Por qué la subcontratación de la IA en el sector energético es un modelo que sólo funciona a medias

A medida que la Inteligencia Artificial pasa rápidamente de ser un marco novedoso y enigmático a un concepto más accesible y validado, las organizaciones que luchan por una ventaja competitiva están ansiosas por subirse al tren de la IA.

El sector energético ha luchado tradicionalmente con una acumulación de datos que conllevan un conocimiento heredado y específico del dominio.

Este conocimiento experto corre el riesgo de desaparecer debido a la jubilación de los mejores talentos. La IA puede ayudar a aumentar y mejorar estos conocimientos e integrarlos en los datos en tiempo real para generar recomendaciones contextuales.

La gran cantidad de datos que poseen las empresas energéticas plantea la necesidad de extraer de ellos conocimientos procesables para fundamentar las decisiones empresariales, impulsar la innovación y resolver problemas complejos. Sin embargo, esto se ve impedido con frecuencia por la falta de experiencia interna en ciencia de datos en muchas compañías.

En estas circunstancias, la subcontratación se presenta como una opción viable que proporciona acceso a habilidades y conocimientos especializados.

Las empresas pueden subcontratar herramientas y técnicas de IA como el aprendizaje automático, el modelado estadístico y la minería de datos para cubrir rápidamente el vacío de conocimientos.

Sin embargo, al decidir externalizar, renuncian a las ventajas prácticas de integrar profundamente la IA en su empresa para lograr una internalización más fluida y mejores resultados. Especialmente dentro del sector energético, existen necesidades peculiares en las empresas energéticas que no hacen de la externalización la vía más idónea.

Necesidades peculiares de las empresas petroleras

La incompatibilidad de la externalización de la IA en las empresas energéticas es más pronunciada en las grandes compañías petroleras nacionales (NOC, national oil companies). Estas organizaciones suelen tener compromisos para contratar talentos locales y contribuir a las expectativas nacionales de empleo y formación.

Además, muchas disciplinas de la industria tratan con información confidencial, datos, estimación de reservas y cuestiones relacionadas con la seguridad, que requieren una formación especializada que tenga en cuenta las sensibilidades en torno a estos temas.

Otra tendencia reciente es la diversificación de las fuentes de energía, ya que las compañías petroleras van más allá de sus bases tradicionales de recursos de hidrocarburos y empiezan a invertir en fuentes renovables.

Esto requiere un nuevo conjunto de habilidades que puedan ayudar a estas empresas con sus iniciativas de transformación energética, manteniendo al mismo tiempo los niveles de producción y seguridad en sus infraestructuras existentes. Una transferencia de conocimientos exhaustiva es esencial para garantizar que las organizaciones estén preparadas para esta transición.

Invertir en formación en IA

Para que el valor de la IA se materialice plenamente, el modelo de implantación debe integrarse al máximo en las operaciones internas. La industria energética debería perseguir el objetivo a largo plazo de integrar las soluciones de IA en sus procesos actuales.

Esto puede lograrse formando equipos interdisciplinares que incluyan tanto a científicos de datos como a expertos en la materia, así como formando a expertos en la materia que también estén alfabetizados en los fundamentos de la IA y el aprendizaje automático (Machine Learning).

Las ofertas de formación tradicionales pueden quedarse cortas en este aspecto, por dar prioridad a los principios generales y carecer de acceso a aplicaciones específicas de la industria.

Esto puede solucionarse reuniendo a un socio universitario y a un proveedor de tecnología para que unan sus fuerzas e ideen un plan de formación exhaustivo.

Una universidad enseña "teoría" y una empresa hace "productos": el concepto de una visión de "producto" es crucial para desarrollar soluciones basadas en datos o ML/AI. Esta visión incluye tanto los aspectos tecnológicos como una comprensión clara de las necesidades del cliente, las viabilidades operativas y las repercusiones empresariales para crear valor a largo plazo.

Un producto a escala empresarial en IA no se limita únicamente al propio modelo o algoritmo de ML. Incluye muchos otros componentes críticos no relacionados con el ML, como la identificación de problemas, las contingencias de los datos, la integración con los sistemas existentes, la UI/UX y una hoja de ruta evolutiva para el futuro.

Formar a los empleados en el contexto de esta visión integral y ejecución práctica les proporciona una perspectiva holística, que casi sólo es posible en este tipo de asociación a tres bandas.

Esto va más allá de una clase universitaria o un curso en línea que cubra únicamente la formación del modelo y los algoritmos, que no son más que componentes de un panorama más amplio.

Un programa de formación adaptado de forma exclusiva de esa manera ayuda a evitar los problemas de desarrollar (o subcontratar) soluciones puntuales que pueden resolver hechos aislados pero que no logran integrarse sin problemas en procesos empresariales más amplios.

Ingredientes clave para el éxito de la formación en IA: sucinta, universal y preparada

Hay varios factores a tener en cuenta para garantizar que la formación alcance los objetivos deseados. Los mercados no pueden permitirse el lujo de plazos largos, por lo que un programa de formación con un calendario condensado que abarque una amplia variedad de temas es ideal para permitir que las organizaciones adopten rápidamente la IA.

En consecuencia, la combinación del aprendizaje de los conceptos básicos y el despliegue inmediato de estos conceptos en una herramienta de ML servirán como bloques de construcción para que los participantes reproduzcan procesos similares en el futuro.

Uno de los principales retos de la formación en IA es sortear la diversidad de conocimientos de los alumnos. En última instancia, los alumnos procederán de diferentes departamentos y disciplinas, como TI, cadena de suministro, finanzas, ingeniería, petróleo y gas, etc.

Aunque esto puede aportar diferentes puntos de vista a la experiencia, introduce algunos retos en cuanto a la creación de contenidos que sean lo suficientemente atractivos y útiles para la mayoría de los alumnos.

También tendría sentido que los participantes tuvieran una familiaridad básica con el uso de al menos uno de los principales lenguajes de codificación, y cierto nivel de familiaridad con los conceptos de MLOps y DevOps utilizados en la generación de aplicaciones de IA.

El futuro de la IA: el debate en curso sobre el elemento humano

Gran parte de las conversaciones sobre la IA giran en torno a si acabará sustituyendo a los humanos. Todavía está por ver hasta qué punto eso ocurrirá, pero una cosa es segura: la IA híbrida siempre requerirá la participación humana, y eso siempre calificará la formación en IA.

Y a medida que la IA gane omnipresencia, abrirá la puerta a nuevas funciones y puestos de trabajo. A la vanguardia de éstos se encuentran los papeles para formadores que lleven a cabo la transferencia de conocimientos necesaria y ayuden a asimilar la IA en las empresas.

Nota publicada en Forbes US.