Impacto de la robotización en la formación corporativa

Machine Learning es un concepto que nace en torno a 1959 con Arthur L. Samuel (1901-1990), uno de los pioneros en inteligencia artificial aplicada a juegos didácticos por computadora.

Según Gartner, en la actualidad tanto Machine Learning como Advanced Analitycs son tendencias comentadas en múltiples contextos, pero no están en absoluto maduras ni extendidas.

Se puede definir como la capacidad de dotar a las máquinas de la habilidad de aprender a partir de casos.

Un ejemplo de este aprendizaje se da en la película “Juegos de guerra” (1983), en la que la inteligencia artificial juega al tres en raya n veces hasta comprender que nunca puede ganar si en la casilla central se sitúa una x.

De ahí el axioma final con el que concluye la IA: “El único movimiento para ganar es no jugar”.

La tecnología Machine Learning, frente a Data Science, trata por tanto de hacer análisis predictivos, prever qué puede pasar a futuro y qué tiene que hacer para que ocurra lo predicho.

Dentro del contexto de la transformación digital, algunas compañías (tanto nativas digitales como otras en proceso de transformación de su cartera de servicios) ya están ofreciendo a otras empresas llevar a cabo proyectos de robotización y automatización de procesos a fin de optimizar sus flujos de trabajo, reducir el tiempo dedicado a tareas mecánicas o transaccionales que no aportan valor agregado, con el objetivo de ganar tiempo para invertir en innovación en productos y servicios.

Algunos de los conocimientos y habilidades requeridas para desarrollar proyectos de este tipo son Hacking Skills, Substantive Expertise y conocimientos matemáticos y analíticos; de ahí que los perfiles que serán más demandados a futuro  son los llamados STEM.

Esto ha generado en los últimos años un debate doble: por un lado, acerca de la atracción y retención del talento específico de estos licenciados.

Y por otro,  cómo hacer atractivas estas carreras de ciencias para las jóvenes a fin de asegurar su acceso a las posiciones laborales que tendrán más demanda a corto plazo.

Esto implica una fuerte transformación de los puestos de trabajo que existen en la actualidad, en ambos sentidos:

Por un lado, las empresas que ofrezca proyectos de Data Science tendrán que tener consultores híbridos entre técnicos e ingenieros especialistas capaces de levantar la necesidad de negocio, recoger los datos, hacer la limpieza de los mismos, concretar el modelo a implantar y probarlo con diferentes herramientas estadísticas.

Estas personas tendrán que saber matemáticas, estadística, programación de algoritmos y análisis de datos, así como de tecnologías emergentes como Internet delas cosas (IoT), Data Storage, Data Management, ciberseguridad y conocer los contextos de aplicación, entre otros conocimientos.

Por otro lado, las empresas que incorporen procesos automatización y bots (RPA) tendrán que llevar a cabo todo un proceso de gestión del cambio para que esta innovación se perciba como positiva y sea aceptada por parte de los profesionales.

Para que un este tipo de proyectos tenga éxito, como en cualquier proyecto que suponga un cambio profundo respecto a lo ya conocido, es imprescindible tener un sponsor del proyecto en la alta dirección, así como involucrar a todas las áreas necesarias (RRHH, legal, IT, Finanzas…).

Del mismo modo es crítico tener claro cuáles son los procesos iniciales a robotizar, de modo que las personas que vaya a trabajar con estos robots entiendan que esto es una ventaja/oportunidad, y no una debilidad/amenaza.

Una vez implantados los primeros bots, los profesionales deben ser capaces de programar los siguientes procesos, así como de gestionar las excepciones que puedan surgir cuando el bot esté en funcionamiento y enseñarle para que aprenda en el futuro.

Esto implica nuevos conocimientos y habilidades que las áreas de Formación y Desarrollo deben facilitar a los profesionales implicados en estos proyectos para que sean capaces de:  

• Preparar y programar los procesos en un “lenguaje”/flujo que entienda el bot.  Normalmente esto no requiere conocimientos avanzados de programación, pero sin duda sí requerirá que la persona entienda el flujo que sigue el algoritmo y cómo preparar correctamente la información, depurando el proceso antes de programarlo y aprendiendo a pensar tal y como lo hará la máquina.
• Saber enseñar al bot para que cada vez llegue más lejos de forma autónoma (aprendizaje supervisado).
• Como managers en un contexto de Digital Labor, aprender a coordinar equipos mixtos de personas y bots (incluso gestionando los conflictos de intereses que puedan llegar a surgir entre las partes).
• Desarrollar sus habilidades de innovación para evolucionar los productos o servicios existentes en el tiempo “liberado” por los robots.

Mientras llega la era de la implantación masiva del Machine Learning, en la que las máquinas aprendan sin programación explícita sino únicamente de su experiencia, las personas tendrán que entrenar a los robots.

Por lo que será imprescindible que vean e incluso demanden la implantación de este tipo de algoritmos como forma de liberarse de tareas rutinarias y transaccionales que son “impropias” del siglo XXI.

Para saber más:

• Some studies in Machine Learning Using the Game of Checkers. citeseerx
• Difference between Machine Learning, Data Science, AI, Deep Learning, and Statistics. data science central.com
• Pero ¿dónde están las mujeres STEM? BBVA.com
• 5 Ways Data Science and Machine Learning Impact Business.  Gartner.com