¿Pueden las predicciones 'Antiguas pero Valiosas' Minimizar los Costes de IA?

Existe un patrón común en la inteligencia artificial (IA) donde las grandes corporaciones construyen infraestructuras masivas para soportar sus casos de uso de IA. El objetivo es realizar predicciones rápidas y actualizarse constantemente con nuevos datos para escalar tu infraestructura. Sin embargo, este enfoque frecuentemente pasa por alto el equilibrio entre el coste de la infraestructura y el tamaño de la oportunidad que el caso de uso está resolviendo.

En este artículo, discutiremos una estrategia diferente llamada predicciones "Antiguas pero Valiosas". Este enfoque puede ayudarte a mantener un balance adecuado entre la precisión predictiva y el coste de infraestructura, minimizando así los gastos.

¿Qué son las predicciones "Antiguas pero Valiosas"?

El patrón "Antiguo pero Valioso" implica calcular tus predicciones con anticipación y guardarlas en una tabla. Por ejemplo, si sabes que necesitarás hacer predicciones sobre tu base de clientes mañana, puedes calcularlas de antemano y almacenarlas. De esta forma, cuando alguien solicita una predicción, ya la tienes preparada y disponible en tu tabla.

Incluso si estas predicciones tienen cierta antigüedad, pueden seguir siendo relevantes. El patrón entonces implica actualizar estas predicciones de manera incremental a un ritmo que probablemente sea inferior a la velocidad de las predicciones que tienes que generar. Este enfoque te permite mantener una infraestructura más pequeña, trabajar con predicciones más antiguas y reducir el tiempo que tarda en obtener estas predicciones.

¿Cómo Puedes Actualizar Estas Predicciones?

Existen diferentes estrategias para actualizar estas predicciones. Un enfoque es actualizar primero la predicción más antigua. Otro es priorizar nuevos clientes o casos que aún no han recibido una predicción. Un tercer enfoque es actualizar las predicciones para los casos más activos, es decir, aquellos con una alta frecuencia de predicción.

Este último enfoque es particularmente útil ya que te permite tener predicciones relevantes para el 20% de tu base de clientes que genera el 80% de tu valor, mientras mantienes el resto actualizado en caso de que necesiten nuevas predicciones.

¿Cuándo Puedes Usar Esta Estrategia?

Esta estrategia es particularmente útil en dos escenarios:

1. Dominios Estables: Puedes usar esta estrategia en dominios que cambian lentamente como predicciones inmobiliarias o de seguros. En estos dominios, los clientes no cambian de opinión constantemente. Por ejemplo, si predices la probabilidad de asegurar a un cliente el próximo mes, probablemente será la misma.
2. Tareas No Críticas: Puedes usar este enfoque en situaciones donde una predicción antigua parece más relevante que no tener predicción. Por ejemplo, si estás enviando una recomendación en un boletín informativo, podrías estar de acuerdo con una predicción generada hace dos o tres días. Pero en tu sitio web, donde quieres tener en cuenta los datos de la sesión, podrías querer predicciones en tiempo real.

El Equilibrio Entre el Coste de Infraestructura y la Capacidad Predictiva

A medida que aumentas el tamaño de tu infraestructura, reduces el retraso de tus predicciones, haciéndolas más actualizadas y relevantes. En otras palabras, aumentas tu capacidad predictiva. Sin embargo, esto también aumenta el coste de tu infraestructura. Por lo tanto, necesitas equilibrar dónde tus predicciones siguen siendo lo suficientemente valiosas para generar más dinero que los costes de infraestructura.

Esta estrategia te permite comenzar con una infraestructura muy pequeña con predicciones retrasadas y luego aumentar su tamaño a medida que generes ingresos. Es una decisión más inteligente que invertir mucho dinero en sistemas distribuidos grandes para un caso de uso que quizás ni siquiera recupere la inversión en su infraestructura.

Conclusión

La estrategia de predicciones "Antiguas pero Valiosas" es una excelente manera de construir casos de uso de IA con riesgo mínimo. En lugar de construir sistemas grandes y costosos, este método se enfoca en hacer predicciones con anticipación y actualizarlas según sea necesario. Te permite comenzar en pequeña escala, crecer gradualmente y aprovechar al máximo tus recursos.

Si te interesa aprender más sobre cómo calcular el tamaño de una oportunidad de IA, solicita una reunión con nosotros en NILG.AI. Para información adicional, consulta nuestro Data Ignite Course o descarga nuestro ebook para un enfoque más orientado al negocio en IA.