¿Faltan datos para ML? Diseñe para el futuro

La falta de datos y los problemas de calidad han figurado durante años entre las principales preocupaciones de los directivos a la hora de adoptar IA y machine learning. Sin embargo, cuando se trata de diseñar un negocio de IA, los datos que tiene hoy no son lo único que importa. En muchos casos ni siquiera son lo decisivo. Lo realmente crítico es lo que yo llamo los datos futuros.

Hace un tiempo, Vasyl Rakivnenko, cofundador de la startup Alko Prevent, me pidió ayuda para definir la estrategia de IA de su empresa. Su producto ayudaba a compañías de transporte a comprobar la sobriedad de los conductores mediante visión por computador y machine learning. Vasyl tenía una visión muy clara: no quería simplemente añadir una funcionalidad con IA, sino construir una empresa cuyo núcleo competitivo dependiera de ella.

El equipo de ingeniería trabajó en la versión inicial del producto y en el sistema de aprendizaje automático. El modelo tenía que reconocer caras sobrias y ebrias prestando especial atención a la calidad; el sistema sólo era significativo para los clientes después de un cierto nivel de precisión.

Como suele suceder, el conjunto de datos fue la parte más desafiante del trabajo de I+D. El equipo sugirió utilizar un clasificador basado en una red neuronal profunda para clasificar todas las caras entre sobrias e intoxicadas. Esa solución requería un conjunto de datos grande y equilibrado en el que la fracción de rostros sobrios e intoxicados fuera aproximadamente igual. Como no había datos de entrenamiento listos para usar, el equipo planeó buscar en Google imágenes de rostros y luego etiquetarlas manualmente en clases sobrias e intoxicadas según los signos visibles.

Ahí es donde mi análisis se separaba del del equipo. Si el objetivo era construir una empresa de IA, el machine learning tenía que convertirse en el centro de la ventaja competitiva, no en un simple componente funcional del MVP.

A medida que Alko Prevent creciera, iba a recopilar cada vez más datos: selfies de conductores, la inmensa mayoría de ellos sobrios. Es decir, sus datos propietarios serían muy desequilibrados y, además, no estarían etiquetados. Un clasificador supervisado entrenado sobre imágenes etiquetadas podía servir para una primera demo, pero no aprovecharía de verdad el flujo de datos que el producto generaría en el futuro. Peor aún: cualquiera podía hacer algo parecido raspando imágenes públicas y entrenando un modelo razonable. Eso no creaba una defensa competitiva.

En otras palabras, el equipo estaba diseñando una funcionalidad con IA, no una ventaja competitiva basada en IA. Y las funcionalidades, por sí solas, no construyen empresas de IA.

Los buenos productos de IA mejoran con el uso y, al hacerlo, crean un efecto de red extremadamente difícil de atacar. Piense en Google: hoy construir un buscador es mucho más sencillo que en 1998, pero competir contra Google sigue siendo una tarea monumental. No por el código, sino por los datos. Historial de búsquedas, clics, Gmail, YouTube, Chrome, Android: esa acumulación de señal es lo que convierte la IA en una barrera de entrada.

Si Alko Prevent quería seguir ese patrón, debía diseñar un producto que mejorara con el tiempo y convirtiera los datos propietarios en una defensa real. Y esos datos futuros sí tenían una estructura útil: selfies tomadas por la misma persona, con la misma cámara, desde distancias parecidas y en contextos relativamente estables. Reformulado así, el problema cambiaba: en lugar de clasificar «sobrio» frente a «intoxicado», se trataba de detectar si hoy ese conductor se parecía o no a su patrón habitual.

Por eso propuse utilizar detección de anomalías en lugar de clasificación supervisada. La detección de anomalías encaja mucho mejor con datos no etiquetados y muy desequilibrados, y además no se limita a un único tipo de intoxicación. Con más datos, el producto mejora. Y cuando un producto mejora con datos que solo usted puede captar, empieza a parecerse a un negocio defendible.

La falta de datos al principio puede ser un problema, sí. Pero es un problema que puede resolverse si diseña el producto pensando en los datos futuros. Los recorridos de usuario deberían estar construidos de forma que cada interacción alimente el círculo virtuoso de la IA. Idealmente, el cliente no puede usar el producto sin dejar tras de sí datos valiosos para los modelos.

Un negocio de IA abarca el ciclo:

1. Cree un modelo simple de aprendizaje automático;
2. Convencer a algunos clientes para que comiencen a usarlo;
3. Obtenga sus datos;
4. Vuelva a entrenar el modelo de aprendizaje automático;
5. Convencer a algunos clientes más con un modelo mejorado;
6. Repetir.

Si se construye correctamente, la ventaja competitiva de la IA da como resultado que los competidores perciban su negocio en el siguiente marco:

1. Para competir con su empresa, necesito crear un producto mejor que el suyo.
2. Para crear un producto mejor que el suyo, necesito mejores modelos de aprendizaje automático que el suyo.
3. Para entrenar mejores modelos que el suyo, necesito obtener más datos de los que usted posee.
4. Para obtener más datos que usted, necesito conseguir más clientes que usted.
5. Para conseguir más clientes que usted, necesito tener un producto mejor que el suyo. Un círculo difícil de romper.

La estrategia de IA también tiene que encajar con la estrategia de producto y con la estrategia de negocio. En una empresa de IA, ninguna funciona de forma aislada. Identificar el punto exacto de impacto y alinear los esfuerzos interfuncionales alrededor de él es lo que marca la diferencia.

Una buena estrategia de IA debería ser simple de entender, fácil de comunicar y clara a la hora de ejecutarla y medirla. Si necesita una presentación interminable llena de jerga para explicarse, probablemente no tiene una estrategia: tiene solo ruido.

Si está intentando convertir la IA en una ventaja competitiva real para su empresa, este es exactamente el tipo de problema que merece diseñarse con cuidado desde el primer día.