De la idea a la aplicación: Convertirse en una fábrica de IA

La Inteligencia Artificial (IA) se considera la principal palanca de la ventaja competitiva. El data no miente: ha habido un aumento interanual de casi 25% en el uso empresarial de la IA, con un 63% de ejecutivos que coinciden en que ha supuesto un aumento de los ingresos. La pandemia mundial no ha hecho sino poner esto más de relieve. Las empresas que prosperen y sobrevivan serán las que sean capaces de adoptar las soluciones de IA adecuadas y desplegarlas y ampliarlas con rapidez y eficacia.

Sin embargo, como ocurre con todos los cambios de juego, las iniciativas de IA plantean nuevos retos. La implementación conlleva muchas preguntas: la principal de ellas, ¿cómo puede adoptar el enfoque data adecuado para desplegar las iniciativas de IA de forma rápida y eficaz, sin fracasos y de forma sostenible a largo plazo? El enfoque de la ‘Factoría de IA’ se ha desarrollado precisamente por este motivo.

La Factoría de IA es un modelo operativo organizativo -que combina diferentes talentos, capacidades y procesos de forma sistematizada- para lograr el éxito en el despliegue y la escalabilidad de la IA. Lo han utilizado con eficacia líderes del sector como Carrefour y ENGIE para llevar a cabo proyectos transformadores de IA en sus empresas. Sin embargo, crear una fábrica de IA eficaz desde cero puede resultar desalentador. Se necesitan equipos expertos y una visión clara para que el proceso funcione.

El primer paso vital es definir una visión y unos casos de uso para su fábrica de IA. Esta será su estrategia data. Deben identificarse los casos de uso que ofrezcan el mayor potencial empresarial de transformación de la empresa. Ya se trate de la optimización de la cadena de suministro o de la gestión del cumplimiento, existen oportunidades a todos los niveles.

También debe tenerse en cuenta la visión de la IA de la empresa. Es importante tener la capacidad de imaginar cómo podría desarrollarse, planificarla y alcanzar una idea clarividente del futuro. A partir de una visión de conjunto preliminar, dibuje una versión depurada aplicable al data y a la IA.

A continuación, deben evaluarse las oportunidades de negocio concretas, mediante la identificación y clasificación de los casos de uso. Esto se hace evaluando el impacto empresarial y la complejidad de la aplicación. En todo momento es importante centrarse en la mentalidad, para gestionar el cambio a gran escala e implicar a todo el mundo, desde la dirección de la empresa hasta los miembros del equipo de primera línea.

Una vez definida la estrategia data de la empresa y la visión de la IA, debería tener una lista priorizada de casos de uso para poner en práctica. Pero, ¿cómo puede empezar a trabajar en ellos? Una implantación eficaz de la Factoría de IA se basa en cuatro pilares distintos:

Una única gobernanza

Para ser eficaz, la gobernanza debe ser de alto nivel, dedicada y adaptada. Una Junta de la Factoría de IA al más alto nivel -compuesta por líderes clave de la C-suite data- es extremadamente importante para proporcionar un patrocinio y una dirección generales, ya que comparte la visión de la IA y alinea a los equipos y la hoja de ruta con ella. A nivel de gestión del programa, debe establecerse un papel de Director de la Factoría de IA, en el que participen expertos en negocios, operaciones, asuntos jurídicos, seguridad y TI data. Su función debería ser revisar, arbitrar y validar los progresos.

Por último, a nivel operativo, se necesitan equipos ágiles. Los equipos de características son responsables de la entrega de casos de uso con productos de IA. Son unidades muy unidas que trabajan en colaboración para garantizar el flujo permanente de información y la transparencia. Y lo que es más importante, deben ser multidisciplinares, combinando habilidades y experiencia de toda la empresa. Están orientadas al logro, cada una creada con un único objetivo: entregar un caso de uso medido por una meta única.

Equipos organizados, diversos y expertos

Para impulsar la eficiencia, las organizaciones estructuradas deben reunir las competencias empresariales, data, de software y de tecnología digital en equipos híbridos basados en métodos ágiles. La agilidad garantiza una forma de trabajar flexible y adaptable y evita los problemas relacionados con un enfoque de silos, como departamentos aislados dentro de la misma estructura o procedimientos demasiado rígidos. Esto requiere una buena mezcla de perfiles empresariales y técnicos, para garantizar que lo que se desarrolle en el aspecto técnico tenga siempre un propósito útil que responda a las necesidades empresariales.

La escalabilidad es una característica general importante de la composición de un equipo. La idea es que su estructura pueda duplicarse fácilmente, como los ladrillos de Lego. Con un modelo totalmente escalable, se pueden añadir más equipos para abordar casos de uso adicionales.

Tecnologías avanzadas de IA

Por supuesto, un despliegue eficaz de la IA necesita una base de tecnologías habilitadoras de la IA. Una fábrica de IA utiliza una combinación de soluciones de código abierto, propietarias y cloud. Deben estandarizarse en toda la canalización data -desde la ingestión hasta la visualización- de principio a fin, según las mejores prácticas.

Metodologías sistemáticas y probadas

La sistematización es necesaria para asegurarse de que una serie de pasos se dan siempre en un orden específico, cada uno con su propio objetivo definido. Las ventajas son dobles. En primer lugar, esto proporciona una estructura general de referencias comunes en todo el proceso, creando una columna vertebral que garantiza la coherencia. En segundo lugar, esto hace que las metodologías sean replicables y escalables, acelerando considerablemente el despliegue de la fase de industrialización.

MLOps: Mantener la fábrica en funcionamiento

Junto a una metodología de casos de uso establecida, deben desplegarse prácticas MLOps (Machine Learning Operations) para cerrar la brecha entre la fase de concepto y la de producción. Inspirado en el proceso DevOps, esto debe combinar el desarrollo de software y las operaciones de TI para acortar el ciclo de vida de desarrollo.

El propósito de los MLOps es afrontar retos que los sistemas codificados tradicionales no tienen. El primer reto es la colaboración entre equipos: las distintas unidades suelen estar aisladas y son dueñas de diferentes partes del proceso. Esto ahoga la unidad necesaria para entrar en producción.

La segunda es la gestión de las canalizaciones, ya que las canalizaciones de ML son más complejas que las tradicionales. Tienen características específicas, como ladrillos que deben probarse y supervisarse a lo largo de la producción.

El último obstáculo es que los modelos de ML suelen necesitar varias iteraciones: cuando se ponen en producción de forma manual y ad hoc, se vuelven rígidos y difíciles de actualizar.

En su lugar, un enfoque de MLOps debería integrar todos los activos de ML en una canalización de integración continua y entrega continua (CICD) para garantizar unos despliegues rápidos y sin fisuras. Todas las data, funciones y modelos deben probarse antes de cada nueva versión para evitar desviaciones en la calidad o el rendimiento. Todas las partes interesadas deberían trabajar en el mismo lienzo y aplicar las mejores prácticas de ingeniería de software a los proyectos científicos data: versionado, entornos de despliegue, pruebas.

En última instancia, MLOps es la disciplina de gestionar de forma coherente los proyectos de ML de manera unificada con todos los demás elementos de producción. Asegura una entrega técnica eficiente desde la fase inicial del caso de uso (primeros modelos) hasta la industrialización del caso de uso.

Un marco para el éxito

La IA es muy prometedora, pero también entraña grandes riesgos para las organizaciones incapaces de implantarla correctamente. La verdadera ventaja del modelo de fábrica de IA es que establece un marco básico para una implantación rápida y satisfactoria. Los procesos, los equipos y las herramientas son transferibles y repetibles por naturaleza, lo que significa que una empresa puede seguir siendo ágil en la persecución de su visión de la IA. Una vez establecido el proceso y con el apoyo de MLOps, una empresa tiene lo que necesita para convertirse en una potencia de la IA.