La implementación exitosa de inteligencia artificial (IA) debe considerar, al menos, tres aspectos clave:
- + la definición de casos de uso
- + la recopilación de datos y,
- + el reentrenamiento y mejora continua.
(1) Definición de casos de uso
Al definir casos de uso la premisa debe ser el ir de menor a mayor para juntar experiencia. No se debe subestimar la complejidad y dificultad de cualquier proyecto, por más simple que parezca.
- + Identificar áreas de interés: La identificación de las áreas de interés es tarea de un equipo multidisciplinario integrado por representantes de las autoridades superiores de la administración tributaria, junto con el área de Sistemas y Telecomunicaciones y las unidades de negocios específicas (tributaria, aduanera, técnico legal, institucional). Además de identificar las áreas de interés es deseable que se establezca un plan a mediano plazo con prioridades para la aplicación de métodos de aprendizaje automático.
- + Aplicaciones de modelos LLM: Los modelos de lenguaje grandes (LLM) pueden aplicarse en la automatización de ciertos servicios, en la implementación de chatbots asistentes conversacionales para orientar sobre trámites, o incluso, para el análisis de grandes volúmenes de datos que permitan mejorar los procesos de toma de decisiones.
- + Automatización de tareas: La IA es muy útil para automatizar tareas repetitivas, aumentar la precisión y eficiencia, y descubrir tendencias ocultas. Por ejemplo, puede implementarse para cargar ciertos documentos automáticamente, comprender las entradas y clasificarlas correcta y unívocamente conforme un sistema único de parámetros previamente definido.
(2) Recopilación de datos
La tarea de recopilación de datos requiere una ardua preparación para no mezclar peras con tomates. Para ello es deseable considerar:
- + Gobernanza de datos: Establecer políticas y procedimientos para la gestión y el uso de los datos. Un modelo de gobernanza de datos es imprescindible para gestionar y garantizar la calidad, precisión, integridad y seguridad de los datos de entrenamiento y desarrollo de los algoritmos de IA.
- + Integración de datos: Integrar los sistemas de datos para un uso óptimo y unificar los datos de fuentes heterogéneas en un depósito único.
- + Datos de calidad: La disponibilidad de datos de calidad es crucial. Se debe prestar atención prioritaria a mejorar la calidad de los datos y revisar la arquitectura de la información de cada organización.
- + Reunir un conjunto de datos completo y representativo: Esto implica reunir un conjunto de datos completo y representativo de documentos, legislación y fuentes relevantes.
(3) Reentrenamiento y Mejora continua
- + Entrenamiento de modelos de lenguaje: En el caso de datos no estructurados, se deben combinar técnicas de procesamiento del lenguaje natural con aprendizaje automático para generar información clave. Se puede entrenar a la tecnología seleccionada en la interpretación de preguntas para que sea capaz de comprender el lenguaje específico del tema tributario.
- + Adaptar el dominio con datos específicos: Es necesario adaptar el dominio con datos específicos de la administración tributaria o del tema específico. Los programas de IA deben volver a entrenarse utilizando los nuevos datos específicos y propios de la materia.
- + Ajuste de algoritmos: La programación de IA se centra en ajustar continuamente los algoritmos y garantizar que proporcionen los resultados más precisos posibles.
- + Adaptabilidad: Los algoritmos de aprendizaje automático son adaptables, y cuantos más datos se introduzcan, más aprenderán y tanto los módulos predictivos como los resultados serán más precisos.
Aspectos Transversales
Además, se deben considerar los siguientes aspectos transversales:
- + Nuevas competencias: Se requerirá educación adicional y reentrenamiento para poder gestionar adecuadamente las tecnologías de IA.
- + Transparencia y explicabilidad: Se debe asegurar la explicabilidad de los procesos que se automaticen. Es indispensable comprobar cómo funciona la máquina inteligente cuando sugiere determinadas opciones.
- + Responsabilidad: Es importante demostrar un sistema claro de responsabilidad por las aplicaciones de IA que se implementan. Cualquier decisión tomada como resultado de una entrada basada en IA debe basarse en una comprensión precisa de esos datos.
- + Evaluación de resultados: Se deben evaluar los resultados que proporciona la IA a partir de un proyecto, considerando fortalezas, debilidades y eficacia.
- + Gestión del ciclo de vida de los datos maestros: Es necesario poner en práctica procesos específicos para gestionar el cambio, el mantenimiento y la evolución del sistema de datos maestros.
- + Aspectos éticos y legales: La implementación de la IA debe realizarse de manera ética y legal, respetando los derechos fundamentales y cumpliendo tanto con las regulaciones de protección de datos como con el instituto del secreto fiscal.
Si te interesa el tema, puedes visitar el micrositio del CEAT - Centro de Estudios en Administración Tributaria FCE UBA en https://www.economicas.uba.ar/extension/ceat
O encontrar más publicaciones interesantes en: https://trabajodecenteinclusionsocial.blogspot.com
Comentarios
Publicar un comentario