![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2019\/12\/margaret-weir-524923-unsplash-scaled-1.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>NOTICIAS \/ TECNOLOG\u00cdA AI<\/p>\n<\/div>
Artefact ha adaptado las metodolog\u00edas de Lean Manufacturing para remediar las siete fuentes de despilfarro que se encuentran tradicionalmente en los proyectos artificial intelligence.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Artefact ha adaptado las metodolog\u00edas de Lean Manufacturing para remediar las siete fuentes de despilfarro que se encuentran tradicionalmente en los proyectos artificial intelligence.<\/span><\/p>\n Estas directrices est\u00e1n dise\u00f1adas para evitar escollos y optimizar el procesamiento, pero pueden adaptarse.<\/span><\/p>\n Ofrecer\u00e1n un tiempo de comercializaci\u00f3n optimizado, una entrega continua, una colaboraci\u00f3n fluida y una toma de decisiones r\u00e1pida para maximizar los beneficios.<\/span><\/p>\n En su libro El dise\u00f1o de las cosas cotidianas<\/em>, Don Norman observa que los avances tecnol\u00f3gicos proceden de las propias tecnolog\u00edas o de la normalizaci\u00f3n. Lo ilustra con la historia del autom\u00f3vil. Los primeros coches eran todos diferentes, lo que dificultaba su manejo y requer\u00eda fuerza y habilidades espec\u00edficas. Sin embargo, con el tiempo se fueron normalizando. Ahora todos los coches tienen volantes, indicadores y palancas de cambio en pr\u00e1cticamente los mismos lugares, cumpliendo la misma funci\u00f3n. Al estandarizar estos elementos clave, un conductor puede conducir cualquier coche en cualquier parte del mundo. Este tipo de estandarizaci\u00f3n ha facilitado la mayor\u00eda de los grandes avances tecnol\u00f3gicos y funcionales.<\/span><\/p>\n Lean AI se compromete a construir ladrillos tecnol\u00f3gicos basados en el ecosistema, o productos data, sobre los que la empresa pueda construir una estrategia de IA sostenible.<\/strong> <\/span><\/p>\n El objetivo es dotar a los equipos de data de una biblioteca de componentes tecnol\u00f3gicos est\u00e1ndar, para que los proyectos con las mismas caracter\u00edsticas t\u00e9cnicas puedan procesarse con el mismo enfoque e integrarse en el resto del ecosistema.<\/span><\/p>\n Para ser reutilizable, la IA debe \u201cempaquetarse\u201d como una estructura de Lego, compuesta por varios ladrillos que, al combinarse, crean un modelo m\u00e1s complejo. El modelo artificial intelligence se apoya en una base de denominadores comunes -productos data gen\u00e9ricos- esenciales para el buen funcionamiento de la IA pero no espec\u00edficos del problema que se aborda. A continuaci\u00f3n, pueden construirse productos data especializados cuando sea necesario para satisfacer el requisito espec\u00edfico del producto de IA.<\/span><\/p>\n Uber est\u00e1 construyendo sus denominadores comunes mediante la creaci\u00f3n de una plataforma cient\u00edfica data llamada Michelangelo. La plataforma pretende abordar los problemas de producci\u00f3n normalizando los flujos de trabajo y empaquetando fragmentos de c\u00f3digo data para ayudar a los centros data a compartir y difundir conocimientos.<\/span><\/p>\n En el comercio minorista, el cliente y la tienda son fuentes data comunes en la mayor\u00eda de los proyectos. Son fuentes data gen\u00e9ricas que pueden ser utilizadas por productos data especializados, como los algoritmos de recomendaci\u00f3n o los algoritmos para garantizar la disponibilidad de existencias.<\/span><\/p>\n Este enfoque tiene m\u00faltiples ventajas:<\/span><\/p>\n Sobre todo, permite a los equipos concentrarse en lo esencial 20% del trabajo especializado que aumentar\u00e1 el valor generado por el producto final.<\/b><\/p>\n La metodolog\u00eda Lean AI hace hincapi\u00e9 en la \u00faltima milla de la cadena de producci\u00f3n. Un producto data s\u00f3lo tiene \u00e9xito si es ampliamente distribuido y consumido por los usuarios finales.<\/span><\/p>\n 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 disposici\u00f3n de todos los usuarios finales.<\/span><\/p>\n 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 f\u00e1cilmente. Google desarrolla API de aprendizaje autom\u00e1tico, que se crean para ampliar el uso de los productos de IA de Google e impulsar su adopci\u00f3n generalizada. El objetivo de los productos data es beneficiar a un audience mucho mayor que aquel para el que se dise\u00f1\u00f3 originalmente el componente.<\/span><\/p>\n Un modelo de aprendizaje autom\u00e1tico para predecir la disponibilidad de existencias de un EAN (n\u00famero de art\u00edculo europeo) espec\u00edfico puede ser profundamente \u00fatil para un minorista. Sin embargo, si el minorista lo introduce mediante una API estandarizada en un cuadro de mandos que est\u00e9 a disposici\u00f3n de toda la empresa, resulta mucho m\u00e1s 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 campa\u00f1as a los productos de \u00e9xito, por el equipo de promoci\u00f3n para definir su estrategia promocional y por el equipo de aprovisionamiento para optimizar la cadena de suministro.<\/span><\/p>\n Una vez distribuido el producto data a las distintas \u00e1reas de la empresa, debemos medir la adopci\u00f3n e impulsar el rendimiento.<\/span><\/p>\n Artefact recomienda implementar una herramienta de an\u00e1lisis de IA, controlada por los propietarios de los productos, para promover la mejora.<\/b><\/p>\n Algunos de los KPI de AI Analytics:<\/span><\/p>\n 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 inmersi\u00f3n con los equipos empresariales son mejores que enviar encuestas a los usuarios. El propietario del producto de IA debe actuar como un etn\u00f3grafo, observando c\u00f3mo se utiliza la herramienta creada en su entorno de trabajo.<\/span><\/p>\n Esta metodolog\u00eda es una de las mejores pr\u00e1cticas probadas para el desarrollo de productos digitales. Pierre Fournier, jefe de producto de ManoMano, recomienda a los propietarios de productos que organicen \u201cviernes de palomitas\u201d, en los que ven grabaciones de v\u00eddeo 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 \u00faltimo 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.<\/span><\/p>\n \n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":" Artefact ha adaptado las metodolog\u00edas de Lean Manufacturing para remediar las siete fuentes de despilfarro que se encuentran tradicionalmente en los proyectos artificial intelligence.<\/p>","protected":false},"featured_media":5560,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-5559","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog\/5559","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media\/5560"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media?parent=5559"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-category?post=5559"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-language?post=5559"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Lean AI proporciona un marco en dos partes para abordar esta cuesti\u00f3n:<\/span><\/strong><\/h3>\n
\n
Optimizaci\u00f3n de la cadena de producci\u00f3n mediante el desarrollo de productos est\u00e1ndar data<\/span><\/h3>\n
Normalizaci\u00f3n: La principal v\u00eda para aplicar los avances tecnol\u00f3gicos<\/span><\/strong><\/h3>\n
Productos Data como Lego Inteligente Estandarizado<\/span><\/strong><\/h3>\n
\n
Un claro \u00e9nfasis en la operatividad de los productos data en la \u00faltima milla<\/span><\/h3>\n
La distribuci\u00f3n de los productos data<\/span><\/strong><\/h3>\n
An\u00e1lisis de IA<\/span><\/strong><\/h3>\n
\n
El propietario del producto de IA debe convertirse en un experto en comportamiento humano<\/span><\/strong><\/h3>\n