Incidentes Asociados
Los problemas de la fábrica de Tesla revelan por qué no debe automatizar todo
Carlos E. Perez Bloqueado Desbloquear Seguir Siguiendo Mar 29, 2018
Foto de Ines Álvarez Fdez en Unsplash
Hay nuevos informes de que la estrategia de inteligencia artificial de Tesla para automatizar todo su proceso de fabricación no está logrando la productividad que esperaban. Business Insider informa que "los analistas de Wall Street han establecido un argumento convincente de que la culpa es de la automatización excesiva". El informe detalla los argumentos de por qué no es necesario automatizar todo:
Pero si bien todo ese capital exótico podría permitirle a Tesla despedir a 5 trabajadores, entonces necesitará contratar a un ingeniero calificado para administrar, programar y mantener robots por $ 100 por hora.
Se debe mantener un equilibrio entre la manejabilidad de la tecnología de IA avanzada y las tareas que puede realizar un empleado razonablemente capacitado. Siempre habrá tareas en el proceso donde los costos de automatización no valgan la pena. La mayoría de los costos en IA son iniciales, este costo inicial puede salirse de control si el problema va más allá de lo que la IA actual es capaz de hacer. Este es el problema con muchos esfuerzos de IA, muchos se sienten atraídos por la ciencia ficción pensando que la IA ya existe en la actualidad. Nunca se debe convertir una tarea para mejorar la productividad en una tarea para hacer investigación académica. Comprender lo que la IA puede y no puede hacer bien es de vital importancia para controlar los costos y evitar fallas. Hazte un favor y contrata a un experto en Deep Learning durante una hora para que te diga qué no hacer.
Los japoneses que históricamente tienen una experiencia mucho más avanzada trabajando con la automatización conocen mejor el problema. El enfoque japonés es primero hacer bien el proceso y luego incorporar los robots. De hecho, este enfoque se traduce bien no solo en la automatización de la fabricación sino también en el trabajo basado en el conocimiento.
Es importante recordar que la metodología ajustada de hoy en día que encontramos en el desarrollo de software se remonta a los métodos de fabricación ajustada de los japoneses. El valor central de Lean es simple: maximizar el valor para el cliente y minimizar el desperdicio. Estas ideas funcionan tanto en la fabricación como en las industrias impulsadas por el conocimiento.
En el libro "The Deep Learning AI Playbook", presenté Deep Learning Canvas y el marco en su núcleo es el enfoque Jobs To Be Done (JTBD) aplicado a la 'Carga cognitiva'. Lo que intentamos hacer es mapear el proceso comercial existente e identificar específicamente el JTBD de un cliente (es decir, podría ser un empleado). JTBD identifica muchas tareas que realiza un cliente para hacer su trabajo e identificamos la carga cognitiva (restricción/impedimento) que se puede aumentar con la tecnología de IA. Las cargas cognitivas incluyen falta de memoria, sobrecarga de información, falta de significado y actuar rápido. Cada tipo se complementa con diferentes tipos de tecnología impulsada por Deep Learning (DL). Específicamente búsqueda, resumen, traducción y visualización. Sin embargo, debemos ser pragmáticos. No podemos esperar que DL haga todo.
Lienzo de aprendizaje profundo
Más bien, a medida que la tecnología DL mejora gradualmente con el tiempo, cada JTBD que ha sido aumentado por AI continúa mejorando. En efecto, esto reduce la carga cognitiva del usuario para cada tarea y, como consecuencia, permite que el usuario sea más productivo en su trabajo. La productividad puede traducirse en un mayor rendimiento, pero idealmente en una mejor experiencia del cliente (consulte: DL para CX y XLA). El objetivo de mayor nivel siempre debe ser CX, después de todo, eso es lo que motiva a los clientes a invertir en una relación.
El valor de la IA es que incorpora tecnología que puede identificar el contexto de un usuario y luego entregar los bienes o servicios apropiados en el momento adecuado. Así es como se crea valor. Así es como se vinculan la IA y los procesos. En Lean Thinking, esta es la evaluación del flujo de valor para ver si cada paso es "valioso, capaz, disponible, adecuado y flexible". La forma correcta de emplear la automatización de IA en un negocio es comenzar con una estrategia que incorpore una comprensión del propósito, el proceso y, lo que es más importante, las personas.