Clase – Las

Clase – Cuando usar cada tecnología según su madurez

“Change is not a threat, it’s an opportunity. Survival is not the goal, transformative
success is.” – Seth Godin
 Esta vez vamos a ver el Hype Cycle de Gartner. Esta herramienta es útil para
saber qué tan madura es cada tecnología y para apoyar a las organizaciones
determinar cuáles tecnologías deben adoptar. El hype cycle se compone de estas
cinco partes leyendo la curva de izquierda a la derecha:
La primera parte es una curva que va hacia arriba o el innovation trigger. Aquí
están las tecnologías nuevas que tal vez escuchen en las noticias y que muchos
pueden pensar que van a ser la salvación del mundo. Típicamente en esta parte,
las tecnologías solo han sido adoptadas por el 1% de las empresas. Si quieren ser
muy agresivos para darle a su empresa una ventaja competitiva y están
dispuestos a tomar un riesgo con estas tecnologías, pueden adoptar alguna de
estas tecnologías, desde luego, con un caso de negocio (Fenn, Raskino & Burton,
2017).
La segunda parte es la cima de la curva o el pico de las expectativas infladas. Este
es el punto máximo de las expectativas. Las tecnologías en este pico tienen un
poco menos de riesgo pero están a punto de tener comentarios negativos.
La tercera parte es la bajada o la curva de la desilusión. En esta etapa ya
sabemos que estas tecnologías no van a salvar al mundo y también conocemos
que es lo que no hace. Aquí hay menos riesgo y pueden dar a la empresa algo de
ventaja. Es un buen término medio.
La cuarta etapa es la pendiente de la iluminación donde algunos que usan las
tecnologías ya obtienen algo de beneficio. Los productos se entienden mejor y hay
menos riesgo para su adopción.
La quinta etapa es la curva de productividad, aquí están las tecnologías maduras.
Las empresas que adopten estas tecnologías lo pueden hacer con la seguridad de
que el producto funciona, pero no son una ventaja competitiva. Cerca de la mitad
del mercado ya tienen esas tecnologías (Fenn, Raskino & Burton, 2017).
Les recomiendo que antes de decidir implementar una tecnología primero vean su
posición en el hype cycle. Es posible que tengan jefes, como algunos que yo he
tenido, que escuchan por sus amigos que ya hay robots inteligentes, y los
presionan a ustedes para que adopten esta tecnología para demostrar a todos que
la organización está muy adelantada – solo que el jefe no conoce el riesgo que
implica. Hay una buena probabilidad que la tecnología no funcione. Si funciona su
jefe se cuelga la medalla y si no funciona se pueden imaginar a quien le echan la
culpa.
Entre más a la izquierda esté una tecnología en el hype cycle, están siendo más
agresivos, pueden lograr mayor competitividad para su empresa, pero también
están arriesgando fracasar. Ustedes deciden donde posicionarse en cada caso, es
posible que no siempre se posicionen en el mismo lugar.

Clase – Introducción a la inteligencia artificial

“The world needs dreamers and the world needs doers. But above all what the
world needs most are dreamers that do.“ - Sarah Ban Breathnach
Mi primera introducción a la inteligencia artificial fue hace más años de los que voy
a admitir.  En ese entonces trabajaba para una empresa global y la casa matriz me
ofreció enviar dos expertos para implementar un sistema experto que apoyara la
nueva fábrica de papel para diagnosticar cualquier problema y minimizar el tiempo
perdido en la operación. En solo cinco días, los dos expertos explicaron lo que era
un sistema experto a personas de varios niveles en la organización, lo
implementaron y entrenaron al personal de la planta para usarlo. Los resultados
fueron muy exitosos. La planta tuvo varias caídas en los siguientes meses y los
operadores le decían al sistema el problema y el sistema les daba la solución. La
tasa de retorno del proyecto fue de tres dígitos.
Los sistemas expertos fueron revolucionarios en su tiempo porque almacenaban el
conocimiento de los expertos, pero estos sistemas no aprendían nada por sí solos.
La inteligencia artificial ha evolucionado desde entonces. El término “inteligencia
artificial” fue desarrollado por John McCarthy en 1956, también conocido como el
padre de la inteligencia artificial (Garwood, 2018).  La inteligencia artificial tuvo
popularidad en los 1950s y 1960 con la visión por computadora, pero al haber
pocos resultados, se relegó el tema. La inteligencia artificial pasó por un invierno
en los 1970´s, 1980s y 1990s principalmente por falta de poder de cómputo y de
datos (Garwood, 2018).
En los 1980s y 1990s se agregó machine learning a la inteligencia artificial,
aunque con resultados limitados. Fue hasta el 2010 cuando llegó deep learning o
redes neuronales profundos que la inteligencia artificial cobró auge. Para ese
entonces ya teníamos el poder de cómputo datos suficientes para alimentar y
procesar las inteligencias artificiales.
El término “inteligencia artificial” puede significar diferentes cosas para cada
persona por lo que es buena idea que todos los involucrados establezcan y
mantengan una definición compartida de inteligencia artificial. Gartner define: La
inteligencia artificial aplica análisis avanzado y técnicas basadas en lógica
incluyendo machine learning, ML, para interpretar eventos, apoyar y automatizar
decisiones y tomar acciones (Andrews & Herschel, 2019).  Una manera más
sencilla de definir la inteligencia artificial es la ciencia de entrenar sistemas para
emular el comportamiento humano a través del aprendizaje y automatización. El
Namaki (2020) define la inteligencia artificial como la rama de la ciencia de la
computación que trata con la simulación del comportamiento inteligente del
humano. La inteligencia artificial continúa aprendiendo después de estar en
operación (Andrews & Herschel, 2019).
De acuerdo con Garwood (2018), existen tres niveles de inteligencia artificial:

1. Inteligencia artificial estrecho o débil capaz de demostrar inteligencia

artificial para hacer tareas específicas. La inteligencia artificial actual
puede manejar volúmenes masivos de datos (El Namaki, 2020).
2. Inteligencia artificial fuerte, capaz de mostrar de ser consciente de sí
mismo con la habilidad de tomar decisiones al mismo nivel que un ser
humano (El Namaki, 2020). Les confieso todavía tengo problemas para
procesar mentalmente que una inteligencia artificial tenga conciencia de
sí mismo, aunque hay varios autores que convergen en este punto.
Todavía faltan varios años para llegar a este punto.
3. Inteligencia artificial superior mostrando niveles de inteligencia por arriba
de los humanos y en completo control de su existencia (es probable que
no lleguemos a ver este nivel en nuestras vidas, así que no se
preocupen).

 El principal tipo de inteligencia artificial que tenemos hoy es el primero, el

estrecho o débil que solo puede ejecutar tareas específicas. 
La inteligencia artificial es tan importante hoy porque cambia la manera en que las
computadoras nos apoyan. En vez de limitarse a lo que se programa, las
computadoras ahora pueden aprender por sí solas. Como no tienen que
descansar como nosotros, las computadoras pueden continuar aprendiendo las 24
horas del día. Con el nivel de conocimiento adquirido, las inteligencias artificiales
pueden ofrecernos nuevas perspectivas e ideas para el manejo del negocio y en
nuestra manera de vivir.
La inteligencia artificial es una disciplina de la computación. Esta disciplina
consiste en herramientas de software para resolver problemas, no necesariamente
para duplicar el cerebro humano. La inteligencia artificial incluye una serie de
técnicas matemáticas o basadas en lógica para descubrir, capturar, codificar el
conocimiento. Este diagrama muestra claramente los elementos de la inteligencia
artificial:

Clase – Cinco preguntas antes de empezar con el primer

proyecto de inteligencia artificial
“The internet helped many people become very wealthy. The next boat is here with
artificial intelligence and machine learning. Are you going to miss the boat?” –
Dave Waters
 De todas las tecnologías emergentes que vamos a ver en este curso, la que tiene
el mayor potencial es la inteligencia artificial.  Por esta razón le vamos a dedicar
dos semanas a este tema. En una encuesta reciente de Gartner, los CEOs de
empresas grandes identificaron a la inteligencia artificial como la tecnología que
esperan que tenga el mayor impacto en sus empresas en los próximos tres años
(Raskino, Furlonger, Iyengar & Lopez, 2020).
Si aún no les han pedido un proyecto de inteligencia artificial, es posible que esto
suceda pronto. Si les piden que hagan un proyecto en particular, les recomiendo
que cuestionen primero si ese es el proyecto correcto para su organización.
Muchas veces los directivos ven una solución implementada en otro lado y la
quieren tener en su empresa sin definir el valor de la solución para la empresa. En
estos casos, caemos en el riesgo de “tener una solución en busca de un
problema”, situación que no es recomendable porque el valor al negocio va a ser
bajo (Shen, Brethenoux, Ingelbrecht, & Ganly, 2019).
 Los proyectos de inteligencia artificial se enfrentan a varios retos organizacionales
y técnicos como la falta de habilidades, falta de calidad en los datos y encontrar
los casos correctos como se aprecia en esta gráfica:
 Antes de iniciar con el primer proyecto de inteligencia artificial, se recomienda
hacer estas cinco preguntas:
 ¿Se identificó claramente el problema de negocio? Las organizaciones empiezan
con proyectos de inteligencia artificial por presión competitiva y por temor de
quedarse atrás si no invierten en esta tecnología. No entender en dónde puede la
inteligencia artificial dar mayor beneficio es la razón principal de fracaso. La
inteligencia artificial es una excelente herramienta cuando hay grandes cantidades
y dimensiones de datos que se requieren para correlacionar los resultados o bien,
ejecutar tareas de tipo humano como entender el idioma natural y la visión
computarizada (Shen, Brethenoux, Ingelbrecht, & Ganly, 2019).
1. ¿Se definió el éxito desde un punto de vista práctico de negocio? No es
fácil definir el resultado de un proyecto de inteligencia artificial porque
estos proyectos tienen menos certidumbre que los proyectos
tradicionales de TI. Típicamente los proyectos de inteligencia artificial
resultan en mayor agilidad, mejor experiencia del cliente y reducción de

costos, además de estas otras métricas:   

2. ¿Se incluyeron los expertos del negocio, TI y analítica en el
proyecto? Muchos proyectos fracasan por no tener el equipo adecuado.
3. ¿Se investigaron todas las opciones de abastecimiento (comprar,
tercerizar o desarrollar) y se aseguró el mantenimiento? Primero se
debe considerar comprar la inteligencia artificial. Si no es posible
entonces consideren tercerizar la solución. Si ninguna de estas dos
opciones es factible, desarrollen en casa. Muchas organizaciones
empiezan con la opción de desarrollar en casa y esto es un error
común. Solamente se debe considerar desarrollar en casa cuando el
proyecto va a resultar en una ventaja competitiva clara.
4. ¿Se operacionalizó la solución para obtener las mayores ventajas de la
tecnología? Es fundamental tener disciplina y capacidad para garantizar
que los modelos de inteligencia artificial se puedan rastrear, monitorear
y asegurar. La analítica se debe implementar dentro de los procesos
analíticos (Shen, Brethenoux, Ingelbrecht, & Ganly, 2019).

Los ejecutivos los van a presionar por tener un proyecto de inteligencia artificial
pero no todos los proyectos de inteligencia artificial valen la pena hacerse.
Asegúrese de hacer estas cinco preguntas antes de comprometer tiempo y
recursos en este proyecto.
Clase – ¿Comprar, tercerizar o desarrollar la inteligencia
artificial?
“You don’t get any medal for trying something, you get medals for results.” – Bill
Parcells
 Primero contesto la pregunta del título. Para proyectos de inteligencia artificial se
recomienda investigar las opciones de “comprar” como primer paso, “outsource
(tercerizar)” como segundo paso y “desarrollar” como ultima opción, en ese orden. 
(Shen, Brethenoux, Ingelbrecht, & Ganly, 2019). Se recomienda desarrollar en
casa solo si el proyecto de inteligencia artificial va a dar una clara e indiscutible
ventaja competitiva. Una razón común de fracaso de proyectos que usan
inteligencia artificial es que se desarrollan en casa (Shen, Brethenoux, Ingelbrecht,
& Ganly, 2019).
Una vez que se tenga claro el problema de negocio que va a resolver la
inteligencia artificial y las personas que van a trabajar en el proyecto, el siguiente
paso usualmente es tratar de desarrollar la aplicación en casa. NO hagan esto o
pueden correr el riesgo de desperdiciar sus recursos y obtener soluciones no
adecuada. Cuando estén listos para iniciar su proyecto de inteligencia artificial, su
paso inmediato debe ser evaluar cómo se debe desarrollar, existen tres opciones
como se muestran en la gráfica (Shen, Brethenoux, Ingelbrecht, & Ganly, 2019).
Las tres opciones para obtener soluciones de inteligencia artificial son:

1. Comprar. Muchos proveedores de software como Salesforce, Oracle y

SAP tienen inteligencia artificial integrado en sus soluciones. Las
organizaciones deben explorar las capacidades que están “integradas”
primero porque su funcionalidad puede aportar valor con un mínimo de
esfuerzo. Ya hay la posibilidad de rentar, artificial intelligence as a
service.
2. Tercerizar. Las habilidades de inteligencia artificial son escasas y
pueden ser costosas. Tercerizar los proyectos de inteligencia artificial
puede ser valiosa para las organizaciones que quiere probar el valor de
la inteligencia artificial sin invertir grandes cantidades de dinero.
3. Desarrollar en casa. Si se tienen las habilidades para desarrollar la
inteligencia artificial en casa y se tiene la certeza de que las técnicas de
inteligencia artificial pueden ser un diferenciador para la organización,
se puede invertir en desarrollar las plataformas de inteligencia artificial
dentro de la empresa (Shen, Brethenoux, Ingelbrecht, & Ganly, 2019).
Clase – Los secretos de los chatbots
“Artificial intelligence is the new electricity.” – Andrew Ng
Los chatbots están por todos lados. En muchos sitios web nos aparece una
ventana con un chatbot ofreciéndonos ayuda, algunos limitados y otros más
efectivos. De los chatbots que conozco, uno de los más avanzados es capaz de
detectar el sentimiento de enojo analizando las palabras del cliente y tomando la
decisión de transferir la llamada a un humano para que trate con la situación más
delicadamente. El chatbot es un software que frecuentemente usa inteligencia
artificial que simulan tener una conversación con personas y dan respuestas
automáticas que previamente fueron definidas por expertos o que aprendió con
machine learning o deep learning. En contraste, el asistente virtual es un software
que nos ayudan con las actividades diarias como hacer llamadas, recordarnos
reuniones, darnos información etc. Algunos ejemplos de asistentes virtuales son
Alexa, Siri, y Google Assistant.
Los chatbots básicos son fáciles de desarrollar. Un desarrollador puede tener un
chatbot funcionando en unas cuantas horas. Una vez que se tiene el chatbot,
viene la mayor parte del trabajo, entrenarlo para que pueda cumplir con lo que los
clientes quieren. Las pruebas de concepto de chatbots son simples de desarrollar,
pero crecer el chatbot a producción es más complejo (Revang & Mullen, 20219).
No importa si el chatbot se va a usar para dar servicio al cliente, mesa de ayuda
de TI, recursos humanos o alguna otra aplicación, los desarrolladores siempre
llegan a la misma conclusión, “es mucho más trabajo que lo que pensé al inicio”
(Revang & Mullen, 2019). En esta clase vamos a ver que debemos cuidar para
desarrollar el chatbot y ponerlo en producción, es decir, conoceremos más sobre
los secretos de los chatbots. Voy a dividir esta clase en tres partes:

1. Antes de empezar con el proyecto del chatbot

2. Diseñando el proyecto del chatbot
3. Poniendo el chatbot en producción

ANTES DE EMPEZAR CON EL PROYECTO DEL CHATBOT

Los chatbots ofrecen a los clientes un servicio personalizado las 24 horas y se
consideran embajadores de la marca (Revang, 2019). Antes de empezar con el
desarrollo del chatbot, es útil considerar estos tres puntos:

1. La importancia del idioma. El español que hablamos en México y en

Chile no es el mismo. En cada región de cada país hay maneras
diferentes de referirnos a situaciones o cosas, la pronunciación y el
acento también son diferentes. Las plataformas conversacionales
globales nos pueden ofrecer mayor apoyo con las variaciones del
idioma.
2. El nivel de sofisticación. ¿Quieren construir un bot que conteste
preguntas limitadas o quieren desarrollar humanos virtuales? Hay una
gama entre un bot rudimentario y un asistente virtual como se puede
apreciar en esta gráfica, cada uno es diferente:

3. Selección de un proveedor. Primero hay que definir el problema que

queremos resolver y si solo se necesita un chatbot o un asistente virtual.
Si hay muchos casos que resolver, es probable que se requiera una
plataforma horizontal flexible. Si solo se tienen una necesidad puntual,
hay un proveedor que lo cubra y es una aplicación que urge, se
recomienda adquirir un producto especializado (Revang, 2020).

 DISEÑANDO EL PROYECTO DEL CHATBOT

 Una vez que tengan el proyecto del chatbot definido, necesitamos cuidar estas
consideraciones para lograr el éxito:
 1. Considerar que un chatbot es solamente otro canal puede llevar al
fracaso (Revang, 2019). Un chatbot es una pieza crítica en la
experiencia del cliente y es un embajador de la marca.
2. Para crear una gran experiencia conversacional con chatbots, es
necesario crear una personalidad de marca para el chatbot para guiar
sus respuestas (Revang, 2019). Establezcan un estilo de redacción y
tono de voz del chabot. Para darle la personalidad al chatbot, sigue
estos pasos:
1. Identifica la personalidad que tu empresa favorezca y úsala
como punto de inicio.
2. Desarrolla la personalidad de la marca, selecciona las
palabras preferidas y los patrones de voz.
3. Entrena a los escritores en la personalidad de la marca.
4. Establece criterios cualitativos para evaluar el diálogo
(Revang, 2019).
3. Todas las experiencias conversacionales tienen cuatro partes:
1. Decide que va a contestar el chatbot.
2. Obtén datos de entrenamiento que reconozcan las
intenciones.
3. Diseña la experiencia conversacional para responder a las
intenciones reconocidas.
4. Integra estos pasos con sistemas.

El chatbot debe continuar aprendiendo. Es posible que un chatbot se equivoque

sobre las intenciones del usuario. Incluyan mecanismos para aclarar y confirmar
pasos con lenguaje claro y preciso que el usuario pueda entender fácilmente.
PONIENDO EL CHATBOT EN PRODUCCIÓN
El chatbot puede haber pasado la prueba de concepto, pero cuando las empresas
intentan poner al chatbot en producción, se enfrentan a la realidad de variaciones
en el lenguaje, variedad de intenciones de parte de los clientes, falta de
conocimiento y chatbots capaces de procesar información, pero no transacciones
específicas (Revang & Mullen, 2019). Las pruebas de conceptos y los sistemas de
producción comparten estos cuatro flujos de trabajo:
 Dentro de cada flujo de trabajo, hay tareas que se deben hacer para la prueba de
conceto y para el sistema en producción. Estas gráficas muestran las diferencias
entre la prueba de concepto y producción.
 Para escalar un chatbot de prueba de concepto a producción Revang y Mullen
(2019) recomiendan cuidar: 

1. Invertir tiempo, esfuerzo y presupuesto en un modelo robusto de

lenguaje. Busquen un proveedor global que cubra las variaciones por
país y regiones.
2. Utilicen todas las fuentes de datos posibles para identificar las
intenciones posibles.
 3. Auditen el contenido de los scripts y el conocimiento que usa el chatbot.
Al hacer las auditorías apropiadas, es posible determinar el alcance del
trabajo que usualmente es más amplio de lo que se esperaba.
4. Auditen las aplicaciones involucradas en las transacciones que ejecuta
el robot.

Clase – Adoptando una inteligencia artificial

“Life has no remote. Get up and change it yourself.”
Los empleados temen que la inteligencia artificial reemplace sus empleos y este
temor para va a ser un obstáculo para su implementación (Babic, Chen, Evgeniou
& Fayard, 2020). Los líderes usualmente no aclaran a los empleados que la
inteligencia artificial les va a ayudar a aumentar su productividad en vez de
reemplazarlos (Babic, Chen, Evgeniou & Fayard, 2020). Para facilitar la adopción
de la inteligencia artificial en las empresas Babic, Chen, Evgeniou y Fayard (2020)
recomiendan estas cuatro fases, aunque la cuarta se reserva para el futuro:

1. El asistente. La primera fase es similar a capacitar un asistente. Se le

enseñan algunas reglas fundamentales de alguna tarea básica y esto
permite al empleado enfocarse en aspectos más importantes de su
trabajo. Una tarea común de los asistentes de inteligencia artificial es
filtrar datos, como por ejemplo cuando Amazon busca entre miles de
productos para encontrar aquellos productos que nos van a interesar
más.
2. El monitor. La siguiente fase es entrenar al sistema de inteligencia
artificial para que dé retroalimentación en tiempo real. Por ejemplo, si un
usuario va a tomar una decisión inconsistente con otras decisiones
previas (puede ser que el usuario esté distraído o cansado), el sistema
enviará una alerta.
3. El entrenador. En vez de que un empleado espere el momento de tener
una revisión de desempeño con su jefe para saber que hizo bien y que
hizo mal, la inteligencia artificial le puede dar retroalimentación en el
momento. Por ejemplo, los gerentes de portafolios de MBAM reciben
retroalimentación de su sistema de analítica sobre las decisiones de
inversión de cada empleado.
4. El compañero de equipo. En la última fase de implementación de la
inteligencia artificial va a haber (todavía no lo ha adoptado ninguna
empresa), redes de humanos y máquinas en las que cada uno
contribuye conocimiento.