Womuk-agencia-logo

Antes de usar IA para administrar proyectos, tomemos los datos en serio

Antes De Usar Ia Para Administrar Proyectos, Tomemos Los Datos En Serio

Contenido:

Las agencias digitales son innovadoras por su propia naturaleza, por lo que no es de extrañar que el espacio esté lleno de conversaciones emocionadas sobre cómo la IA transformará la industria. Pero, ¿estamos corriendo antes de poder caminar con la IA?

Después de todo, no te pondrías al volante de un automóvil a menos que supieras cómo conducir… incluso un automóvil autónomo habilitado para IA. De hecho, ninguna compañía de automóviles ha afirmado que fabrica un automóvil completamente autónomo: tal como está, siempre debe haber un ser humano en el asiento del conductor. Y eso es porque todavía somos los responsables finales; usar IA no significa que estemos externalizando la agencia y el juicio. Es solo una herramienta, y tenemos que asegurarnos de que la estamos usando bien.

Pero cuando algo parece una solución emocionante que ahorra tiempo, a veces solo queremos ponernos manos a la obra e implementarla, sin detenernos necesariamente a considerar si la estamos usando bien. Y el resultado es que no llegamos a disfrutar de todo su potencial, o incluso que algo puede salir muy mal.

Afortunadamente, podemos armarnos con algunas mejores prácticas y conocimientos básicos para ayudar a aprovechar al máximo la IA, sin sufrir las trampas.

AI en Agencyland: ¿Qué podría hacer por nosotros?

La IA ya se usa ampliamente para herramientas que abordan tareas discretas. Posiblemente hayas visto uno de varios programas de redacción de textos publicitarios de IA que han surgido recientemente. Y aunque el consenso es que, en la actualidad, todavía se necesita un ser humano para observar con ojo crítico la copia que ha producido la IA, estas aplicaciones se están volviendo más refinadas cada día.

Como ejemplo para demostrar: ¡una IA realmente escribió el título de este artículo! Después de recibir el texto como aviso, la IA presentó varias sugerencias para los títulos de los blogs. Si bien algunos estaban un poco fuera de lugar, muchos eran perfectamente adecuados. A todos los efectos, sonaban como si un escritor humano los hubiera creado.

Los redactores de IA están llegando al punto en que suenan bastante naturales, y eso se debe en parte a que hay muchos datos sobre los modelos de lenguaje que se pueden «entrenar». Tómese un momento para considerar la gran cantidad de texto que existe en línea: todos estos son datos de idiomas potenciales. El modelo de lenguaje natural BERT de Google, por ejemplo, está entrenado en datos que incluyen la totalidad de Wikipedia en inglés (la friolera de 2500 millones de palabras).

Pero una gran cantidad de datos de idiomas es una cosa. ¿Qué pasaría si quisiera que una IA entendiera algo más específicamente adaptado al contexto de su organización? Sus redactores y diseñadores pueden estar interesados ​​en recibir ayuda de la IA; ¿Tus directores de proyecto y de estudio pueden esperar lo mismo?

Esta es una pregunta mucho más grande. Como la IA necesita ser entrenada en conjuntos de datos, los datos primero deben existir. Esto significa que, para entrenar una IA para ayudar en las operaciones de su proyecto, necesitará tener un banco de datos de proyectos anteriores. Y, de hecho, cualquier agencia que haya estado funcionando durante un tiempo tendrá una cantidad significativa de datos sobre cómo se ejecutan sus proyectos. El problema es que puede que no sean datos utilizables.

El peor enemigo de cualquier desarrollador de IA son los datos incorrectos. Como AI no es un actor consciente, no tiene la capacidad de abordar y juzgar la información con criticidad. Cuando muchas personas (aunque no todas) tienen el presentimiento de que una información es falsa o está embellecida, la IA no puede hacer esta evaluación. Los humanos pueden ir y verificar algo y, por lo tanto, corregir el rumbo. La IA no puede.

Aquí es donde entra en juego el ya clásico aforismo de la programación: “Basura que entra = basura que sale”. Una IA no puede saber si la está entrenando con datos irregulares, inconsistentes o llenos de sesgos y errores de proceso. Simplemente tomará estos datos incorrectos y aprenderá de todos modos. Y el resultado final será una IA que replique estos problemas.

Así es como Amazon creó accidentalmente una IA de contratación que discriminado contra las mujeresy cómo el gobierno del Reino Unido terminó rebajar los resultados del examen de estudiantes de estratos socioeconómicos más bajos. Los datos incorrectos terminaron replicando el sesgo.

Ambos son casos extremos con consecuencias terriblemente injustas. Es poco probable que el uso de IA para mejorar la gestión de proyectos esté cargado del mismo nivel de responsabilidad ética, pero aun así ilustra un punto vital. Si entrena una IA con datos de mala calidad, puede terminar con algo que cause más daño que bien. En un contexto de gestión de proyectos, esto podría parecer predicciones inexactas y estimaciones inútiles. Si actúa de la misma manera sin criticar estas sugerencias, no es difícil imaginar el tipo de problema en el que podría terminar.

Entonces, ahora que solo sabe entrenar IA con buenos datos, tenemos que hacer la pregunta: ¿qué hace buenos datos?

La única manera es buenos datos

Como organización basada en proyectos, ¿qué tan seguro está de que está recopilando datos de calidad sobre sus proyectos? ¿Qué podría implicar eso? Además de la duración y el valor del proyecto, y qué proyectos superan el tiempo o el presupuesto, puede realizar un seguimiento a un nivel más granular. Qué tipos de tareas tienden a sobrecargarse; ¿Qué habilidades implican estas tareas? ¿Qué habilidades se sobreutilizan continuamente y cuáles se subutilizan? ¿En qué puntos durante los proyectos tienden a surgir problemas? ¿Hay un patrón?

Este es el tipo de datos que pueden unirse para crear una imagen realmente vívida de las operaciones de su proyecto. De hecho, si tiene este tipo de datos detallados, un sistema predictivo podría usarlo para brindarle asistencia en la gestión de proyectos. ¿No sería útil si pudiera recibir una advertencia con tiempo suficiente? antes de una tarea crítica se excedió y provocó un retraso?

Una-Visión-Del-Futuro-De-La-Gestión-De-Proyectos-Pronóstico
Una visión del futuro de la gestión de proyectos

Con la forma en que se está desarrollando la IA, esta no es una visión descabellada. Pero, una vez más, la realidad es que las sugerencias de gestión de proyectos de la IA solo serán confiables y útiles si está entrenada con buenos datos. Y con tantos puntos de datos para capturar, el riesgo de error es extremadamente alto.

En promedio, el 47% de los nuevos registros de datos tienen al menos un error crítico. Las personas no aprecian intuitivamente el valor de los buenos datos, y la mayoría de nosotros no somos muy buenos ingresando datos manualmente. Nuestros ojos pueden saltar sobre los campos; colegas de diferentes países pueden ingresar fechas en diferentes formatos; podemos cometer errores tipográficos… ¡las diversas formas en que podemos cometer errores en la entrada de datos son tan únicas e impredecibles como nosotros!

El ingreso de datos realmente no juega con nuestras fortalezas como personas. Un programa que se crea para recopilar y procesar datos casi invariablemente hará un trabajo más consistente que el que podría hacer una persona. Y cuando esto no sea posible, una interfaz de usuario bien diseñada que permita patrones de entrada de datos coherentes puede marcar una gran diferencia.

Por lo tanto, la forma segura de recopilar buenos datos del proyecto es administrar sus proyectos a través de un sistema configurado para este propósito. Un sistema como Forecast está diseñado teniendo en cuenta la integridad de los datos, específicamente con el propósito de aprendizaje automático. La mayor parte de la recopilación de datos está automatizada y, cuando esto no es posible, la interfaz de usuario fomenta entradas simples y consistentes (por ejemplo, de registros de tiempo).

Forecast le brinda la capacidad de obtener todos los datos de su proyecto existentes en un ecosistema, lo que lo hace ideal para fines de aprendizaje automático. En esencia, el sistema Forecast «aprende» cómo ejecuta sus proyectos a lo largo del tiempo a medida que interactúa con él. Y con estos datos de proyecto de calidad, Forecast está haciendo grandes cosas. Baste decir que la gestión de proyectos de agencia complejos está a punto de ser mucho más fácil.

De Great Data viene Great AI

No sería incorrecto decir que la IA es tan inteligente como la hacemos. Si queremos que la IA nos ayude con una tarea tan intrincada y compleja como la gestión de proyectos, debemos entrenarla con datos que reflejen toda esta complejidad con detalles finos y precisos. No es una imposibilidad, pero es un desafío importante.

Si no proporcionamos a la IA este nivel de datos y esperamos que funcione igual de bien, no tendremos a nadie a quien culpar sino a nosotros mismos cuando sus predicciones sean incorrectas o sus sugerencias sean ridículas. Pero en lugar de sentirnos intimidados por esto, deberíamos estar emocionados por las posibilidades. En última instancia, tenemos el control: solo debemos tomarnos los datos en serio. Como lectura adicional, lea también nuestro ¿Cómo afectan los datos masivos a la optimización de los motores de búsqueda? y ¿Qué es Big Data en Marketing Digital? artículos.