NOTICIAS / TECNOLOGÍA AI
Artefact ha adaptado las metodologías de Lean Manufacturing para remediar las siete fuentes de despilfarro que se encuentran tradicionalmente en los proyectos artificial intelligence.
Artefact ha adaptado las metodologías de Lean Manufacturing para remediar las siete fuentes de despilfarro que se encuentran tradicionalmente en los proyectos artificial intelligence.
Lean AI proporciona un marco en dos partes para abordar esta cuestión:
- Optimización de la cadena de producción mediante el desarrollo de productos estándar data
- Un claro énfasis en la operatividad de los productos data en la última milla
Estas directrices están diseñadas para evitar escollos y optimizar el procesamiento, pero pueden adaptarse.
Ofrecerán un tiempo de comercialización optimizado, una entrega continua, una colaboración fluida y una toma de decisiones rápida para maximizar los beneficios.
Optimización de la cadena de producción mediante el desarrollo de productos estándar data
Normalización: La principal vía para aplicar los avances tecnológicos
En su libro El diseño de las cosas cotidianas, Don Norman observa que los avances tecnológicos proceden de las propias tecnologías o de la normalización. Lo ilustra con la historia del automóvil. Los primeros coches eran todos diferentes, lo que dificultaba su manejo y requería fuerza y habilidades específicas. Sin embargo, con el tiempo se fueron normalizando. Ahora todos los coches tienen volantes, indicadores y palancas de cambio en prácticamente los mismos lugares, cumpliendo la misma función. Al estandarizar estos elementos clave, un conductor puede conducir cualquier coche en cualquier parte del mundo. Este tipo de estandarización ha facilitado la mayoría de los grandes avances tecnológicos y funcionales.
Productos Data como Lego Inteligente Estandarizado
Lean AI se compromete a construir ladrillos tecnológicos basados en el ecosistema, o productos data, sobre los que la empresa pueda construir una estrategia de IA sostenible.
El objetivo es dotar a los equipos de data de una biblioteca de componentes tecnológicos estándar, para que los proyectos con las mismas características técnicas puedan procesarse con el mismo enfoque e integrarse en el resto del ecosistema.
Para ser reutilizable, la IA debe “empaquetarse” como una estructura de Lego, compuesta por varios ladrillos que, al combinarse, crean un modelo más complejo. El modelo artificial intelligence se apoya en una base de denominadores comunes -productos data genéricos- esenciales para el buen funcionamiento de la IA pero no específicos del problema que se aborda. A continuación, pueden construirse productos data especializados cuando sea necesario para satisfacer el requisito específico del producto de IA.
Uber está construyendo sus denominadores comunes mediante la creación de una plataforma científica data llamada Michelangelo. La plataforma pretende abordar los problemas de producción normalizando los flujos de trabajo y empaquetando fragmentos de código data para ayudar a los centros data a compartir y difundir conocimientos.
En el comercio minorista, el cliente y la tienda son fuentes data comunes en la mayoría de los proyectos. Son fuentes data genéricas que pueden ser utilizadas por productos data especializados, como los algoritmos de recomendación o los algoritmos para garantizar la disponibilidad de existencias.
Este enfoque tiene múltiples ventajas:
- En desarrolla la capacidad de los equipos mediante la normalización de los enfoques y la creación de competencias internas
- En aumenta la calidad del producto final estableciendo normas de desarrollo y controles de calidad
- En mejora el plazo de comercialización centralizando los conocimientos y aprendiendo de las experiencias pasadas
Sobre todo, permite a los equipos concentrarse en lo esencial 20% del trabajo especializado que aumentará el valor generado por el producto final.
Un claro énfasis en la operatividad de los productos data en la última milla
La metodología Lean AI hace hincapié en la última milla de la cadena de producción. Un producto data sólo tiene éxito si es ampliamente distribuido y consumido por los usuarios finales.
La distribución de los productos data
El trabajo de los equipos data no termina cuando se construye el modelo, sino cuando se cumplen los KPI empresariales. Esto implica poner el algoritmo a disposición de todos los usuarios finales.
Por ejemplo, una vez que se desarrolla un nuevo componente de Google Cloud, se empaqueta para que los usuarios de Google Cloud Platform puedan utilizarlo fácilmente. Google desarrolla API de aprendizaje automático, que se crean para ampliar el uso de los productos de IA de Google e impulsar su adopción generalizada. El objetivo de los productos data es beneficiar a un audience mucho mayor que aquel para el que se diseñó originalmente el componente.
Un modelo de aprendizaje automático para predecir la disponibilidad de existencias de un EAN (número de artículo europeo) específico puede ser profundamente útil para un minorista. Sin embargo, si el minorista lo introduce mediante una API estandarizada en un cuadro de mandos que esté a disposición de toda la empresa, resulta mucho más potente. Este cuadro de mandos puede ser utilizado por los responsables de las tiendas para seguir el flujo de sus existencias, por el equipo de marketing para orientar sus campañas a los productos de éxito, por el equipo de promoción para definir su estrategia promocional y por el equipo de aprovisionamiento para optimizar la cadena de suministro.
Análisis de IA
Una vez distribuido el producto data a las distintas áreas de la empresa, debemos medir la adopción e impulsar el rendimiento.
Artefact recomienda implementar una herramienta de análisis de IA, controlada por los propietarios de los productos, para promover la mejora.
Algunos de los KPI de AI Analytics:
- KPI de uso (por ejemplo, número de usuarios del modelo)
- KPI técnicos (por ejemplo, rendimiento del modelo (error %), número de fallos en la línea de producción)
- KPI empresariales (por ejemplo, ahorro generado, volumen de negocios incremental)
El propietario del producto de IA debe convertirse en un experto en comportamiento humano
Para comprender el uso del producto por parte de personas reales, el propietario del producto debe pasar tiempo con la gente. Por ello, las sesiones de inmersión con los equipos empresariales son mejores que enviar encuestas a los usuarios. El propietario del producto de IA debe actuar como un etnógrafo, observando cómo se utiliza la herramienta creada en su entorno de trabajo.
Esta metodología es una de las mejores prácticas probadas para el desarrollo de productos digitales. Pierre Fournier, jefe de producto de ManoMano, recomienda a los propietarios de productos que organicen “viernes de palomitas”, en los que ven grabaciones de vídeo de los recorridos de los usuarios en el sitio. El primer viernes del mes se dedica al visionado de 20 sesiones sobre la ruta de pago, y el último del mes al visionado de 20 sesiones de usuarios que aterrizan en el sitio. Esto permite a los propietarios del producto identificarse con los usuarios y facilita enormemente la toma de decisiones sobre los ajustes.
