mientras tanto, el software refuerza continuamente su experiencia y la deducción por parte de AI de las “micro habilidades” aumenta la eficiencia con la que el experto “entrena” el software. Vale la pena señalar que hay otras compañías que trabajan en este desafío de reentrenamiento; por ejemplo, ASAPP, una startup bien financiada, está ofreciendo sugerencias en tiempo real para los representantes de servicio al cliente.

Utilice técnicas de IA eficientes en los datos para mapear los procesos de trabajo de expertos humanos. Debido a que muchos tipos de expertos son relativamente escasos, no generan grandes cantidades de datos. Pero el aprendizaje profundo y el aprendizaje automático, en el que se han basado muchos avances de la IA, necesitan montañas de datos para entrenar y construir sistemas desde abajo. En el futuro, veremos más sistemas de arriba hacia abajo que requieren menos datos para su construcción y capacitación, lo que les permitirá capturar e incorporar el conocimiento especializado de los trabajadores.

Considere una reciente competencia organizada por el Laboratorio de Procesamiento de Imágenes Médicas en el Hospital Universitario de Brest y en la Facultad de Medicina y Telecom Bretagne en Bretaña, Francia. Los competidores compitieron para ver qué sistema de imágenes médicas podría reconocer con mayor precisión qué herramientas estaba utilizando un cirujano en cada instante en la cirugía de cataratas mínimamente invasiva. El ganador fue un sistema de visión artificial de AI entrenado en seis semanas en solo 50 videos de cirugía de cataratas: 48 operaciones realizadas por un cirujano de renombre, uno por un cirujano con un año de experiencia y otro por un interno. Los sistemas precisos de reconocimiento de herramientas permiten al personal médico analizar rigurosamente los procedimientos quirúrgicos y buscar formas de mejorarlos. Dichos sistemas tienen aplicaciones potenciales en la generación de informes, entrenamiento quirúrgico e incluso soporte de decisiones en tiempo real para cirujanos en el quirófano del futuro.

Como sugieren estos ejemplos, los ingenieros y los pioneros en todas las disciplinas están diseñando la IA para que los expertos puedan capacitarla y evaluarla más fácilmente y puedan incorporar su conocimiento extremadamente valioso y, a menudo, escaso. Para comenzar a aprovechar estas nuevas posibilidades, las organizaciones tendrán que asignar su gasto de AI en consecuencia. Y para obtener el mayor valor tanto de sus sistemas como de sus trabajadores analíticos, tendrán que volver a imaginar la forma en que interactúan los especialistas y las máquinas. Así como los sistemas de aprendizaje automático de hoy aumentan las capacidades de los trabajadores ordinarios, los sistemas del mañana elevarán el desempeño de los trabajadores del conocimiento a niveles de excelencia uniforme antes inalcanzables.

Fuente: Harvard Business Review / Paul R. Daugherty H. James Wilson

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión /  Cambiar )

Google photo

Estás comentando usando tu cuenta de Google. Cerrar sesión /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión /  Cambiar )

Conectando a %s

Crea tu página web en WordPress.com
Empieza ahora
A %d blogueros les gusta esto:
search previous next tag category expand menu location phone mail time cart zoom edit close