Cuando se habla de inteligencia artificial, muchas veces se empieza por el modelo. Pero antes de elegir una técnica conviene hacerse una pregunta más importante: qué decisión queremos mejorar.
Para eso resulta útil el AI canvas, una herramienta explicada en el libro Máquinas predictivas. Su función es muy simple: ayudar a ordenar un caso de uso de IA antes de construirlo. En lugar de quedarse en una idea vaga como “aquí podríamos usar IA”, obliga a concretar qué queremos predecir, para qué serviría esa predicción, qué datos harían falta y cómo sabríamos si el sistema funciona bien.
Cómo se aplica el AI canvas
El canvas puede usarse en cuatro pasos bastante sencillos.
- Hay que identificar la tarea que queremos mejorar y la decisión que contiene.
- Hay que preguntarse qué predicción podría ayudar a tomar mejor esa decisión.
- Hay que definir qué datos harían falta para hacer esa predicción.
- Hay que pensar cómo se incorporará feedback, es decir, cómo se revisará el modelo con el tiempo para corregir errores y adaptarlo a cambios.
La idea de fondo es clara: un sistema de IA no es solo un algoritmo. Es un proceso en el que unos datos permiten generar una predicción, esa predicción ayuda a decidir una acción, esa acción produce un resultado y ese resultado sirve después para mejorar el sistema.
Los 7 elementos del AI canvas
El canvas se compone de siete bloques:
- Prediction: qué queremos predecir.
- Judgment: cómo se interpretará esa predicción para decidir.
- Action: qué se hará con ella.
- Outcome: qué resultado se quiere mejorar.
- Input: qué datos necesita el sistema para funcionar.
- Training: qué datos históricos se necesitan para entrenarlo.
- Feedback: cómo se revisará y actualizará con el tiempo
Dicho de otro modo, el canvas obliga a conectar la parte técnica con la parte práctica. No solo pregunta si podemos construir un modelo, sino también para qué serviría realmente.
Un ejemplo: anticipar permisos parentales en un hospital
Un buen ejemplo sería intentar anticipar la entrada mensual de nuevos permisos por nacimiento y cuidado del menor de trabajadores de un hospital.
Aquí la IA no serviría para predecir comportamientos individuales, sino para estimar un patrón agregado que ayude a planificar mejor los recursos humanos. La pregunta no sería quién iniciará un permiso, sino cuánta nueva carga de ausencias parentales puede esperarse en un mes.
Para ello podría usarse un modelo relativamente sencillo, como una regresión lineal múltiple, que relacionara esa carga mensual con variables agregadas de plantilla: edades, distribución por sexo, tipo de contrato, tamaño de la plantilla o factores temporales como tendencia y estacionalidad.
El AI canvas de este caso
| Prediction | Judgment | Action | Outcome |
|---|---|---|---|
| Predecir la carga mensual de nuevas bajas parentales. | Valorar cómo usar esa predicción en la planificación y cuánto error es aceptable. | Anticipar coberturas, sustituciones y ajustes de plantilla. | Mejor planificación y menos improvisación. |
| Input | Training | Feedback |
|---|---|---|
| Datos agregados mensuales de plantilla. | Histórico mensual con la variable objetivo y sus variables explicativas. | Comparar predicción y realidad, revisar errores y recalibrar el modelo. |
Conclusión
El valor del AI canvas está en que obliga a pensar la inteligencia artificial de forma más concreta y útil. Antes de hablar de algoritmos, nos lleva a aclarar qué queremos predecir, para qué servirá esa predicción y con qué datos podremos construirla.
Y eso, en muchos casos, ya es una parte fundamental del trabajo.
En un próximo post llevaré esta idea a la práctica: construiremos paso a paso un modelo de predicción cuantitativa de bajas maternales, apoyándonos en un repositorio de GitHub para ver cómo se traduce este enfoque en un proyecto real.
The Bayesian Fox 