Introducción

En este episodio, hablamos con Gabriela Baez, líder del Innovation Capability Center en Takeda. Con una trayectoria en transformación digital y ciencia de datos, Gabriela comparte sus estrategias sobre la IA en la industria de la salud, la importancia de una buena cultura de datos y la necesidad de "re-skilling". En este episodio cubrimos estos temas:

  • El papel de la IA en la transformación de la industria de la salud
  • Importancia de una buena cultura de datos para la IA
  • Necesidad de "re-skilling" en productores y consumidores de IA
  • Framework de priorización para proyectos de IA
  • Combinación de tecnologías para transformación digital
  • Inicio de la transformación digital desde el interior de la organización
  • El papel de la nube en la potenciación del procesamiento de IA

Conclusiones

  • Gabriela Baez destaca la importancia de la digitalización, los datos y el análisis en la transformación de la industria de la salud. Resalta el papel de la inteligencia artificial (IA) como una herramienta clave en esta transformación.
  • Gabriela señala que una cultura fuerte de datos y modelos bien entrenados son esenciales para implementar con éxito la IA en las organizaciones.
  • Gabriela menciona la necesidad de "re-skilling" o reciclaje de habilidades tanto para los productores como para los consumidores de IA. La educación y la formación son fundamentales para esto.
  • Gabriela propone un framework de priorización para los proyectos de IA: clasificar los problemas por su importancia y compararlos con la disponibilidad y calidad de los datos.
  • Gabriela enfatiza que la combinación de diferentes tecnologías y enfoques puede hacer que la transformación digital sea exponencial. La nube, por ejemplo, puede potenciar el procesamiento de la IA.
  • Baez sugiere que la transformación digital debe empezar desde dentro de la organización, refinando las habilidades y capacidades internas antes de expandirse.

Transcripción

Laura Velasquez, AI Heroes

¿Para ti qué es AI o inteligencia artificial? Como en una frase, no tiene que ser tan estructurada. ¿Qué se te viene a la mente cuando hablamos de este tipo de cosas?

Gabriela Baez, Takeda

No, pues para mí creo que tiene que ver mucho con modelos muy educados y una buena cultura de datos en la organización de las empresas. Yo creo que si tienes esos dos, tienes, como si esto fuera una receta de cocina, tienes las herramientas y los elementos perfectos para poder hablar de inteligencia artificial. Si no, lo que tienes son pilotos aislados, tienes esfuerzos de integración, tienes algoritmos que estás entrenando, pero no tienes un verdadero programa de inteligencia artificial. Entonces yo te diría que es una combinación de un buen proceso de entrenamiento y una buena cultura del dato al interior de las organizaciones.

Laura Velasquez, AI Heroes

Hola a todos y bienvenidos a AI Heroes, un espacio donde descubrimos las infinitas formas en las que la tecnología y la inteligencia artificial están transformando el futuro de la salud. Esto lo hacemos a través de conversaciones con personas increíbles de esta industria. Soy Laura Velázquez, soy cofundadora de Arcángel AI y soy su host. Vamos con el episodio. Bueno, Gabriela es una mujer increíble, tiene más de 20 años de experiencia en procesos de transformación digital, ha trabajado en Estados Unidos, en Reino Unido y en América Latina, implementando plataformas de datos, modelos de análisis avanzados y llevando a cabo muchos programas de innovación con tecnologías emergentes en diferentes industrias, desde la financiera como vicepresidente de Mastercard, vicepresidente de transformación digital para Aeroméxico y pasando también por consultoras y ahora es la primera vez que está en una industria como la salud. como la líder de innovación de Taqueda, lo cual lo hace increíblemente valioso porque ya con muy pocos meses de trabajo ha transformado directamente la forma en la que se están llevando los centros de innovación para Taqueda globalmente. Y yo siempre he creído que tener ese conocimiento de industrias que van mucho más avanzadas, en industrias en las cuales no tanto como lo es la salud, pues trae como una mirada completamente diferente. a lo que hoy estamos acostumbrados en salud. ¿Cómo ha sido esa experiencia?

Gabriela Baez, Takeda

Ha sido muy gratificante, ha sido un proceso continuo de aprendizaje y te sorprendería saber que cuando te ves a ti mismo como industria, independientemente de cuál seas, siempre te parece que no estás en la punta, siempre te parece que hay otras cosas y entonces eso para mí lo que dice es que hay pockets, entonces el reto de transformación digital creo que tiene muchos elementos en común a través de las industrias. Creo que tú puedes ir tan a detalle como se permita, según cada caso, pero invariablemente te vas a encontrar muchos elementos que son más allá de lo tecnológico. Te vas a encontrar aspectos humanos, yo te diría en su mayoría, que van desde el mindset, la forma de trabajar, y luego la manera en la que usas la comunicación efectivamente para traer a bordo o... al resto de la organización. Además, tienes otros aspectos que tienen que ver con la velocidad y ciertamente las presiones competitivas en cada industria a veces te empujan a ser más o menos veloz. O sea, un modelo no sabe si está en una industria o en otra, lo que sí sabe es quién lo está programando.

Laura Velasquez, AI Heroes

Eso que tú dices es muy interesante y me gustaría profundizar. Porque entonces, ¿qué hace que una industria vaya más rápido que otro? Porque me encanta ese componente que mencionas, que no se trata de la tecnología ni siquiera, se trata mucho como esos soft skills que tenemos como equipo, como cultura, como personas dentro de cada área. Entonces, ¿qué hace en que haya mayor adopción o integración de estas tecnologías, de la suma de estas culturas, y que haya mucho más avance en unas industrias que en otras? ¿Y cómo ves esto aplicado a pharma, particularmente más la industria de salud? Desde tu mirada, ¿cómo ves esto?

Gabriela Baez, Takeda

Yo creo que hay un factor que es muy importante en las experiencias que yo he tenido y es qué tan globalizada está una organización o una industria, porque eso permite que sean más como vasos comunicantes, ¿no? Como hay una parte de la organización que ya hizo un piloto o que se animó y le fue bien o se animó y le fue mal, se comparten esos aprendizajes y las organizaciones evolucionan con una mayor certeza. porque tienen visibilidad de lo que fue mal y de lo que fue bien, y entonces van trazando su camino. Si en tu industria o alrededor de tu industria hay un surgimiento de nuevos tipos de competidores, eso te pone en una situación de alerta, que están encontrando otro tipo de competidores que yo tal vez no estoy encontrando, y comienzas a darle celeridad al proceso de transformación. Y el último, que es algo que me preocupa a mí, particularmente en este momento en el que estoy, Es el tema de las capacidades de los equipos. Si tú tienes los skills necesarios en tus equipos, tú puedes avanzar más contundentemente tus iniciativas de transformación. Pero si hay un skill que todavía no está muy desarrollado, pues tienes que asegurarte que tus equipos adquieran ese skill. Y ahí, pues vamos a la inteligencia artificial. No es algo relativamente nuevo, y digo relativamente nuevo porque si tú llevas un rato viendo todos los temas de data y analytics, pues sabes que tenemos, pues ya... más de una década, ¿no? Hablando de calidad del dato, hablando de las migraciones estructuradas a un entorno de nube para poder tener más processing power, hablar de modelos predictivos, prescriptivos, machine learning. Y artificial intelligence es como una versión avanzada de eso, pero no aparece de la nada, ¿no? Aparece como una secuencia de actividades y capacidades que han venido creciendo simplemente ahora, pues, se hicieron más... más democráticas, ¿no? Las hicieron muy comunes y muy fáciles de usar. Del año pasado para acá, diferentes marcas, y por eso saltaron a la vista de muchos, ¿no? Pero creo que es un proceso que hemos venido viviendo hace tiempo y tenemos que hacer un reskilling adecuado, tanto de los producers de inteligencia artificial como de los consumers de inteligencia artificial.

Laura Velasquez, AI Heroes

Ven, aquí hablas de un concepto que para mí es clave y que me sembraste esa idea y ahora como que no puedo parar. Tú mencionabas ahorita que el concepto de poder educar a los equipos alrededor de estas nuevas tecnologías es crucial. Porque para ir mucho más rápido, para entender dónde está la oportunidad, ¿cómo estás haciendo tú esto en la industria de salud? Porque hay algo que yo he visto. transversal a toda Latinoamérica es que la falta de educación alrededor de inteligencia artificial es altísima yo ya lo he dicho en otros podcasts pero la región más atrasada en el planeta alrededor de ya hay es Latinoamérica y esto hace que sea un reto para todas las industrias pero particularmente para salud se vuelve más retador donde hay tema regulatorio donde pues es una industria mucho más robusta compleja y no lo diría antigua, pero que tiene muchas barreras alrededor de, pues, ¿cómo haces tú para eso? ¿Cómo haces tú para decirle a los equipos, venga, aquí hay que mirar cómo los educas para que ese proceso sea mucho más eficiente y mucho más fácil?

Gabriela Baez, Takeda

Déjame separar el problema en diferentes componentes y voy a empezar por la última parte de tu frase, que es el awareness. Afortunadamente hemos tenido que hacer menos campaña de awareness para inteligencia artificial porque es tanto lo que se está diciendo en los entornos públicos que los colegas mismos vienen y te hacen la pregunta, ¿no? ¿Qué estamos haciendo en inteligencia artificial? Entonces es interesante, ¿no? Porque tal vez de otras tecnologías no tenías a alguien que no era tecnólogo preguntándote qué estamos haciendo esa tecnología porque la veían muy lejana. Y entonces se empiezan a abrir, se bifurcan, se bifurcan los caminos, como dijera Borges. Y entonces tienes allí retos distintos, ¿no? En el tema de re-skilling de los que van a generar los modelos, pues tienes que... ayudar a que tengan espacios donde puedan pilotear y, no quiero decir jugar, pero sí experimentar con sus modelos. Entonces tienes que crear esos espacios donde nuestros científicos de datos comienzan a hacerlo. Y creo que algo que ayuda mucho es priorizar. Porque hay muchas áreas de impacto para la inteligencia artificial. En el caso de Pharma, pues no solamente es la investigación, sino cosas que suceden a lo largo de la cadena de valor. O sea, pueden ser retos de cadena de suministro, pueden ser retos de mercadotecnia, pueden ser retos de gestión de contenidos, pueden ser retos evidentemente de research and development. O sea, hay muchos ámbitos donde es posible apalancar una solución con la inteligencia artificial. Y del otro lado, del otro lado del camino que se difurcó, del lado de consumer, pues poco a poco te das cuenta que los modelos responden bien a tus primeras preguntas, pero cuando empiezas a hacer la pregunta más compleja, te das cuenta que tiene limitantes. Y por lo tanto, la expectativa es, ah, vamos a darle un poco más de tiempo de madurez a la tecnología. Entonces, creo que si sigues ambos caminos, por un lado es hacerte siempre un consumidor educado de tecnología. y saber que para que tú la utilices para diferentes modos, tienes que aprender ciertos aspectos muy básicos. En el caso de inteligencia artificial es cómo haces las preguntas. Y si eres el consumidor, lo que tienes que encontrar son datos de buena calidad y espacios de experimentación. Y la mayoría de eso está en las organizaciones, tanto privadas como públicas.

Laura Velasquez, AI Heroes

Hay algo súper interesante y es que dentro de la industria particularmente, pues uno encuentra muchísimos problemas. Yo los clasifico como en tres principales y es temas de incrementar el acceso. En México es bien fuerte el tema de poder darle una atención mucho más asertiva, prioritaria a los pacientes que somos todos. Hay otro tema importante que es hacer un diagnóstico temprano y seguir una trazabilidad del paciente. ¿Qué pasa con la persona que está en el DF pero luego se va a Puebla? ¿Qué pasa? ¿Me entiendes? Es un reto muy grande el tema de ese diagnóstico oportuno y además hacer una trazabilidad y el tema de prevención también es muy fuerte. Eso es como hacer el área clínica. Pero hay otros componentes que también son muy relevantes, que son temas de los que tú ya hablabas, que son de optimización en temas de supply chain, por ejemplo. temas un poco más enfocados hacia la venta, hacia el incremento del acceso al tratamiento, hacia la adherencia, hacia los tratamientos, que también son súper relevantes. Dentro de lo que tú estás experimentando hoy en día, pues desde Taqueda y como líder allá, ¿dónde tú ves cuáles son esos tres puntos claves que tú dices, aquí es donde definitivamente esta industria debería estar mirando, aplicar? proyectos de inteligencia artificial sin mencionar pues cosas puntuales que ustedes estén haciendo claramente por confidencialidad pero si es donde desde tu perspectiva tú dices, ve Laura, es más hacia temas de acceso, de adherencia de, bueno, yo qué sé, yo aquí ideando con ti

Gabriela Baez, Takeda

No, yo creo que, primero déjame explicar que el Centro de Innovación de Capacidades Digitales que tenemos en México es un centro con vocación global. Eso significa que puedes tener acceso a muchos pools de información. Entonces, los retos que enfrentamos directamente como centro de innovación pueden ser distintos a aquellos que son únicos. a una región geográfica. Habiendo dicho eso, en particular con lo que se refiere a inteligencia artificial, nuestro primer esfuerzo como empresa ha sido mapear dónde podemos empezar a hacer la diferencia, y eso lo estamos tratando de hacer en primer lugar de la puerta hacia adentro, para poder refinar nuestros propios skills y capacidades y una vez que tengamos eso pues podemos ampliar un poco más la visión, si gustas, ¿no? Pero... Creo que una forma de empezar es hacerlo dentro de la casa. Y luego, para determinar el dónde lo puedes hacer, y yo creo que esto va más allá de inteligencia artificial, pero lo importante es pensarlo casi como en un cuadrante, Laura. Entonces, tú puedes tener aquello que es lo que podría llegar a tener un mayor impacto, pero del otro lado tienes que preguntarte cuál es el readiness de tu información.

Laura Velasquez, AI Heroes

Básicamente, esta herramienta que... que nos está contando Gabriela, en lo que coincide es que podemos generar un cuadrante donde clasifiquemos qué tantos retos tenemos y qué tan importante es ese reto que tenemos o esa necesidad puntualmente. Y segundo, lo comparemos con cuánta data tenemos hoy. Y esto se puede clasificar de dos formas. Desde la data propia que tengamos para procesos internos como temas de supply chain, de ventas, de omnicanalidad, de portafolio, de guías, de adherencia, etc. deterioro clínico, recursos en un hospital, etc. Y ese otro componente donde no tenemos acceso a la data, que es temas de detección temprana, adherencia a tratamiento, donde es más difícil acceder a esa data porque hay mucho más, como hay como que más retos a la hora de conseguirla estructuradamente. Entonces es clasificar qué tan importante es ese reto, cuánta data tenemos y ver cuál hace más match en relación a la data y de la importancia y a partir de ahí. ese sería el proyecto que deberíamos trabajar

Gabriela Baez, Takeda

Lo importante es encontrar ese recuadro en donde tienes ambas cosas. La data en el nivel de madurez y de usabilidad adecuado para resolver el reto y buscar otra combinación de tecnologías o de aproches digitales para el resto de problemas.

Laura Velasquez, AI Heroes

Además es una gran herramienta para cualquiera que nos está escuchando para saber qué tantos problemas tienes, clasificar el problema, qué tan grande es y qué tan pequeño, y luego compararlo prácticamente con qué tan ready está la data o qué tanta data tengo en este momento para saber hacia qué proyecto uno puede priorizar. Es una excelente herramienta para uno decir, venga, esta es la cantidad de problemas y esta es la cantidad de data por problema.

Gabriela Baez, Takeda

Claro, es que creo que la reacción natural de todos los que somos entusiastas de las perspectivas digitales es querer sacar el máximo provecho de cada avance, ¿no? Y eso es muy bueno, pero desde mi punto de vista lo que hace realmente posible una transformación digital es la combinación de herramientas, el hacerlo exponencial. En otras palabras, que no lo resolvas todo con una herramienta, sino que combinas herramientas para que ese approach. esté realmente allí, ¿no? Entonces, creo que la combinación más natural de inteligencia artificial es la nube, ¿no? Entonces, si no tienes las cosas en la nube, pues, te pierdes el poder de procesamiento, de ubicuidad y de protección que puedes tener en ciertos entornos, ¿no? En cambio, si tienes la combinación, imagínate, ¿no?, la multiplicación, entonces lo vuelves exponencial, ¿no? Si tienes un entorno que te permite flexibilizar, crear los experimentos y, además, tienes los algoritmos, la metodología, Entonces, ya es mucho más potente que si solamente tienes uno. Y esa es una combinación, es un ejemplo nada más. Imagínate si además tienes, o sea, tengo a la mano aquí mi móvil, ¿no? ¿Quién no tiene a la mano su móvil? Entonces, si combinas esta capacidad de modelos educados, ¿no? Con grandes volúmenes de datos y un acceso de múltiples Gs de velocidad, pues entonces el efecto es verdaderamente exponencial. Si tienes uno pero no tienes el otro, llegas allí. Entonces... Yo creo, Laura, que esto es más de combinar las herramientas que tienes y perseguir los grandes porqués y empezar a resolver aquellos que se ajustan a las herramientas que tienes enfrente. Y creo que eso te va a dar mucho más posibilidades de solo estar buscando una sola tecnología en todos los use cases. Creo que el valor está en la combinación. Eso es lo que lo hace exponencial.

Laura Velasquez, AI Heroes

Sí, y ahora sí nos vamos al otro extremo, que puede ser un challenge súper alto, pero que definitivamente la data está difícil en esta industria. Ahí cuál sería como un ejemplo que sería cool, porque es que eso le pasa a todas, a todas las empresas les pasa eso. Tiene una data impresionante atrás de supply, de cómo es ese proceso de esa cadena de suministro. Y el challenge es altísimo. ¿Cómo lo puedo optimizar? ¿Cómo puedo ser mucho más eficiente? Entonces ahí hay un claro ejemplo. Y cuando nos vamos al otro extremo, ¿cuál sería? Que tenemos un desafío demasiado alto, pero definitivamente la data no.

Gabriela Baez, Takeda

Es sencillo, ¿no? Al final, recuerda que una de las partes del cuadrante este que estamos usando para poder ordenar nuestras ideas es qué tan a la mano tengo ya la información, qué tan data ready está el tema, ¿no? Entonces, evidentemente, la data que tú tienes en casa es la que se supone que tienes más lista. Y por tanto, la que está más lejos, o sea, la que está en el mercado en múltiples manos, será la más difícil de organizar y estructurar. Entonces, cuando tienes retos que dependen de múltiples fuentes de información, no es que sea imposible, pero va a ser un poco más lento el proceso, porque antes de que el modelo de Artificial Intelligence entre en operación, tienes que estructurar y limpiar la data. Ese es el paso previo. Entonces, antes de poner en funcionamiento ese modelo, vas a tener que asegurarte que las fuentes de datos cumplan con las características que necesitas para un modelo de inteligencia artificial. Entonces, básicamente del otro lado del espectro te encuentras la información entre más stakeholders y más fuentes. Más complejo es la parte de preparar la información para que luego entre en operación un modelo de inteligencia artificial. Entonces… retos que requieran información de múltiples fuentes que diría que caen allí. Y ahí el gran reto, como otra vez, no es tecnológico, es de coordinación, es de estructuración de la información y es de colaboración.

Laura Velasquez, AI Heroes

Sí, no, total, total. Oye, y volviendo a este punto, dentro de lo que tú has visto en esta industria, conoces a grandes ejemplos aplicados con inteligencia artificial que han solucionado grandes retos en Latinoamérica, pues en la industria de salud, pero apalancados por inteligencia artificial.

Gabriela Baez, Takeda

Yo creo que apenas está en desarrollo esto, Laura, ¿no? Yo creo que tienes cosas, como te decía, a la mano, al interior de cada uno de los players, que tal vez cuando los sumas puedas notar un efecto en cadena, un efecto más en la industria. Yo creo que la inmensa mayoría de las empresas están aprendiendo a usar la tecnología. y están en el paso que va de un piloto a estandarizar o ampliar más dentro de sus propias operaciones. Yo creo que todavía está en formación un proyecto que sea más amplio de mercado, pero eso no quiere decir que estamos sentados esperando. Yo creo que lo que eso refleja es que estamos en el momento de, no te diría que de entendimiento, porque el entendimiento está ahí, sino de preparación de la información y de entrenamiento de los modelos al interior de las organizaciones. Yo creo que es donde está más. en utilización hoy día.

Laura Velasquez, AI Heroes

Interesante, súper chévere. Ben, y desde la mirada de personas que quieran seguir un camino en la industria, así como tú que eres líder, tomar una decisión para poder implementar como... Más que implementar, es como entender, probar, adoptar, implementar estos procesos internamente de inteligencia artificial. ¿Cuáles serían como esos tres consejos como para hacer recap de todo lo que hemos hablado aquí?

Gabriela Baez, Takeda

Déjame separar los grupos en dos, ¿no? Hay un primer grupo en el que le digo, si te gusta esto, vente a la ICC de Taquera y hazlo con nosotros. Entonces, ese creo que es un camino muy rápido y muy straightforward, ¿no? O sea, las profesionales que están allá afuera que quieren buscar una organización donde puedan echar a andar este conocimiento, pues nosotros con las puertas abiertas, ¿no? Y luego los profesionales que lo están haciendo más allá, yo diría ser muy, muy realista con el readiness de la información. O sea, primero hacer un verdadero análisis de dónde está la calidad del dato que tienes. Lo segundo es ayudar a tus equipos a que desarrollen el conocimiento de modelos de amplio alcance, como son todos los modelos de inteligencia artificial. Entonces, yo creo que es mucho skill building, pero no hagas skill building sin tener un entendimiento claro de la madurez de tu dato, porque si no te puedes llevar a una sorpresa de que ya todo el mundo sabe hacerlo, pero luego no tienes el pool de datos con el cual empezar. No es necesario ir en esa secuencia, pero sí es importante diferenciar, ¿no? Los skills sin la data son insuficientes. La data sin los skills también son insuficientes. Y lo tercero es, creo que medir muy bien la ambición. Así como identificas los datos, ten muy claro cuál es el valor que vas a aportar y cómo esta es la tecnología ideal para resolver ese reto. O sea, no querer meterla forzosamente en todos los retos, sino encontrar aquellos donde es lo más relevante y combinarla siempre. De nuevo, no haciendo eco lo que te decía antes, yo creo que el verdadero valor está en la combinación de tecnologías digitales y eso es lo que lo vuelve exponencial. Entonces, ser realista con los datos que tienes, ayudar a tu equipo a que construya los skills y ser muy claro en el análisis de valor e impacto para poder priorizar.

Laura Velasquez, AI Heroes

No, me parece súper. No sé, Gabriela, si tienes, no sé, algo más que tú digas. Venga, esto también es súper relevante en esta industria. Más que acelerar, yo creo que es como abrirnos a explorar posibilidades, porque lo que tú nos acabas de decir es súper claro. Estos son los tres consejos que yo le doy, pero a veces se vuelve para muchos como... esto es algo lejos, o sea, como que esto todavía no me toca a mí, para que ellos tengan como herramientas como de, venga de donde me agarro, ya para seguir, para empezar.

Gabriela Baez, Takeda

No, a ver, yo creo que el skill building es del presente, no es del futuro. Puede llevar más o menos tiempo según cada organización la preparación de los datos. Eso sí, hay que ser realistas, ¿no? Puede que tengas los datos listos para un reto y entonces haces el reto que corresponda a eso, no necesariamente te... Te... encamina solamente a buscarlo. Pero yo creo que una de las cosas que para mí ha sido importante previo a hablar de inteligencia artificial, cuando siempre estamos hablando de data science y de analítica y demás, es como sabes que vas a utilizar la data en el futuro. Márcala adecuadamente desde el principio. O sea, a veces queremos encontrar la información cuando no pusimos al principio del proceso los pasos para identificarla, estructurarla y recabarla de una forma adecuada. En la economía digital, en todos los procesos de transformación digital, tú sabes que lo que hace digital a algo es la combinación de poder embeber inteligencia con... un mecanismo distinto de trabajo con la capacidad de programación. Estas tres herramientas están allí. Entonces, tú tienes que ir sembrando las semillas. para luego poder aplicar un modelo que haga análisis. Pero si no sembraste las semillas taggeando adecuadamente la data, después te encuentras con ese reto y eso le quita celeridad a tu proyecto. Entonces hoy día tú y yo, Laura, ya sabemos que si mañana queremos crear un modelo, necesitamos que la data esté adecuadamente categorizada hoy. Ese no es un trabajo para el mañana, es un trabajo para el otro.

Laura Velasquez, AI Heroes

No, total, súper de acuerdo. No, pues de verdad me parece increíble todo lo que nos acabas de decir. Creo que la principal herramienta que me llevo hoy es encasillar todo en ese cuadrante que creo que para muchos aquí puede ser una gran forma de decir, venga, no sé cómo empezar, este es el primer paso donde podemos hacer. estructuremos ese cuadrante donde básicamente revisemos cuáles son mis mayores retos y luego en comparación a ese reto saque cuánta data tengo de ese reto o cuánta no tengo para saber dónde hay que buscarla, dónde no hay que buscarla y saber a qué reto le doy prioridad para poder empezar a testear con inteligencia artificial y que entregue valor realmente, ¿no? Entonces te quiero dar infinitas gracias por este espacio, de verdad Aquí anoté 10.000 ideas que me surgieron donde quiero explorar mucho más con lo que nosotros venimos haciendo todo el tiempo en esta industria y ver si hay más posibilidad de seguir educando alrededor de AI que me parece tan importante. Y pues nada, infinitas gracias de nuevo. Oigan, ya para terminar, quisiera saber más de qué les gustaría escuchar aquí en AI Heroes. Los invito a dejar una reseña, activar la campanita para que la plataforma les avise cuando publiquemos un nuevo episodio y dejarnos cinco estrellas. Recuerden que pueden conectar conmigo y discutir las infinitas posibilidades de la inteligencia artificial en salud y pueden encontrarnos en mis redes sociales en la descripción del episodio.

Otros episodios

Suscríbete para empezar

Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.
Recuerda que al suscribirte, aceptas nuestra política de privacidad de AI Heroes.
cancel

Search podcasts, blog posts, people