{"id":5606,"date":"2019-06-03T16:21:28","date_gmt":"2019-06-03T15:21:28","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=5606"},"modified":"2024-09-20T17:45:03","modified_gmt":"2024-09-20T16:45:03","slug":"the-benefits-of-an-in-house-ai-factory","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/es\/blog\/the-benefits-of-an-in-house-ai-factory\/","title":{"rendered":"Las ventajas de una f\u00e1brica interna de IA"},"content":{"rendered":"

<\/span><\/div><\/div><\/div>

NOTICIAS \/ TECNOLOG\u00cdA AI<\/p>\n<\/div>

La creciente comprensi\u00f3n y experiencia con la artificial intelligence por parte de las organizaciones podr\u00eda parecer contradictoria dada la falta de una implantaci\u00f3n significativa de la IA en la mayor\u00eda de las empresas.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

La creciente comprensi\u00f3n y experiencia con la artificial intelligence por parte de las organizaciones podr\u00eda parecer contradictoria dada la falta de una implantaci\u00f3n significativa de la IA en la mayor\u00eda de las empresas. <\/b><\/p>\n

En este art\u00edculo, examinaremos tanto las razones subyacentes de esta dicotom\u00eda como exploraremos las condiciones necesarias para lograr el \u00e9xito.<\/b><\/p>\n

Las organizaciones que est\u00e1n aplicando con \u00e9xito las tecnolog\u00edas de IA est\u00e1n asistiendo a la aparici\u00f3n de nuevos modelos, especialmente en forma de \u201cf\u00e1brica de IA\u201d, una combinaci\u00f3n de talentos, m\u00e9todos y tecnolog\u00edas al servicio de toda la empresa.<\/span><\/p>\n

La innovaci\u00f3n en las tecnolog\u00edas incipientes sigue invariablemente el denominado \u201cHype Cycle\u201d de Gartner, que identifica cinco etapas del ciclo de vida que se solapan:<\/span><\/p>\n

    \n
  1. Activador de la innovaci\u00f3n<\/b>: En esta etapa, una tecnolog\u00eda potencial pone las cosas en marcha. Puede haber prototipos y mucho inter\u00e9s medi\u00e1tico y publicitario, pero con frecuencia no se dispone de productos comercialmente viables.<\/span><\/li>\n
  2. Pico de expectativas infladas<\/b>: En este punto, la tecnolog\u00eda se implanta; produce una serie de \u00e9xitos, pero muchos m\u00e1s fracasos. Algunas empresas adoptan la tecnolog\u00eda; muchas no.<\/span><\/li>\n
  3. La depresi\u00f3n de la desilusi\u00f3n<\/b>: El inter\u00e9s comienza a desvanecerse a medida que salen a la luz defectos y fallos. Algunos productores de la tecnolog\u00eda abandonan la carrera. Las inversiones contin\u00faan s\u00f3lo si los proveedores supervivientes mejoran sus productos hasta satisfacer a los usuarios.<\/span><\/li>\n
  4. Pendiente de la iluminaci\u00f3n<\/b>: Las formas en que la tecnolog\u00eda puede beneficiar a las empresas se hacen m\u00e1s evidentes. M\u00e1s empresas la prueban; algunas fabrican productos de segunda y tercera generaci\u00f3n.<\/span><\/li>\n
  5. Meseta de productividad<\/b>: La tecnolog\u00eda se implanta ampliamente. Sus aplicaciones en el mercado se hacen evidentes y comienza una adopci\u00f3n de alto crecimiento.<\/span><\/li>\n<\/ol>\n

    Como demuestra el ciclo, cada fase de \u00e9xito concreto va precedida de una fase de desilusi\u00f3n. Demasiadas complicaciones pueden impedir el \u00e9xito de estos proyectos. Lo que est\u00e1 en juego para superar el reto de <\/span>Inteligencia artificial<\/span> son elevados: seg\u00fan Accenture, las empresas que hagan un buen uso de las artificial intelligence podr\u00edan ver crecer su rentabilidad \u00a1en m\u00e1s de 30%! A esto hay que a\u00f1adir nuevas fuentes potenciales de ingresos, que pueden derivarse de la mejora de las experiencias de los clientes o de una mayor ventaja competitiva.<\/span><\/p>\n

    \u00bfQu\u00e9 es la IA? \u00bfQu\u00e9 valor puede aportar a las empresas?<\/span><\/h3>\n

    La IA, que a\u00fan est\u00e1 en pa\u00f1ales, es un conjunto de ciencias muy te\u00f3ricas; sin embargo, las empresas deben contemplarla con vistas al ahorro de costes, y no a trav\u00e9s del prisma de la innovaci\u00f3n (el s\u00edndrome de la \u201c\u00faltima palabra de moda\u201d). \u00bfC\u00f3mo pueden las empresas extraer un valor real de estos experimentos de IA? \u00bfC\u00f3mo pueden tener \u00e9xito en la \u201campliaci\u00f3n\u201d? Nuestra respuesta exige nuevos marcos organizativos en los que hablemos de \u201cf\u00e1bricas de IA\u201d.<\/span><\/p>\n

    Hoy en d\u00eda, cada vez hay m\u00e1s algoritmos y \u201cproductos de inteligencia\u201d en las estanter\u00edas. Al menos en los niveles inferiores. Los primeros socios europeos de la nube, Amazon (AWS), Microsoft (Azure), Google (GCP) e IBM, ofrecen varios niveles de abstracci\u00f3n que permiten a las empresas \u201cproducir\u201d IA internamente (Google lanz\u00f3 recientemente un nuevo servicio universal gestionado llamado Anthos); estas soluciones funcionan un poco como los kits de qu\u00edmica con los que jug\u00e1bamos de ni\u00f1os. Proponen un acceso sencillo a infraestructuras dise\u00f1adas espec\u00edficamente para responder a <\/span>aprendizaje autom\u00e1tico<\/span> necesidades, como las TPU de Google, que son servicios gestionados que permiten la concentraci\u00f3n de equipos en determinadas aplicaciones.<\/span><\/p>\n

    Tambi\u00e9n est\u00e1n disponibles numerosos\u00a0<\/span>c\u00f3digo abierto<\/span>\u00a0bibliotecas (scikit-learn, TensorFlow, Pytorch), as\u00ed como API propias (reconocimiento de im\u00e1genes, texto y voz). Pero pueden surgir problemas tras los \u00e9xitos iniciales, ya que s\u00f3lo una peque\u00f1a parte de estas pruebas acaba en modo de producci\u00f3n, lo que genera no s\u00f3lo frustraci\u00f3n sino, obviamente, oportunidades perdidas.<\/span><\/p>\n

    La mayor\u00eda de las grandes organizaciones han invertido masivamente en Data Cient\u00edficos, y con raz\u00f3n: en 2016, McKinsey anunci\u00f3 que se necesitar\u00edan 250.000 Data Cient\u00edficos para 2021 solo en Estados Unidos. Pero ahora nos estamos dando cuenta de que estos perfiles, muy centrados en modelos, estad\u00edsticas y algoritmos data, no ser\u00e1n suficientes para transformar la empresa con la IA. Omitimos, por ejemplo, a los inestimables Data Engineer y Data Arquitectos, cuyo talento es clave para garantizar el \u00e9xito en los pr\u00f3ximos a\u00f1os, pero cuya integraci\u00f3n en los proyectos de equipo a\u00fan no se ha logrado.<\/span><\/p>\n

    Un nuevo modo de organizaci\u00f3n est\u00e1 saliendo gradualmente a la luz: La f\u00e1brica de Inteligencia Artificial, o f\u00e1brica de IA,<\/span>
    \n<\/span>que sigue una serie de principios rectores sencillos pero cruciales para el \u00e9xito de estas iniciativas.\u00a0<\/span><\/p>\n

    La f\u00e1brica de IA comienza con una gobernanza centralizada<\/span><\/h3>\n

    Uno con objetivos muy ambiciosos... La idea es aunar y coordinar los esfuerzos de inversi\u00f3n y direcci\u00f3n. S\u00f3lo un n\u00famero muy reducido de los proyectos de mayor valor de la empresa ser\u00e1n examinados por los patrocinadores m\u00e1s comprometidos con su \u00e9xito. La selecci\u00f3n de estos casos de uso debe ser extremadamente rigurosa: concretamente, ning\u00fan proyecto debe ver la luz si no respeta la sencilla ley del 10X (ofrecer un rendimiento de la inversi\u00f3n de 10:1). El \u00e9xito y el impacto de cada caso de uso deben poder medirse seg\u00fan un KPI sencillo y comprensible, y la mejora sistem\u00e1tica de este KPI debe ser el <\/span>raz\u00f3n de ser<\/span><\/i> de los equipos.<\/span><\/p>\n

    Los equipos de caracter\u00edsticas garantizan una organizaci\u00f3n dedicada al proyecto<\/span><\/h3>\n

    Popularizados por Spotify, los equipos de caracter\u00edsticas responden a los retos de reducci\u00f3n del tiempo de comercializaci\u00f3n, transversalidad y continuidad del proyecto. Dirigido por un director comercial, el equipo de caracter\u00edsticas est\u00e1 compuesto por un propietario de producto, cient\u00edficos data, ingenieros data y expertos en DevOps. La inclusi\u00f3n de DevOps \/ TI en el equipo de caracter\u00edsticas garantiza una excelente supervisi\u00f3n y un mantenimiento perenne de la soluci\u00f3n de IA. Un \u201cequipo de plataforma\u201d garantiza la coherencia tecnol\u00f3gica de los bloques de construcci\u00f3n desplegados por los equipos de caracter\u00edsticas. Es importante se\u00f1alar que este modelo organizativo funciona muy bien a escala (hay hasta 10 equipos de caracter\u00edsticas por cada \u201ctribu\u201d en Spotify).<\/span><\/p>\n

    Las ventajas de los equipos de caracter\u00edsticas<\/span><\/h3>\n
      \n
    • Los equipos de caracter\u00edsticas son m\u00e1s capaces de evaluar el impacto de las decisiones de dise\u00f1o<\/b>. Al final de un sprint, un equipo de caracter\u00edsticas habr\u00e1 construido una funcionalidad de principio a fin, atravesando todos los niveles de la pila tecnol\u00f3gica de la aplicaci\u00f3n. Esto maximiza el aprendizaje de los miembros sobre las decisiones de dise\u00f1o de producto que tomaron (\u00bfLes gusta a los usuarios la funcionalidad tal y como se desarroll\u00f3?) y sobre las decisiones de dise\u00f1o t\u00e9cnico (\u00bfQu\u00e9 tal nos funcion\u00f3 este enfoque de implementaci\u00f3n?).<\/span><\/li>\n
    • Los equipos de caracter\u00edsticas reducen los residuos creados por las transferencias.\u00a0<\/b>Entregar el trabajo de un grupo o individuo a otro es un despilfarro. En el caso de un equipo de componentes, existe el riesgo de que se haya desarrollado demasiada o muy poca funcionalidad, de que se haya desarrollado la funcionalidad equivocada, de que parte de la funcionalidad ya no sea necesaria, etc.<\/span><\/li>\n
    • Garantiza que hablen las personas adecuadas.<\/b>\u00a0Dado que un equipo de caracter\u00edsticas incluye todas las habilidades necesarias para pasar de la idea a la caracter\u00edstica en funcionamiento y probada, garantiza que las personas con esas habilidades se comuniquen al menos a diario.<\/span><\/li>\n
    • Mantiene el foco en la entrega de prestaciones.<\/b>\u00a0Puede ser tentador para un equipo volver a caer en sus h\u00e1bitos pre-Scrum. Organizar los equipos en torno a la entrega de caracter\u00edsticas, en lugar de en torno a elementos arquitect\u00f3nicos o tecnolog\u00edas, sirve como recordatorio constante del enfoque de Scrum en la entrega de caracter\u00edsticas en cada sprint.<\/span><\/li>\n<\/ul>\n

      Una metodolog\u00eda espec\u00edfica: Lean AI<\/span><\/h3>\n

      La IA ajustada es una metodolog\u00eda que reduce la incertidumbre sobre la eficacia y la aplicabilidad de las soluciones de IA. Los modelos nunca son perfectos y deben probarse en situaciones del mundo real. El m\u00e9todo consiste en un bucle de mejora continua de ciclos cortos que incluyen la formulaci\u00f3n de hip\u00f3tesis, la identificaci\u00f3n de data pertinentes, la construcci\u00f3n y prueba de uno o varios modelos, seguida del despliegue en un per\u00edmetro de prueba y la recopilaci\u00f3n de los comentarios de los usuarios.<\/span><\/p>\n

      El ciclo se repite con la formulaci\u00f3n de nuevas hip\u00f3tesis, nuevos data, etc. Este m\u00e9todo permite la realizaci\u00f3n de pruebas en situaciones reales y, a continuaci\u00f3n, la mejora de los casos no explorados, hasta alcanzar un nivel de satisfacci\u00f3n considerado aceptable por la organizaci\u00f3n para iniciar la producci\u00f3n.<\/span><\/p>\n

      ... Junto con una infraestructura adaptada<\/span><\/h3>\n

      La implantaci\u00f3n debe preverse desde los primeros d\u00edas del proyecto para evitar empezar de cero en un entorno t\u00e9cnico diferente.<\/span><\/p>\n

      Tambi\u00e9n debe evitarse la creaci\u00f3n de nuevos silos data aprovechando al m\u00e1ximo los lagos y pozos data existentes en la organizaci\u00f3n. Las aplicaciones de IA deben construirse en una l\u00f3gica de arquitectura orientada a los servicios.<\/span><\/p>\n

      Las tecnolog\u00edas de contenedorizaci\u00f3n y orquestaci\u00f3n como Docker y Kubernetes permiten una gesti\u00f3n simplificada de los ecosistemas de microservicios, facilitando el uso de modelos de IA a trav\u00e9s de API que pueden utilizar todas las divisiones de la organizaci\u00f3n.<\/span><\/p>\n

      ... Y trabajar en la transformaci\u00f3n interna y la adopci\u00f3n<\/span><\/h3>\n

      Aunque muchas empresas ya comparten un espacio com\u00fan, la falta de un modelo operativo com\u00fan est\u00e1 socavando el \u00e9xito de los proyectos de IA. Por ejemplo, un \u201cChatbot\u201d perteneciente a un sitio web comercial deber\u00eda ser una parte natural de la ruta de ventas, en lugar de considerarse como un silo de adquisici\u00f3n independiente, pero a menudo no es as\u00ed. Cuando los distintos departamentos de una empresa adoptan las mismas tecnolog\u00edas, el \u00e9xito de la IA es mucho m\u00e1s probable.<\/span><\/p>\n

      Pasos para el \u00e9xito de un proyecto de IA<\/span><\/h3>\n

      #1 Defina su objetivo de IA \u00a0<\/b><\/p>\n

      2 Resp\u00e1ldelo con Data<\/b><\/p>\n

      #3 Implique a sus expertos en la materia (PYME) internos.<\/b><\/p>\n

      #4 Medir el resultado, no la producci\u00f3n<\/b><\/p>\n

      #5 \u00a1Itere r\u00e1pido!<\/b><\/p>\n

      Por \u00faltimo: un reto \u00e9tico cada vez m\u00e1s importante<\/span><\/h3>\n

      Recientemente hemos visto el ejemplo de Alexa y la desagradable sorpresa de su escucha (necesaria y planificada para mejorar el aprendizaje supervisado). La normativa siempre ir\u00e1 por detr\u00e1s de la tecnolog\u00eda. Es importante que las empresas que emplean artificial intelligence comprendan los retos \u00e9ticos de estas soluciones. Siete principios \u00e9ticos rectores, publicados por el Comit\u00e9 de Expertos Independientes con mandato de la Comisi\u00f3n Europea: IA al servicio de la humanidad, digna de confianza, que respete la data privada, transparente, no discriminatoria, dedicada a la mejora del bien com\u00fan y, por \u00faltimo, con una responsabilidad humana claramente definida.<\/span><\/p>\n

      Cada vez son m\u00e1s las organizaciones que deciden aplicar estos principios para extraer el valor de la IA: Carrefour anunci\u00f3 recientemente el lanzamiento de su Laboratorio de Inteligencia Artificial en colaboraci\u00f3n con Google, y Walmart anunci\u00f3 el lanzamiento de su \u201cF\u00e1brica en la nube\u201d en Austin con Microsoft. No cabe duda de que estos nuevos m\u00e9todos organizativos, centrados en el valor y pragm\u00e1ticos en su enfoque de la innovaci\u00f3n, se desplegar\u00e1n con mayor frecuencia y \u00e9xito en los pr\u00f3ximos a\u00f1os.<\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"

      La creciente comprensi\u00f3n y experiencia con la artificial intelligence por parte de las organizaciones podr\u00eda parecer contradictoria dada la falta de una implantaci\u00f3n significativa de la IA en la mayor\u00eda de las empresas.<\/p>","protected":false},"featured_media":5607,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-5606","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\/5606","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\/5607"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media?parent=5606"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-category?post=5606"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-language?post=5606"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}