Un potencial cliente me dijo hace unos días: “tenemos la meta de incorporar inteligencia artificial en nuestra empresa, pero no sabemos si eso se manda a hacer, se compra, ni tampoco tenemos claro qué problema nos solucionaría en el corto plazo”.

Si bien, creo que es un caso del extremo del espectro del (des)conocimiento acerca de las capacidades de la IA, también refleja una situación relativamente frecuente en las empresas, cuyo centro de negocio no está (o no estaba) en la tecnología. Esta situación se basa en la creciente avalancha de noticias y publicaciones que intensifican la importancia de esta tecnología en las empresas y en la distancia práctica que existe en diferentes industrias hacia las nuevas tecnologías.

Por ello, alineado con el cambio cultural que impone la transformación digital, la adopción práctica y exitosa de inteligencia artificial se centra en imaginar nuevas formas de resolver problemas de negocio, para los cuáles esta área de la ciencia de la computación puede ofrecer notables ventajas.

Por mi parte, considero que las preguntas relevantes se hacen desde la perspectiva de negocio y no de las tecnologías. En lugar de “¿cómo puedo aplicar un modelo de machine learning en mi proceso central?”, es más bien “¿cómo podría mejorar sustancialmente mi proceso central, si tuviese alguna herramienta mágica?”.

A continuación, comparto dos casos de éxito, en los que la pregunta central estuvo enfocada en el negocio y no en la técnica.

Caso 1 – Optimización de la Organización de una Bodega de Picking

Una empresa mayorista de artículos para el mercado del retail, se enorgullece en ser capaz de atender sus pedidos con una rapidez mayor que su competencia, por lo cual ha implementado una serie de buenas prácticas en su bodega, tanto en la organización estructural, como en la forma de trabajo de los “pickeadores”, que son quienes recorren los pasillos de la bodega, recolectando los ítems de cada pedido.

El desafío aparece al momento de aspirar y visualizar un crecimiento marcado y sostenido. Aparecen preguntas como “¿seremos capaces de atender los pedidos igual de rápido si se duplican, triplican, o crecen 10 veces? ¿será necesario agrandar la bodega, con el consiguiente costo, o será posible encontrar una organización que permita mayor fluidez en el “pickeo”?

Si bien, hay formas estructurales de lograr mejorar la capacidad, ya sea implementando extensiones (ampliaciones) en la bodega, contratando a más gente, la pregunta correctamente planteada fue: ¿cómo podemos aumentar la capacidad de atención de pedidos, sin cambios estructurales?

La forma de enfrentar este problema se basó en, primero, encontrar una forma de estimar los pedidos de corto plazo, y, segundo, determinar una organización de la bodega que privilegie la atención de dichos pedidos. En este caso, se implementó una heurística de optimización conocida como programa evolutivo, que se basa en el llamado Algoritmo Genético, que, tomando la metáfora de la evolución de las especies, busca iterativamente aquellos individuos que mejor sobreviven (soluciones que mejor resuelven el problema), de modo de re-organizar un mínimo de la bodega, que facilite el pickeo de los pedidos estimados.

Esta estrategia permitió establecer esquemas de re-organización de posiciones en la bodega una vez por semana, manteniendo un tiempo de picking prácticamente en el mínimo, incluso con aumentos de cerca de un 80% en la cantidad de pedidos.

Caso 2 – Caracterización de Documentos Jurídicos en una plataforma de Gestión Documental

Las plataformas documentales ya llevan un tiempo demostrando sus virtudes, mejorando la gestión de la información en diferentes organizaciones. Sin embargo, hasta hace poco, gran parte de la indexación de documentos dependía de personas que entienden y reconocen las características esenciales de cada documento, como título, materias, fecha de emisión, nombres mencionados, tipo de documento, entre otros.

Una empresa tecnológica con una solución documental, vio que su posibilidad de crecer se limitaba a la tasa de indexación que sus técnicos expertos humanos lograban en el procesamiento de documentos. Por ello, se planteó que una solución tecnológica, basada en técnicas de inteligencia artificial, y particularmente en modelos de procesamiento de lenguaje natural, permitiría una extracción automática de estas características.

De tal forma, se desarrollaron diversos modelos que resolvían cada una de las necesidades de indexación individualmente. Una combinación de red neuronal, con otros modelos de Machine Learning, lograron superar el 90% de precisión en la determinación del tipo de documento, incluso reconociendo múltiples tipos, con la ventaja de tomar apenas unos segundos en esta determinación. Otras técnicas NER (Named-Entity Recognition), también basadas en redes neuronales entrenadas con diversos ejemplos de texto referencial, demostraron excelentes resultados en reconocer nombres de personas, fechas específicas, cantidades monetarias, entre otros.

Y los técnicos expertos fueron reemplazados en su trabajo mecánico, pasando a ser los supervisores de estos robots de lectura de documentos. Esto permitió a la empresa, pasar de procesar unos cientos de documentos semanalmente, a decenas de miles (y hasta cientos) en el mismo tiempo.

En conclusión, las técnicas de IA demuestran una potencia cada vez más evidente en diversos contextos industriales y empresariales, pero el foco de su correcta aplicación debe basarse en hacer las preguntas correctas, reconociendo el verdadero valor de negocio, no sólo en una visión de automatizar procesos puntuales, sino que en la oportunidad de cada empresa de crecer y transformarse en órdenes de magnitud impensados.

Existen numerosos otros casos de éxito a mostrar, como la optimización de asignación de vuelos en un aeropuerto de alta congestión, o la interpretación de sentimientos y emociones en comentarios en medios sociales, que se presentarán en el próximo Webinar del 8 de mayo 2019, titulado “Inteligencia Artificial: Casos de Éxito”, al que los invitamos a inscribirse y asistir.