La encuesta encuentra que la escasez de talento está frenando la adopción de la IA por parte de las empresas.

La popularidad de la IA en la empresa continúa creciendo, pero las prácticas y la madurez permanecen estancadas a medida que las organizaciones encuentran obstáculos al implementar sistemas de IA. El informe O’Reilly’s 2021 AI Adoption in the Enterprise, que entrevistó a más de 3500 líderes empresariales, encontró que la falta de personal capacitado y las dificultades de contratación ocupaban un lugar destacado en la lista de desafíos de AI, y el 19% de los encuestados lo citó como una barrera “significativa”. – revelando cuán persistente puede ser la brecha de talentos.

Los hallazgos coinciden con una encuesta reciente de KPMG que reveló que una gran cantidad de organizaciones han aumentado sus inversiones en inteligencia artificial hasta el punto de que los ejecutivos ahora están preocupados por moverse demasiado rápido. De hecho, Deloitte dice que el 62% de los encuestados en el informe empresarial de octubre de 2018 han adoptado alguna forma de IA, frente al 53% en 2019. Pero la adopción no siempre es exitosa, ya que alrededor del 25% de las empresas que han visto la mitad de sus los proyectos de inteligencia fallan, te lo dirán.

El informe O’Reilly sugiere que el segundo obstáculo más importante para la adopción de la IA es la falta de datos de calidad, y el 18% de los encuestados dice que su organización apenas está comenzando a darse cuenta de la importancia de los datos de alta calidad. Curiosamente, los participantes en el informe State of Data Culture de Alation dijeron lo mismo, con una clara mayoría de empleados (87%) que consideran los problemas de calidad de los datos, la razón por la que sus organizaciones no pueden implementar con éxito la IA.

El porcentaje de encuestados de O’Reilly que informaron prácticas maduras (26%), aquellos con productos de inteligencia artificial que generan ingresos, fue aproximadamente el mismo que en los últimos años. El sector industrial con el porcentaje más alto de prácticas maduras fue el comercio minorista, mientras que la educación tuvo el porcentaje más bajo. Los impedimentos para la madurez cubrieron toda la gama, pero se centraron principalmente en la falta de conocimiento institucional sobre el modelado de aprendizaje automático y la ciencia de datos (52%), la comprensión de casos de uso empresarial (49%) y la ingeniería de datos (42%).

Brecha de talento

Las quejas sobre la escasez de talento de IA en los Estados Unidos se han convertido en un estribillo familiar de la industria privada. Según un informe de la empresa de tecnología china Tencent, hay alrededor de 300.000 profesionales de IA en todo el mundo, pero “millones” de funciones disponibles. En 2018, Element AI estimó que de los 22.000 investigadores de doctorado que trabajan a nivel mundial en investigación y desarrollo de IA, solo el 25% son “lo suficientemente expertos en tecnología para trabajar con equipos para llevarlo de la investigación a la aplicación de la investigación”. Y una encuesta de Gartner de 2019 encontró que el 54% de los directores de información ven esta brecha de habilidades como el mayor desafío que enfrenta su organización.

Si bien las inscripciones en educación superior en sectores relevantes para la inteligencia artificial, como la tecnología de la información, han aumentado rápidamente en los últimos años, pocas universidades han podido satisfacer la demanda de estudiantes debido a la falta de personal. Existe evidencia que sugiere que el número de instructores no está a la altura de la demanda debido a la caza furtiva del sector privado. De 2006 a 2014, el porcentaje de publicaciones de IA con un autor afiliado a la empresa aumentó del 0% a aproximadamente el 40%, lo que refleja el creciente movimiento de investigadores del mundo académico a las empresas.

Una tendencia curiosa que se destacó en la encuesta fue el porcentaje de organizaciones que afirman haber adoptado el aprendizaje supervisado (82%) sobre técnicas más innovadoras como el aprendizaje a su propio ritmo. El aprendizaje supervisado implica entrenar un modelo de inteligencia artificial en un conjunto de datos etiquetado. Por el contrario, el aprendizaje a su propio ritmo genera etiquetas a partir de datos al exponer las relaciones entre partes de los datos, un paso que se considera fundamental para lograr la inteligencia a nivel humano.

Foco en el aprendizaje supervisado

Según Gartner, el aprendizaje supervisado seguirá siendo el tipo de aprendizaje automático que más aprovechan las organizaciones hasta 2022. Esto se debe a que es eficaz en varios escenarios comerciales, incluida la detección de fraudes, la previsión de ventas y la optimización del inventario comercial. Por ejemplo, un modelo podría recibir datos de miles de transacciones bancarias, con cada transacción etiquetada como fraudulenta o no, y aprender a identificar los patrones que llevaron a resultados “fraudulentos” o “no fraudulentos”.

“En los últimos dos años, la audiencia de IA ha crecido, pero no ha cambiado mucho: aproximadamente el mismo porcentaje se considera parte de una práctica ‘madura’; las mismas industrias están representadas y más o menos en los mismos niveles; y la distribución geográfica de nuestros encuestados ha cambiado poco “, escribió Mike Loukides, vicepresidente de estrategia de contenido de O’Reilly y autor del informe”.[For example,] relativamente pocos encuestados utilizan el control de versiones para datos y modelos … La IA empresarial no madurará realmente hasta que los equipos de operaciones y desarrollo puedan participar en prácticas como la entrega continua; hasta que los resultados sean repetibles (al menos en un sentido estadístico); y siempre que la ética, la seguridad, la privacidad y la seguridad no sean preocupaciones primarias ni secundarias.