Innovación: ¿Pueden los Algoritmos Innovar?

(Material de Lectura "Curso Avanzado de Innovación: Innovación en la Era Digital", Hugo Céspedes A.)

Este es un tema que quería tocar hace ya bastante tiempo, para lo cual, abordaré tres tópicos como lo son: Datos y Algoritmos, Innovación e Inteligencia Artificial.

Inteligencia Artificial "generando obras de arte (cuadros) creativas"; "ayudando a usuarios a través de gadget tecnológicos, en el rol de asistentes virtuales, tales como Google Home o Amazon Echo en hogares del mundo"; "en smartphones de manera continua, por ejemplo al seleccionar asistencia virtual vía petición de voz, o al seleccionar modo de retrato en la cámara de foto del mismo smartphone, entre muchas otras acciones"; "al analizar datos de forma continua en las empresas para conocer nuestros hábitos, a través de la utilización de Big Data e Inteligencia Artificial"; "en el ámbito de las aplicaciones médicas, donde máquinas trabajando con inteligencia artificial ayudan a médicos donde el ojo clínico del médico no consigue hacerlo, y de esa forma podemos gozar de desfibriladores, máquinas quirúrgicas, máquinas de diagnósticos donde la IA ayuda a ofrecer mejores resultados"; "en el sector de la logística, donde la IA sirve para optimizar rutas, con mejores alternativas para los desplazamientos (basado en comparaciones de datos geográficos, del entorno en tiempo real"; entre muchos otros.

Los Datos.

Tal como sostiene Diego May, hoy en día existe una "nueva moneda" que está ayudando a las Organizaciones Exponenciales (ExO, por sus siglas en inglés) más grandes del mundo a crecer de forma desproporcionada. Esta moneda es utilizada por las principales compañías tecnológicas del mundo, no solo para alcanzar el éxito, sino para construir dinastías duraderas y volverse legendarias. Facebook, Google y Netflix son solo algunas de las muchas compañías que aprovechan esta "moneda" (que no se refiere a las criptomonedas).

Esta nueva moneda son "los Datos" (lo cual se asemeja hoy en día a la antigua observación utilizada para diseñar e Innovar). Hoy, los datos se han convertido en el nuevo petróleo. Es el recurso más valioso del mundo. Y si bien las tecnologías, como los teléfonos inteligentes e internet han hecho que los datos sean abundantes y ubicuos, aquellos que tengan éxito serán los que sepan aprovechar los datos a los que tienen acceso.

Los datos presentan una oportunidad invaluable para que las organizaciones innoven, pero solo si saben qué hacer con ellos. La profesora de Operaciones, Información y Decisiones de Wharton, Lynn Wu, analiza cómo las diferentes estructuras organizativas influyen en el uso del análisis de datos para impulsar la Innovación. Su artículo, "Data Analytics Support Decentralized Innovation", tocan este tema.

Aquí es donde los "Algoritmos", uno de los 11 atributos de las ExOs, entran a escena para ayudar a las organizaciones a dar sentido a grandes cantidades de datos y aplicarlos para escalar operaciones y ganancias (y claramente, innovando para mejorar la calidad de vida de los clientes y usuarios). La mejor parte es que,"no debes tener una empresa técnica para aprovechar los Algoritmos, ya que está al alcance de cualquier ejecutivo o empresario". Es aquí donde surge nuestro tema: ¿Pueden los Algoritmos Innovar?

La Innovación hoy en Día.

En un post anterior, ya había tocado el tema de "la Innovación Pre Pandemia". Primero, comenzaré por el concepto de Innovación (sobre el cual me basaré), aunque no profundizaré en el tema (Si desean saber más les dejo algo aquí material: "Innovación"; "Innovación Social: ¿Surge Solo del Emprendimiento Social?"; "Innovación Abierta"; "Etnografía e Innovación"; "Creatividad e Innovación: Cómo Romper Paradigmas"; "Cómo Ser Más Creativo y No Desviarse del Camino Hacia la Innovación"; "Cómo Medir la Innovación y Por qué Medirla: Primera Parte"; "Cómo Medir la Innovación y Por qué Medirla Segunda Parte: Los 7 Pecados Capitales"; "Curva de Efectivo de la Innovación"; ..)

Solo diré que la definición que utilizaré para referirme a la Innovación en este post dice relación con el hecho de que "la Innovación se refiere a la capacidad de Crear Valor para las personas -clientes, usuarios, ciudadanos, beneficiarios,..-, para las organizaciones -con y sin fines de lucro-, para la sociedad en general, considerando la minimización de externalidades negativas a partir de nuestro diseño innovador, considerando un impacto positivo a nivel individual y social, mejorando la calidad de vida de las personas y de la sociedad de manera sustancial, así como también al medio ambiente". No incluyo el concepto de generación de beneficios monetarios, ya que siempre contra pregunto a clientes, alumnos, mentoreados: ¿Y si el día de mañana la economía del dinero colapsa porque los usuarios deciden de un día para otro no utilizar más dinero, "desaparece la innovación" porque ya no existe su definición en términos monetarios?. Tampoco me gusta definirla en términos de Innovación Incremental, o Innovación Disruptiva, o Creación de Nuevas Soluciones, ... solamente, ya que dejan fuera todo un espectro de Innovación que se sucede. Por eso me gusta definirla desde el punto de vista de su impacto desde el nivel de usuario, entorno, sociedad, medioambiente.

Analítica e Innovación.

Lynn Wu habla de la manera más general sobre las formas en que el Análisis de Datos puede ayudar a impulsar la Innovación. "Hay tantos buenos ejemplos. Hay muchas tecnologías de análisis, especialmente impulsadas por los avances recientes en el Aprendizaje Automático y la gran cantidad de Datos Digitalizados".

Ya ha sucedido que "una máquina impulsada por análisis pudo ganar al mejor jugador humano del mundo en el juego Go". También tenemos autos sin conductor que dependen de la gran cantidad de imágenes digitalizados que mejoran drásticamente los sistemas de reconocimiento de visión. Hemos visto a Watson de IBM seleccionar montones de literaturas de investigación en registros digitales, y encontrar seis nuevos supresores del cáncer en dos meses. Los investigadores habrían tardado años en encontrarlo. Incluso en los ámbitos del arte y la música, por primera vez, el análisis de Inteligencia Artificial está creando arte que la gente está dispuesta a escuchar, sostiene Wu. Por lo tanto, vemos muchos Análisis basados en Datos que crean muchas innovaciones realmente geniales a nuestro alrededor.

En términos de cómo las empresas pueden utilizar el análisis de datos puede impulsar la Innovación ¿Cuál era la pregunta o problema central que intentaba abordar con esta investigación?

Si se observa las estadísticas de innovación, los economistas han documentado que hemos estado gastando más y más dinero per cápita en investigación, pero en realidad estamos experimentando una disminución en la tasa de innovación que estamos generando. "Estamos gastando más dinero, pero estamos recibiendo mucho menos dinero a cambio", sostiene Wu. Eso parece una paradoja. Hemos visto montones de innovaciones geniales basadas en datos, pero no vemos estadísticas de innovación.

"La Analítica es realmente excelente para encontrar estos vínculos o patrones ocultos que no podemos observar fácilmente al extraer una tonelada de datos".

Eso te hace pensar en una famosa cita del premio Nobel, Bob Solow de hace tres décadas: Dijo que "vemos computadoras en todas partes, pero no en las estadísticas de productividad". Si reemplazas computadoras con análisis y reemplazas productividad con innovación, tenemos la misma paradoja. Lo que estoy tratando de hacer en mi investigación, sostiene Wu, es ver si podemos usar el mismo conjunto de marcos para explicar la paradoja de la innovación analítica que estamos observando hoy.

En el artículo de Wu, se observa que "hay muchos factores en una organización que podrían afectar la Innovación", pero se enfoca específicamente en dos formas en que las empresas manejan la Innovación: Descentralizada y Centralizada ¿Cuál es la diferencia? Si bien hay toneladas de factores que podrían mediar en la relación, deliberadamente Wu eligió la Innovación Descentralizada y Centralizada, porque se ha trabajado mucho en las preguntas ¿Cuál es la ventaja de la descentralización y cuál es la ventaja de la centralización? Lo que ella y sus colegas define como "Estructuras de Innovación Descentralizadas" se basa en sus redes de colaboración. Pueden pensar en inventores que crean la misma patente y trabajan juntos, por lo que "existe un vínculo entre ellos". Cuando describen una red de Innovación Descentralizada, en realidad se trata de cuán concentrados están los innovadores (cuando colaboran). Puede ver un gran grupo con muchos inventores trabajando juntos, o puede ver una "Estructura muy Descentralizada o Dispersa", lo opuesto a una Concentrada, donde hay muchos pequeños grupos de individuos y están conectados entre sí de forma flexible.

La razón por la que Wu elegió esas dos estructuras, es que "ninguna es absolutamente mejor que la otra". Hemos visto en muchas industrias que las empresas muy innovadoras tienen ambos tipos de estructura. Si miras a Apple, es en gran medida un clúster centralizado y concentrado con un pequeño grupo de personas responsables de la gran mayoría de la innovación. Pero si miras a Google, ves un pequeño grupo de clústeres y están débilmente conectados. También son muy productivos en términos de innovación. Eso también se ve en la industria farmacéutica: Ves a Sanofi y ves a Roche.

Sanofi tiene "una estructura mucho más descentralizada o dispersa", y Roche tiene "una estructura más concentrada". Mi pregunta era ¿Estas estructuras juegan un papel en la forma en que usan el Análisis para Innovar?

Wu dice que "una estructura no es mejor que la otra", pero ¿Qué encontró en su investigación Wu, en términos de cómo estas estructuras impactan en la Innovación? Eso es entrar en la clave de lo que la "Analítica puede hacer por la Innovación". Lo que encontró es que, el "análisis" realmente puede impulsar la creación de recombinaciones, o combinar un conjunto diverso de tecnologías existentes de una manera nueva. Cada tecnología individual ya existe, pero ¿Cómo las recombinamos de alguna manera para crear una nueva innovación? ¿O reutilizar algo que sabemos que resolvió un problema, pero aplicarlo a un dominio diferente? La Analítica es realmente excelente para encontrar estos vínculos o patrones ocultos que no podemos observar fácilmente al extraer una tonelada de datos. Esa es realmente la clave para impulsar la Innovación Descentralizada por varias razones.

"La Analítica realmente puede impulsar la creación de recombinaciones, o combinar un conjunto diverso de tecnologías existentes de una manera nueva".

La Ventaja de la Descentralización es que, hay pequeños grupos que trabajan en un problema, por lo que realmente saben cuál es el problema en ese dominio. Ven qué pueden hacer exactamente para resolver ese problema más de cerca que una estructura centralizada, que es más grande pero mucho más coordinada. Una Estructura Descentralizada carece de coordinación. Saben muy bien lo que hacen, pero no saben lo que hacen los demás. Las Estructuras Centralizadas saben lo que todos están haciendo, pero no conocen los detalles de cada problema individual en el dominio, a menos que tengan la capacidad de analizar montones y montones de datos para encontrar patrones ocultos. Esa es exactamente la Desventaja que tienen las Estructuras Descentralizadas. En este sentido, la descentralización no encuentra fácilmente el trabajo de otras personas. La "Analítica" encuentra una manera de seleccionar eso y encontrarle una nueva combinación, una nueva forma de resolver su problema que quizá no haya encontrado fácilmente sin análisis. Esa capacidad, por supuesto, también puede ayudar a una Estructura Centralizada. Una Estructura Centralizada ya tiene incorporado ese mecanismo de búsqueda y coordinación; simplemente no tiene un beneficio marginal mucho más alto que el que tendría una Estructura Descentralizada.

A medida que el Análisis de Datos se vuelve más omnipresente ¿Valdrá la pena para las organizaciones avanzar hacia una Estructura de Innovación más Descentralizada?

Esa es una gran pregunta. Wu cree que eso depende de cuáles sean sus "objetivos de Innovación". Si tenía una Estructura Descentralizada y realmente desea hacer una Innovación que combine las tecnologías existentes de una manera nueva, o reutilice las tecnologías aplicadas a un dominio diferente para resolver un problema diferente, el Análisis es excelente para ayudar porque obtiene ambas ventajas. Profundizas en el dominio del problema y obtienes diversos conocimientos del exterior.

Sin embargo, la Centralización es excelente para mirar imágenes más grandes y crear tecnologías novedosas que podrían actuar como un bloque de construcción para futuras recombinaciones. Son tecnologías fundamentales. Eso es difícil de crear con Big Data. Las Estructuras Centralizadas no necesariamente necesitan tener grandes datos para crear ese tipo de tecnología.

¿Cómo Apple? Exactamente. Gran parte es creatividad o intuición humana, que es un poco difícil de digitalizar. Si estuviera en ese tipo de trabajo de Innovación, entonces tener Análisis o tener una Infraestructura Descentralizada no necesariamente lo ayudaría. Depende de cuáles sean tus objetivos. Debido a que "el análisis está facilitando mucho la recombinación de nuevas tecnologías de nueva manera", eso aumenta el valor de la nueva tecnología fundamental. Una vez que lo creo, se puede explorar rápidamente para hacer nuevas combinaciones. Hay una compensación entre los dos.

¿Hay algún contexto en el que descubrió que se descubrió que el Análisis de Datos podría impedir la Innovación?

Wu sostiene que "no tenía ninguna evidencia concluyente de que la impida, pero definitivamente encontró que el Análisis no ayuda a construir o crear una innovación de novo que sea fundamental y pueda actuar como un bloque de construcción futuro para futuras combinaciones. Eso es algo en lo que los analistas no son buenos. Si lo piensas, si algo es tan nuevo, probablemente aún no existía en los datos. Por lo tanto, no hay mucho que pueda hacer con el análisis de datos para ayudarlo a encontrar ese patrón.

Por supuesto, las recombinaciones pueden ser "Innovaciones Radicales"; pueden tener muchos impactos profundos. "Muchas innovaciones son re-combinacionales". En este sentido, creo que la Analítica realmente está avanzando en lo que podríamos hacer para acelerar el Proceso de Innovación.

¿Qué sigue para la investigación sobre Innovación de Wu?

Wu dice que estamos en la cúspide de un gran cambio en la tecnología, especialmente con el auge de la Inteligencia Artificial (IA) y el Aprendizaje Automático que está cambiando drásticamente el empleo y la forma en que se organiza el trabajo. Wu está buscando análisis, incluida la Inteligencia Artificial y el subcampo de Aprendizaje Automático Profundo, para examinar cómo podemos usarlo de manera más efectiva para Innovar. Ese es un problema emergente. Podemos usar las lecciones aprendidas, finaliza Wu.

Innovación Basada en Datos.

Hoy en día, lo que tratan de hacer las organizaciones es "buscar formas de generar Innovación Basada en Datos". La Innovación Basada en Datos (IBD) es cada vez más visible en distintos puntos. Esto lo podemos ver en los Gobiernos que han estado abriendo datos y generando Innovación con base en la tendencia de datos abiertos. También los vemos con los titanes tecnológicos como Google y Facebook, que cuentan con equipos dedicados para aprovechar los datos para mejorar sus productos y diferenciarse de otros en la industria. Las empresas más jóvenes también se están organizando alrededor de la "Ciencia de Datos" para mejorar las experiencias de sus usuarios e impactar el negocio. En el proceso, las empresas crean nuevas herramientas que abren a la comunidad para potenciar la Innovación.

Otra innovación al respecto dice relación con el hecho de la Innovación Basada en Datos refiere a un proyecto innovador nacido de tendencias o correlaciones en datos. Este proyecto podría ser un nuevo sistema, proceso o producto que aún no se ha inventado, pero que continuará para satisfacer una necesidad o un problema medible.

Hay miles de productos innovadores que usan big data para funcionar, con muchos más procesos y sistemas optimizados a través de big data. Sin embargo, existe una distinción sutil, pero importante entre las plataformas que usan datos y las plataformas que nacen de las observaciones dentro de un conjunto de datos. Ejemplos:

1) House of Card de Netflix: Fue uno de los programas estrella de Netflix. En 2013, el 86% de sus suscriptores afirmaron que era menos probable que cancelaran su suscripción solo por este programa. Sin embargo, el hecho realmente fascinante es que, Netflix sabía que el programa sería un éxito antes de que saliera al aire. Al analizar cuidadosamente sus conjuntos de datos, Netflix notó que había una correlación entre fanáticos del programa de televisión británico "House of Cards" original y los fanáticos de Kevin Sapacey y el director David Fincher. Netflix reunió estos tres elementos en un programa y, listo, un clásico de culto instantáneo.

2) Pañales y Cervesa en Walmart: La cerveza y los pañales para bebé no son dos cosas que normalmente asociarías entre sí. Sin embargo, estos dos productos se volvieron infames en los círculos de ciencia de datos, debido a su relación única. En 1992, Karen Heath, analista de Teradata, descubrió que era muy probable que los hombres que visitaban Walmart compraran cerveza cada vez que pasaban a comprar pañales para bebés. Al colocar los dos artículos uno cerca del otro en el punto de venta, pudo aumentar las ventas de ambos artículos por un margen significativo.

3) Intuit: Es el equipo detrás de Quicken, una herramienta líder de gestión de finanzas personales. A finales de los noventa, los analistas de Quicken querían saber más sobre cómo los clientes usaban su plataforma. Durante un análisis de datos geográficos, el equipo encontró, para su sorpresa, que más del 50% de los usuarios usaban la plataforma en su lugar de trabajo. Inicialmente, creyendo que los clientes dedicaban tiempo de la empresa a sus finanzas personales, programaron algunas entrevistas con los usuarios. Resultó que la plataforma Quicken era tan útil, que muchos usuarios ampliaron la funcionalidad de la plataforma para ejecutar sus sistemas de contabilidad empresarial. Al detectar una oportunidad, el equipo entregó los datos al equipo de desarrollo de productos y nació Quickbooks.

Netflix y Quicken son ejemplos de Innovación Basada en Datos. La razón es que estos dos casos son ejemplos de nuevas plataformas, productos o sistemas que se crearon debido a las correlaciones de datos observables. La historia de los pañales y la cerveza, es un ejemplo perfecto de optimización basada en datos de un sistema existente, pero no hay una verdadera innovación allí.

Estos ejemplos ilustran una interesante dicotomía entre Innovación y Optimización. Si bien esto último es sin duda esencial para tu negocio, no contiene el mismo potencial para un cambio organizacional dramático que tiene la verdadera innovación. Si la Innovación es lo que buscas, es prudente planificar algunos cambios bastante dramáticos dentro del panorama y la Cultura de tu negocio.

Existen dos maneras para Innovar con Base de Datos: a) Ciencia de Datos (hacie adentro); b) Datos Abiertos (hacia afuera). La "Innovación hacia adentro" de la organización se refiere a que esté alineada con analítica, big data y ciencia de datos. La "Innovación hacia afuera" de la organización, se refiere a estar alineada con el movimiento de datos abiertos e innovación abierta.

En el mundo ideal, las organizaciones juntan aspectos de Innovación hacia adentro (Ciencia de Datos) e Innovación hacia afuera (Datos Abiertos e Innovación Abierta) de manera de generar más eficientemente nuevos productos y servicios de forma Colaborativa. Netflix, por ejemplo, más allá de contar con equipos especializados para generar innovación con base de datos, también hizo el desafío en cual abrió datos para permitir que la comunidad de científicos de datos mejorara los resultados de su algoritmo de recomendación. De la misma manera, empresas como Expedia generan hackathones en los cuales los desarrolladores pueden ser parte de la generación de productos innovadores en Colaboración con las empresas.

Los datos cada vez cobran más importancia para las organizaciones, ya que la posibilidad de generar impacto con base en la explotación de los mismos, es cada vez más evidente. Por este motivo, es que estamos viendo más posiciones para Científicos de Datos en todo el mundo, así como para líderes dentro de las organizaciones que tienen la responsabilidad de generar más experimentación e innovaciones en base de datos (Chief Data Officers, Jefe de Datos).

Algoritmos, Inteligencia Artificial e Innovación.

Los Algoritmos son entendidos como "una secuencia finita de instrucciones bien definidas, que normalmente se usa para resolver una clase de problemas específicos o para realizar un cálculo. Los algoritmos se utilizan como especificaciones para realizar cálculos, procesamiento de datos, razonamiento automático, toma de decisiones automatizada y otras tareas".

Una definición informal, podría ser "un conjunto de reglas que define con precisión una secuencia de operaciones que incluiría todos los programas de computadora (incluidos los programas que no realizan cálculos numéricos) y, por ejemplo, cualquier procedimiento burocrático prescrito o receta de recetario".

En general, un programa es solo un algoritmo si finalmente se detiene, aunque los bucles infinitos a veces pueden resultar deseables.

Como método efectivo, un algoritmo se puede expresar dentro de una cantidad finita de espacio y tiempo, y en un lenguaje formal bien definido para calcular una función.

Comenzando desde un estado inicial y una entrada inicial, las instrucciones describen un cálculo que, cuando se ejecuta, avanza a través de un número finito de estados sucesivos bien definidos, produciendo eventualmente una salida y terminando en un estado final. La transición de un estado al siguiente no es necesariamente determinista; algunos algoritmos, conocidos como algoritmos aleatorios, incorporan entradas aleatorias.

La mayoría de los algoritmos están destinados a ser implementados como programas de computadora. Sin embargo, los algoritmos también se implementan por otros medios, como "una red neuronal biológica" (por ejemplo, el cerebro humano implementándole aritmética o un insecto buscando comida), en un circuito eléctrico o en un dispositivo mecánico.

Sin entrar a profundizar sobre la Inteligencia Artificial, diré se refiere a "la inteligencia expresada por máquinas, sus procesadores y sus software que serían los análogos al cuerpo, el cerebro y la mente, respectivamente, a diferencia de la Inteligencia Natural demostrada por humanos y ciertos animales con cerebros complejos".

Se habla de Inteligencia Artificial en las máquinas, coloquialmente, cuando ésta imita las funciones cognitivas que los humanos asocian con otras mentes humanas, como por ejemplo "percibir, razonar, aprender y resolver problemas".

Andreas Kaplan y Michael Haenlen definen la Inteligencia Artificial como "la capacidad de un sistema para interpretar correctamente datos externos, para aprender de dichos datos y emplear esos conocimientos para lograr tareas y metas concretas a través de la adaptación flexible". La Inteligencia Artificial es una nueva forma de resolver problemas dentro de los cuales se incluyen los sistemas expertos, el manejo y control de robots, y los procesadores que intenta integrar el conocimiento en tales sistemas, en otras palabras, un sistema inteligente capaz de escribir su propio programa. Un "Sistema Experto" se define como una estructura de programación capaz de almacenar y utilizar un conocimiento sobre un área determinada que se traduce en su capacidad de aprendizaje. De igual manera, se puede considerar a la Inteligencia Artificial como "la capacidad de las máquinas para usar algoritmos, aprender de los datos y utilizar lo aprendido en la toma de decisiones tal y como lo haría un ser humano, además de uno de los enfoques principales de la inteligencia artificial que es el Aprendizaje Automático, de tal forma que los ordenadores o las máquinas tienen la capacidad de aprender sin estar programados para ello".

Así, hoy en día, las aplicaciones de la Inteligencia Artificial van desde la lingüística computacional, minería de datos o Data Mining, Industria, Medicina, Mundos Virtuales, Procesamiento de Lenguaje Natural, Robótica, Sistemas de Control, Sistemas de Apoyo a la Decisión, Videojuegos, Prototipos Informáticos, Análisis de Sistemas Dinámicos, Simulación de Multitudes, Sistemas Operativos, Automoción, entre otros.

Así, la idea de que la Inteligencia Artificial y el Aprendizaje Automático pueden reemplazar a los humanos, hacerse cargo de los roles en el lugar de trabajo y remodelar los procesos organizacionales existentes, ha ido creciendo constantemente (Brynjolfsson, McAfee, 2017; von Krogh, 2018). La premisa central es que, dadas ciertas limitaciones, la inteligencia artificial puede brindar mayor calidad, mayor eficiencia y mejores resultados que los expertos humanos.

Teniendo en cuenta el potencial de la Inteligencia Artificial para asumir tareas humanas tradicionales en las organizaciones, podemos preguntarnos si se puede utilizar un papel para la Inteligencia Artificial en la búsqueda de uno de los procesos más importantes que afectan la supervivencia a largo plazo y la ventaja de las organizaciones: la Innovación (Lengnick-Hall, 1992; Porter & Sterm, 2001). Prima la idea de que la Inteligencia Artificial y el Aprendizaje Automático podrían y deberían ser utilizados por las empresas con fines de Innovación, lo cual puede parecer casi descabellado. Después de todo, la Innovación se ha visto tradicionalmente como un dominio de los humanos, dada su capacidad "única" para ser Innovadores (Amabile, 2019).

Aunque la Inteligencia Artificial puede tener desventajas en comparación con los humanos, existen varias razones no triviales por las que las empresas pueden querer usar la Inteligencia Artificial en sus procesos de Innovación. Entre los factores exógenos al Proceso de Innovación, está el hecho de que "los gerentes de innovación se enfrentan cada vez más a entornos altamente volátiles y cambiantes, mercados globales cada vez más competitivos, tecnologías rivales y panoramas políticos que cambian drásticamente" (Jones, 2016; O´Cass & Wetzels, 2018; Spieth, 2014). Al mismo tiempo, la disponibilidad de información ha aumentado y continúa aumentado significativamente. Estas tendencias proporcionan una fuerte evidencia de que la base para la competitividad se basa en la información y las capacidades de resolución de problemas de las organizaciones (Hajli & Featherman, 2018). Quizás lo más importante es que, en muchas áreas, los efectos negativos del riesgo de la Innovación se ven agravados por el aumento de los costos. Es decir, "el costo de cada innovación ha ido aumentando de manera bastante dramática". Por ejemplo, en la industria farmacéutica (Munos, 2009; Pammolli, 2011). Esto significa que la forma en que se organiza la Innovación debe ser desafiada mediante la introducción de Inteligencia Artificial y Aprendizaje Automático debido a sus ventajas de costos en el procesamiento de la información.

Por tanto, encontrar formas de aplicar la Inteligencia Artificial y el Aprendizaje Automático a los Procesos de Innovación de las empresas, debería ser de gran interés para los gerentes de Innovación. Por un lado, esto tiene el potencial de crear mejores formas para que las empresas responsan a su entorno cada vez más competitivo y gestionen la creciente cantidad de información que les rodea. Por otro lado, apoyar el Proceso de Innovación con la Inteligencia Artificial podría generar valor real para las empresas al reducir tanto el riesgo como el costo de los Procesos de Innovación.

Áreas Potenciales de Aplicación de la Inteligencia Artificial en el Proceso de Innovación.

Al combinar las barreras que deben superar tanto los humanos como los sistemas de Inteligencia Artificial en el Proceso de Innovación con las actividades clave de generación y desarrollo de ideas que deben llevarse a cabo, podemos derivar un marco de áreas de aplicación potencialmente creativas de Inteligencia Artificial dentro del Proceso de Innovación. La Inteligencia Artificial puede ayudar y potencialmente reemplazar la toma de decisiones humana en la Gestión de Innovación, específicamente en las siguientes áreas potenciales (en las que podría apoyar la toma de decisiones humanas): a) Desarrollar Ideas Superando las Limitaciones del Procesamiento de la Información, b) Generar Ideas Superando las Limitaciones del Procesamiento de la Información, c) Desarrollar Ideas Superando las Rutinas de Búsqueda Locales, d) Generar ideas Superando las Rutinas de Búsqueda Locales.

Superar las Limitaciones de Procesamiento de Información con Inteligencia Artificial para Desarrollar Ideas: Hay muchas aplicaciones interesantes de los sistemas de inteligencia artificial en el descubrimiento de materiales. Ejemplo, la Inteligencia Artificial se puede utilizar para optimizar los componentes de la batería y las células solares, o para acelerar el proceso de descubrimiento de nuevos catalizadores. Para descubrir estos nuevos materiales, se utilizan métodos basados en el Aprendizaje Automático para predecir los materiales más prometedores para probar, lo que acelera sustancialmente el Proceso de Innovación. Hay sistemas de Inteligencia Artificial para investigación y desarrollo farmacéutico, incluyendo usos que aceleran el Proceso de Ingeniería de Proteínas, que es fundamental para descubrir proteínas adecuadas para aplicaciones tecnológicas, científicas y médicas. Las aplicaciones de Inteligencia Artificial se pueden usar para identificar tratamientos para enfermedades; por ejemplo, las redes neuronales de adaptación de dominio profundo se han entrenado en conjuntos de datos genómicos de ARN de una sola célula para desarrollar tratamientos que detengan la transmisión de la Malaria. También hay otras aplicaciones, por ejemplo, Celonis utiliza la minería de procesos para identificar los procesos organizacionales que son adecuados para la automatización de procesos robóticos. Celonis utiliza aplicaciones de Inteligencia Artificial que permiten a las organizaciones implementar importantes innovaciones administrativas.

Superar Limitaciones de Procesamiento de Información con Inteligencia Artificial para Generar Ideas: Hay aplicaciones de Inteligencia Artificial que pueden procesar mucha más información para generar nuevas ideas y oportunidades que probablemente pasarían por alto los humanos que operan por su cuenta. Por ejemplo, Outlier.ai. La empresa utiliza un conjunto de métodos de Aprendizaje Automático para Procesar Datos de Métricas sin procesar y convertirlos en conocimiento legible por humanos. Luego de analizar los datos de una empresa, Outlier genera un conjunto de "historias" personalizadas que resumen información práctica e interesante para gerentes específicos. Al hacerlo, Outlier puede resaltar oportunidades innovadoras para los gerentes. Así, el análisis basado en Inteligencia Artificial proporcionado por Outlier fue fundamental para desarrollar una innovación en la empresa focal. La capacidad de Outlier para encontrar anomalías y patrones significativos en los datos comerciales, es una forma en que la Inteligencia Artificial puede ayudar a las empresas a generar o reconocer ideas y oportunidades innovadoras. Es posible que estos métodos de Inteligencia Artificial no puedan desarrollar soluciones completas de forma independiente, pero pueden orientar a los gerentes humanos hacia las vías más prometedoras para la Innovación.

Otro ejemplo lo brindan Tshitoyan y sus colegas. Crearon un sistema de Inteligencia Artificial que puede capturar el conocimiento latente de la literatura de ciencia de materiales. Su sistema utiliza el algoritmo word2vec, una popular red neuronal en aplicaciones de procesamiento de lenguaje natural, para derivar incrustaciones de conceptos en la literatura. El algoritmo es capaz de capturar conceptos complejos de ciencia de materiales, incluida la estructura subyacente de la tabla periódica, sin ninguna inserción explícita de conocimiento químico por parte de los investigadores. El sistema de Inteligencia Artificial también puede recomendar materiales para aplicaciones funcionales. Al censurar los datos, los autores pueden demostrar que el sistema es, de hecho, capaz de recomendar materiales varios años antes de su descubrimiento. Por lo tanto, este método apunta a oportunidades potenciales para futuras innovaciones, aunque dentro de un dominio de conocimiento ya existente. Este estudio es indicativo de posibles aplicaciones de Inteligencia Artificial, es decir, sistemas de Inteligencia Artificial que pueden ayudar a generar o reconocer ideas y oportunidades de innovación donde se debe procesar una gran cantidad de información en un dominio de conocimiento existente.

Superar las Rutinas de Búsqueda Locales con Inteligencia Artificial para Desarrollar Ideas: Estas actividades implican identificar y desarrollar ideas, oportunidades y enfoques de solución donde el proceso va más allá del uso de la búsqueda local, rutinas, es decir, se utilizala búsqueda a distancia. Autodesk, por ejemplo, utilizó varios algoritmos para crear una nueva partición de tripulación para Airbus. Los métodos de diseño generativo empleados para diseñar la nueva partición crean los tipos de productos que los diseñadores no podrían conjurar por sí solos. Los algoritmos utilizados por Autodesk se basaron en los patrones de crecimiento del moho mucilaginoso y los huesos de los mamíferos. Permitieron la construcción de una partición de tripulación nueva, más eficiente, pero igualmente estable. Por lo tanto, al incorporar métodos de Inteligencia Artificial en el Proceso de Desarrollo, Autodesk y Airbus pudieron generar una solución más innovadora de lo que hubiera sido posible de otro modo.

Aún más interesante son las aplicaciones basadas en Redes Antagónicas Generativas (GAN). La red de Confrontación Creativa (CAN) para la creación de arte desarrollada por Elgammal y sus colegas, es un ejemplo de una solución de Inteligencia Artificial de este tipo. La CAN es un tipo de GAN que es capaz de generar arte novedoso. La red se entrena en 81.449 pinturas de 1.119 artistas que van desde el siglo XV hasta el XX. El sistema entrena dos redes competidoras, un "discriminador" y un "generador" para aprender la clasificación de estilo artístico (discriminador) y la ambigüedad de estilo (generador). Como resultado, el CAN genera nuevo arte que se desvía de los estilos aprendidos. Argumentaríamos que esta desviación de los estilos previamente aprendidos es precisamente donde el sistema CAN es capaz de superar las rutinas de búsqueda locales y mostrar su potencial para la búsqueda a distancia. Dado que el modelo aprende inicialmente sobre los estilos artísticos existentes, tiene conocimientos sobre el dominio actual. Sin embargo, está configurado para explorar específicamente más allá de los estilos actuales y, por lo tanto, es capaz de generar ideas novedosas. Otro proyecto de investigación relacionado de Sbai y sus colegas se llama DesIGN: inspiración de diseño de Redes Generativas. Este sistema puede generar estilos, formas y formas novedosas para prendas de moda. DesIGN se desvía de los estilos de moda existentes tal como se representan en el conjunto de datos de entrenamiento, mientras genera prendas de vestir realistas. Por lo tanto, supera las rutinas de búsqueda locales al desarrollar nuevas ideas para prendas de moda.

Superar las Rutinas de Búsqueda Locales con inteligencia Artificial para Generar Ideas: Finalmente, los sistemas de Inteligencia Artificial acá, deben poder generar o reconocer ideas y oportunidades para la innovación en dominios de conocimiento no relacionado. Un método en Inteligencia Artificial que puede facilitar la generación o el reconocimiento de ideas y oportunidades innovadoras es el Aprendizaje de Refuerzo. Ha habido avances recientes en el Aprendizaje de Refuerzo, como el Aprendizaje por Metarrefuerzo, que posiblemente podrían ser útiles para generar ideas novedosas. El Aprendizaje por Refuerzo, en general, implica entrenar a un agente en un entorno (virtual). El agente utiliza una señal de recompensa para saber qué acciones maximizan las recompensas y cuáles las disminuyen. El Aprendizaje por Refuerzo requiere que los humanos elaboren recompensas a mano, lo cual es un enfoque no trivial y, a veces, subóptimo para la ingeniería de recompensas. Como explica Simon Osindero, uno de los principales investigadores de inteligencia artificial de Google DeepMind:

"En la medida en que diseñas a mano una función de recompensa, en cierto sentido también estás diseñando a mano una solución. Si fuera fácil para nosotros diseñar una solución, entonces tal vez no necesitarías aprender en primer lugar".

El Aprendizaje por Refuerzo No Supervisado trata de abordar esta deficiencia al permitir que el agente aprenda su función de recompensa mediante un flujo de observaciones y acciones. Por lo tanto, este método es un primer paso para permitir que los algoritmos aprendan a reconocer y lograr objetivos sin ningún tipo de supervisión, lo que abrirá interesantes vías para la Creatividad y la Innovación. El Aprendizaje por Metarrefuerzo aborda una cuestión estrechamente relacionada con la forma en que se pueda utilizar el Aprendizaje para mejorar el Proceso de Aprendizaje en sí mismo. El trabajo reciente en esta área ha intentado diseñar algoritmos que puedan adaptarse rápidamente a nuevos problemas arbitrarios. Los avances en estas áreas deberían permitir que los algoritmos se vuelvan más flexibles en términos de resolver nuevos problemas, lo que puede resultar útil para generar, descubrir y reconocer nuevas ideas y oportunidades creativas.

Conclusiones.

La Gestión de la Innovación puede ser respaldada por sistemas de Inteligencia Artificial. Los enfoques convencionales centrados en el ser humano para la Gestión de la Innovación tienen limitaciones que se originan principalmente en su capacidad imperfecta para abordar completamente las necesidades de información y hacer frente a la complejidad.

Las restricciones de Procesamiento de la Información, deriva en niveles de capacidad de procesamiento de información de la Inteligencia Artificial necesarios para desarrollar organizaciones digitalizadas. Finalmente, se puede delinear los desafíos en la implementación de sistemas de Inteligencia Artificial que enfrenta la Gestión de la Innovación en relación con la tecnología en sí misma, los humanos encargados de implementarla y el nexo tecnología-humano. Así, la Inteligencia Artificial tiene un papel constructivo que desempeñar cuando los beneficios probados y verdaderos de los recursos de Gestión de la Innovación se ven abrumados, son imposibles debido a la digitalización o cuando la Inteligencia Artificial emerge irrefutablemente como la opción preferida.

Parece claro que el potencial de la Inteligencia Artificial reside en la "creación de un enfoque más sistemático mediante la integración de la Inteligencia Artificial en las organizaciones que persiguen la Innovación". La Gestión de la Innovación arroja luz sobre el uso de la Inteligencia Artificial y los algoritmos de Aprendizaje Automático en la futura organización de la Innovación. Las áreas en las que los Sistemas de Inteligencia Artificial ya se pueden aplicar de manera fructífera en la Innovación Organizacional, es decir, instancias en las que el desarrollo de nuevas innovaciones se ve obstaculizado principalmente por restricciones en el procesamiento de la información. Los sistemas de Inteligencia Artificial que se basan en la detección de anomalías, por ejemplo, pueden ser útiles cuando las empresas se enfrentan a limitaciones en el procesamiento de la información mientras buscan nuevas oportunidades.

Finalmente, hay avances recientes en los algoritmos de Inteligencia Artificial que son indicativos del potencial de la Inteligencia Artificial para resolver los desafíos más difíciles en la Gestión de la Innovación. Estos incluyen superar la búsqueda local y generar ideas completamente novedosas. Así, la Inteligencia Artificial abrirá nuevas posibilidades y ampliará las áreas en las que la Inteligencia Artificial se podrá aplicar de manera útil en la Gestión de la Innovación.

Por lo tanto, respondiendo a la pregunta inicial sobre si "los algoritmos pueden Innovar", al parecer la respuesta sería:

(Nota: Para aquellos estudiantes del curso, vuelvan al curso y sigan las instrucciones para asimilar el conocimiento entregado.

Fuentes: "Algorithm", Wikipedia; "Artificial Intelligence and Innovation Management: A Review, Framework, and Research Agenda", Naomi Haefner, Joakim Wincent, Vimit Parida, Oliver Gassmann, Technological Forecasting and Social Change; "Ejemplos de Inteligencia Artificial en la Actualidad", Transformación Digital, Beetrack; "How Data Analytics Can Drive Innovation", Knowledge@Wharton, Wharton University of Pennsylvania; "Innovando con Datos: Datos Abiertos y Ciencia de Datos", Diego May, IADB; "Real Life Example of True Data Driven Innovation", Owen Hunnam, Idea Drop.