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<\/a>, 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 m\u00e1s de relieve. Las empresas que prosperen y sobrevivan ser\u00e1n las que sean capaces de adoptar las soluciones de IA adecuadas y desplegarlas y ampliarlas con rapidez y eficacia.<\/p>\n<\/div> Sin embargo, como ocurre con todos los cambios de juego, las iniciativas de IA plantean nuevos retos. La implementaci\u00f3n conlleva muchas preguntas: la principal de ellas, \u00bfc\u00f3mo puede adoptar el enfoque data adecuado para desplegar las iniciativas de IA de forma r\u00e1pida y eficaz, sin fracasos y de forma sostenible a largo plazo? El enfoque de la \u2018Factor\u00eda de IA\u2019 se ha desarrollado precisamente por este motivo.<\/p>\n<\/div> La Factor\u00eda de IA es un modelo operativo organizativo -que combina diferentes talentos, capacidades y procesos de forma sistematizada- para lograr el \u00e9xito en el despliegue y la escalabilidad de la IA. Lo han utilizado con eficacia l\u00edderes del sector como Carrefour<\/a> y ENGIE<\/a> para llevar a cabo proyectos transformadores de IA en sus empresas. Sin embargo, crear una f\u00e1brica de IA eficaz desde cero puede resultar desalentador. Se necesitan equipos expertos y una visi\u00f3n clara para que el proceso funcione.<\/p>\n<\/div> El primer paso vital es definir una visi\u00f3n y unos casos de uso para su f\u00e1brica de IA. Esta ser\u00e1 su estrategia data. Deben identificarse los casos de uso que ofrezcan el mayor potencial empresarial de transformaci\u00f3n de la empresa. Ya se trate de la optimizaci\u00f3n de la cadena de suministro o de la gesti\u00f3n del cumplimiento, existen oportunidades a todos los niveles.<\/p>\n Tambi\u00e9n debe tenerse en cuenta la visi\u00f3n de la IA de la empresa. Es importante tener la capacidad de imaginar c\u00f3mo podr\u00eda desarrollarse, planificarla y alcanzar una idea clarividente del futuro. A partir de una visi\u00f3n de conjunto preliminar, dibuje una versi\u00f3n depurada aplicable al data y a la IA.<\/p>\n A continuaci\u00f3n, deben evaluarse las oportunidades de negocio concretas, mediante la identificaci\u00f3n y clasificaci\u00f3n de los casos de uso. Esto se hace evaluando el impacto empresarial y la complejidad de la aplicaci\u00f3n. En todo momento es importante centrarse en la mentalidad, para gestionar el cambio a gran escala e implicar a todo el mundo, desde la direcci\u00f3n de la empresa hasta los miembros del equipo de primera l\u00ednea.<\/p>\n<\/div> Una vez definida la estrategia data de la empresa y la visi\u00f3n de la IA, deber\u00eda tener una lista priorizada de casos de uso para poner en pr\u00e1ctica. Pero, \u00bfc\u00f3mo puede empezar a trabajar en ellos? Una implantaci\u00f3n eficaz de la Factor\u00eda de IA se basa en cuatro pilares distintos:<\/p>\n<\/div> Una \u00fanica gobernanza<\/b><\/p>\n<\/div> Para ser eficaz, la gobernanza debe ser de alto nivel, dedicada y adaptada. Una Junta de la Factor\u00eda de IA al m\u00e1s alto nivel -compuesta por l\u00edderes clave de la C-suite data- es extremadamente importante para proporcionar un patrocinio y una direcci\u00f3n generales, ya que comparte la visi\u00f3n de la IA y alinea a los equipos y la hoja de ruta con ella. A nivel de gesti\u00f3n del programa, debe establecerse un papel de Director de la Factor\u00eda de IA, en el que participen expertos en negocios, operaciones, asuntos jur\u00eddicos, seguridad y TI data. Su funci\u00f3n deber\u00eda ser revisar, arbitrar y validar los progresos.<\/p>\n Por \u00faltimo, a nivel operativo, se necesitan equipos \u00e1giles. Los equipos de caracter\u00edsticas son responsables de la entrega de casos de uso con productos de IA. Son unidades muy unidas que trabajan en colaboraci\u00f3n para garantizar el flujo permanente de informaci\u00f3n y la transparencia. Y lo que es m\u00e1s importante, deben ser multidisciplinares, combinando habilidades y experiencia de toda la empresa. Est\u00e1n orientadas al logro, cada una creada con un \u00fanico objetivo: entregar un caso de uso medido por una meta \u00fanica.<\/p>\n<\/div> Equipos organizados, diversos y expertos<\/b><\/p>\n<\/div> Para impulsar la eficiencia, las organizaciones estructuradas deben reunir las competencias empresariales, data, de software y de tecnolog\u00eda digital en equipos h\u00edbridos basados en m\u00e9todos \u00e1giles. 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 r\u00edgidos. Esto requiere una buena mezcla de perfiles empresariales y t\u00e9cnicos, para garantizar que lo que se desarrolle en el aspecto t\u00e9cnico tenga siempre un prop\u00f3sito \u00fatil que responda a las necesidades empresariales.<\/p>\n La escalabilidad es una caracter\u00edstica general importante de la composici\u00f3n de un equipo. La idea es que su estructura pueda duplicarse f\u00e1cilmente, como los ladrillos de Lego. Con un modelo totalmente escalable, se pueden a\u00f1adir m\u00e1s equipos para abordar casos de uso adicionales.<\/p>\n<\/div> Tecnolog\u00edas avanzadas de IA<\/strong><\/p>\n<\/div> Por supuesto, un despliegue eficaz de la IA necesita una base de tecnolog\u00edas habilitadoras de la IA. Una f\u00e1brica de IA utiliza una combinaci\u00f3n de soluciones de c\u00f3digo abierto, propietarias y cloud. Deben estandarizarse en toda la canalizaci\u00f3n data -desde la ingesti\u00f3n hasta la visualizaci\u00f3n- de principio a fin, seg\u00fan las mejores pr\u00e1cticas.<\/p>\n<\/div> Metodolog\u00edas sistem\u00e1ticas y probadas<\/strong><\/p>\n<\/div> La sistematizaci\u00f3n es necesaria para asegurarse de que una serie de pasos se dan siempre en un orden espec\u00edfico, 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 metodolog\u00edas sean replicables y escalables, acelerando considerablemente el despliegue de la fase de industrializaci\u00f3n.<\/p>\n<\/div> MLOps: Mantener la f\u00e1brica en funcionamiento<\/strong><\/p>\n<\/div> Junto a una metodolog\u00eda de casos de uso establecida, deben desplegarse pr\u00e1cticas MLOps (Machine Learning Operations) para cerrar la brecha entre la fase de concepto y la de producci\u00f3n. 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.<\/p>\n El prop\u00f3sito de los MLOps es afrontar retos que los sistemas codificados tradicionales no tienen. El primer reto es la colaboraci\u00f3n entre equipos: las distintas unidades suelen estar aisladas y son due\u00f1as de diferentes partes del proceso. Esto ahoga la unidad necesaria para entrar en producci\u00f3n.<\/p>\n La segunda es la gesti\u00f3n de las canalizaciones, ya que las canalizaciones de ML son m\u00e1s complejas que las tradicionales. Tienen caracter\u00edsticas espec\u00edficas, como ladrillos que deben probarse y supervisarse a lo largo de la producci\u00f3n.<\/p>\n El \u00faltimo obst\u00e1culo es que los modelos de ML suelen necesitar varias iteraciones: cuando se ponen en producci\u00f3n de forma manual y ad hoc, se vuelven r\u00edgidos y dif\u00edciles de actualizar.<\/p>\n En su lugar, un enfoque de MLOps deber\u00eda integrar todos los activos de ML en una canalizaci\u00f3n de integraci\u00f3n continua y entrega continua (CICD) para garantizar unos despliegues r\u00e1pidos y sin fisuras. Todas las data, funciones y modelos deben probarse antes de cada nueva versi\u00f3n para evitar desviaciones en la calidad o el rendimiento. Todas las partes interesadas deber\u00edan trabajar en el mismo lienzo y aplicar las mejores pr\u00e1cticas de ingenier\u00eda de software a los proyectos cient\u00edficos data: versionado, entornos de despliegue, pruebas.<\/p>\n En \u00faltima instancia, MLOps es la disciplina de gestionar de forma coherente los proyectos de ML de manera unificada con todos los dem\u00e1s elementos de producci\u00f3n. Asegura una entrega t\u00e9cnica eficiente desde la fase inicial del caso de uso (primeros modelos) hasta la industrializaci\u00f3n del caso de uso.<\/p>\n<\/div> Un marco para el \u00e9xito<\/strong><\/p>\n<\/div> La IA es muy prometedora, pero tambi\u00e9n entra\u00f1a grandes riesgos para las organizaciones incapaces de implantarla correctamente. La verdadera ventaja del modelo de f\u00e1brica de IA es que establece un marco b\u00e1sico para una implantaci\u00f3n r\u00e1pida y satisfactoria. Los procesos, los equipos y las herramientas son transferibles y repetibles por naturaleza, lo que significa que una empresa puede seguir siendo \u00e1gil en la persecuci\u00f3n de su visi\u00f3n 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.<\/p>\n<\/div><\/div><\/div><\/div><\/article>La planificaci\u00f3n hace la perfecci\u00f3n<\/h2><\/div>
Los cuatro pilares de la f\u00e1brica de IA<\/h2><\/div>