![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2019\/12\/anastasia-dulgier-1156050-unsplash-scaled-1.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>NOTICIAS \/ TECNOLOG\u00cdA AI<\/p>\n<\/div>
Inspir\u00e1ndose en los siete \u201cdespilfarros\u201d popularizados en la fabricaci\u00f3n ajustada, Artefact ha adaptado este concepto al \u00e1mbito de artificial intelligence. Este estudio se basa en m\u00e1s de 30 proyectos artificial intelligence de los \u00faltimos tres a\u00f1os.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Inspir\u00e1ndose en los siete \u201cdespilfarros\u201d popularizados en la fabricaci\u00f3n ajustada, Artefact ha adaptado este concepto al \u00e1mbito de artificial intelligence. Este estudio se basa en m\u00e1s de 30 proyectos artificial intelligence de los \u00faltimos tres a\u00f1os.<\/span><\/p>\n Para cada \u201cdespilfarro\u201d identificado -exceso de procesamiento, energ\u00eda, inventario, sobreproducci\u00f3n, espera, fallos y talento- se explican las causas mediante ejemplos concretos.<\/span><\/p>\n Hacer IA porque es lo nuevo y lo que brilla. Esto ocurre cuando los equipos t\u00e9cnicos trabajan para construir una soluci\u00f3n t\u00e9cnica eficiente e innovadora pero compleja. Las consideraciones empresariales quedan relegadas a un segundo plano en favor del reto tecnol\u00f3gico; las especificaciones t\u00e9cnicas priman sobre las imprecisas especificaciones empresariales y no se identifican claramente las caracter\u00edsticas centrales que generan valor. El procesamiento adicional suele dar lugar a complejas \u201ccajas negras\u201d.\u201d<\/span><\/p>\n que deben ser mantenidos por los equipos t\u00e9cnicos y s\u00f3lo entonces comprendidos y adoptados por los equipos empresariales.<\/span><\/p>\n Construir una IA a medida lleva mucho tiempo. A veces, un peque\u00f1o detalle perfecto al que el cliente no ha dado prioridad y que no espera se convierte en el centro de un proyecto. Cuando esto ocurre, se abandona el verdadero objetivo del proyecto en favor de la resoluci\u00f3n de problemas menores.<\/span><\/p>\n Una compa\u00f1\u00eda de seguros quiere crear un algoritmo de predicci\u00f3n de bajas. El tradicional off-the-shelf\u00a0<\/span>algoritmos permiten cumplir las especificaciones. Sin embargo, el equipo data quiere dise\u00f1ar un\u00a0<\/span>soluci\u00f3n personalizada de aprendizaje profundo. El algoritmo que han dise\u00f1ado es una \u201ccaja negra\u201d, que lleva mucho m\u00e1s tiempo evaluar y comprender.<\/span><\/p>\n Una empresa de productos de gran consumo quiere establecer un algoritmo de asignaci\u00f3n para ayudar a gestionar los medios de comunicaci\u00f3n\u00a0<\/span>compra. En lugar de sacar partido de los modelos de atribuci\u00f3n tradicionales (\u00faltimo toque, lineal, primer toque, etc.), la empresa quiere establecer un modelo de atribuci\u00f3n data-driven, lo que supone un modelo innecesariamente complejo y dif\u00edcil de entender y utilizar.<\/span><\/p>\n A menudo, las empresas carecen de un ecosistema t\u00e9cnico de IA y disponen de SI y herramientas heredadas. Los distintos componentes necesarios para construir la soluci\u00f3n de IA no est\u00e1n integrados, lo que aumenta el coste y el tiempo del proceso de desarrollo. A nivel humano, las competencias no est\u00e1n centralizadas y la comunicaci\u00f3n no es fluida, lo que da lugar a malentendidos y p\u00e9rdidas de tiempo.<\/span><\/p>\n Una empresa minorista desea poner en marcha un algoritmo de recomendaci\u00f3n de clientes. El data necesario para el proyecto (CRM, transaccional, navegaci\u00f3n, etc.) est\u00e1 disperso en varias bases data sin acceso centralizado. Antes de poner en marcha el proyecto es necesario llevar a cabo una labor de centralizaci\u00f3n que requiere mucho tiempo.<\/span><\/p>\n Para beneficiarse de una mayor potencia de c\u00e1lculo, el equipo del data decide entrenar el algoritmo en el cloud y desplegarlo en una infraestructura inform\u00e1tica local. Los ecosistemas t\u00e9cnicos no est\u00e1n ya integrados, por lo que se requiere un trabajo de integraci\u00f3n adicional.<\/span><\/p>\n Los modelos se dise\u00f1an individualmente para satisfacer una necesidad concreta. No es posible capitalizar lo que se ha construido antes, por lo que cada nueva necesidad se satisface empezando desde cero, lo que ralentiza la producci\u00f3n y el desarrollo de nuevos modelos.<\/span><\/p>\n Las malas elecciones tecnol\u00f3gicas iniciales dan como resultado un producto data que requiere un mantenimiento sustancial. El equipo dedica demasiado tiempo a mantener el sistema existente en lugar de iterar y mejorar.<\/span><\/p>\n Una empresa de cosm\u00e9ticos quiere crear una soluci\u00f3n de Procesamiento del Lenguaje Natural (PLN) para analizar el sentimiento en las redes sociales. En lugar de utilizar un componente existente y a\u00f1adir un elemento especializado de PLN, la soluci\u00f3n se construye a medida. Tres meses despu\u00e9s, otro equipo quiere utilizar el PLN para otro tipo de an\u00e1lisis; se ve obligado a empezar de cero, creando m\u00e1s \u201cinventario\u201d de IA.<\/span><\/p>\n Una empresa del Internet de las Cosas ( IoT) quiere entender c\u00f3mo utilizan los consumidores sus productos conectados\u00a0<\/span>dispositivos, el data que llega a la empresa es, sin embargo, err\u00e1tico y de mala calidad. La empresa decide subcontratar la implementaci\u00f3n de un nuevo producto data para solucionar este problema y permitir que el data se procese en tiempo real, as\u00ed como anticiparse a cualquier problema de calidad. Tras la entrega del nuevo producto data, los equipos internos se ven incapaces de mantener la nueva soluci\u00f3n (espec\u00edfica y compleja). Tienen demasiados sistemas de IA espec\u00edficos, separados y complejos.<\/span><\/p>\n Sin una estrategia integrada, surgen muchas iniciativas diferentes (POC) al margen del objetivo principal de la empresa. Estas iniciativas suelen surgir anticip\u00e1ndose a las expectativas de los clientes y muchas responden al mismo problema.<\/span><\/p>\n Una empresa de productos de gran consumo decide poner en marcha un equipo de proyecto centrado en artificial intelligence. La primera acci\u00f3n del equipo es organizar un taller de ideas para identificar casos de uso que puedan desarrollarse. Los casos de uso presentados se centran en la promoci\u00f3n y el marketing, y se pasan por alto otras \u00e1reas valiosas, como la optimizaci\u00f3n de la cadena de suministro, la reducci\u00f3n del consumo energ\u00e9tico y la reducci\u00f3n de costes en las tiendas.<\/span><\/p>\n Los directivos de la empresa no consideran la inteligencia artificial como una herramienta estrat\u00e9gica. El tiempo dedicado a convencer a la direcci\u00f3n de que la artificial intelligence puede crear una ventaja competitiva deja poco tiempo para la acci\u00f3n.<\/span><\/p>\n El escaso patrocinio de los l\u00edderes conduce a una falta de participaci\u00f3n de todos los equipos. Los procesos no se miden, lo que provoca problemas de calidad, defectos y fallos t\u00e9cnicos. Los procesos tampoco son fluidos, con importantes p\u00e9rdidas de tiempo esperando la aprobaci\u00f3n entre etapas sucesivas.<\/span><\/p>\n Una empresa del sector de los viajes quiere desarrollar una aplicaci\u00f3n de voz en Google Home y Alexa. Se dedican tres meses a la identificaci\u00f3n y movilizaci\u00f3n de los recursos t\u00e9cnicos. Se identifica una clara necesidad de aumentar las competencias del equipo. La empresa decide recurrir a recursos externos, que quedan en suspenso durante un mes hasta que se conceda acceso a las bases data y al entorno t\u00e9cnico. Una vez que el proyecto est\u00e1 listo para su lanzamiento, se pone en pausa durante varias semanas, debido a un retraso en la firma de un acuerdo de confidencialidad por parte del director general.<\/span><\/p>\n Una empresa del sector de la alimentaci\u00f3n y las bebidas quiere sustituir su software de diagn\u00f3stico de fallos en su cadena de suministro refrigerada. Anteriormente hab\u00edan utilizado un \u00e1rbol de decisi\u00f3n determinista construido por humanos para analizar los fallos, pero quer\u00edan sustituirlo por un algoritmo de aprendizaje autom\u00e1tico. En lugar de dejar que el algoritmo definiera la soluci\u00f3n m\u00e1s pertinente para resolver el problema, el equipo del data limit\u00f3 el algoritmo incluyendo restricciones desarrolladas por humanos. Al final del programa, los resultados son los mismos que los del sistema anterior.<\/span><\/p>\n Para tener \u00e9xito en su transformaci\u00f3n de la IA, la empresa debe reconocer los puntos fuertes y las contribuciones de cada empleado, y hacer que la transformaci\u00f3n de la IA sea inclusiva. En la actualidad, se dedica demasiado poco tiempo y recursos a aumentar las competencias, la formaci\u00f3n y el desarrollo de los empleados, lo que dificulta el despliegue de las soluciones de IA y limita la transferencia de conocimientos.<\/span><\/p>\n Tres a\u00f1os despu\u00e9s del lanzamiento de un importante plan de transformaci\u00f3n de la IA, una empresa bancaria consulta a sus empleados. De la consulta salen tres puntos principales:<\/span><\/p>\n Inspir\u00e1ndose en los siete \u00ab despilfarros \u00bb popularizados en la fabricaci\u00f3n ajustada, Artefact ha adaptado este concepto al \u00e1mbito de artificial intelligence. Este estudio se basa en m\u00e1s de 30 proyectos artificial intelligence de los \u00faltimos tres a\u00f1os.<\/p>","protected":false},"featured_media":5603,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-5602","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\/5602","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\/5603"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media?parent=5602"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-category?post=5602"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-language?post=5602"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Procesamiento extra: Superar las expectativas de los clientes<\/span><\/h3>\n
La IA por la IA<\/span><\/h3>\n
\u201cReinventar la rueda\u201d<\/span><\/h3>\n
Ejemplos:<\/span><\/h3>\n
Energ\u00eda: Esfuerzos humanos o de m\u00e1quinas que no aumentan los beneficios<\/span><\/h3>\n
Falta de integraci\u00f3n<\/span><\/h3>\n
Ejemplos: <\/span><\/h3>\n
Inventario: La creaci\u00f3n de inteligencia no aut\u00f3noma<\/span><\/h3>\n
Cultura espec\u00edfica frente a cultura estandarizada<\/span><\/h3>\n
El peso de las elecciones pasadas<\/span><\/h3>\n
Ejemplos:<\/span><\/h3>\n
Sobreproducci\u00f3n: La IA llega demasiado pronto para el nivel de madurez de una empresa, o de forma desestructurada<\/span><\/h3>\n
Demasiadas pruebas de concepto no industrializadas<\/span><\/h3>\n
Ejemplo:<\/span><\/h3>\n
La espera: Tiempo desocupado, a la espera de una entrega o de una decisi\u00f3n de la direcci\u00f3n.<\/span><\/h3>\n
Falta de patrocinio a nivel C<\/span><\/h3>\n
Ejemplo:<\/span><\/h3>\n
Fallos: El producto de la IA no satisface las necesidades del cliente final<\/span><\/h3>\n
Un enfoque en la velocidad de ejecuci\u00f3n frente a la calidad y la coherencia<\/span><\/h3>\n
\n
Ejemplo:<\/span><\/h3>\n
El personal: No aprovechar las competencias internas<\/span><\/h3>\n
Falta de una cultura inclusiva con el ser humano en el centro<\/span><\/h3>\n
\n