En este artículo repasaremos el estado actual y la madurez de las tecnologías de Inteligencia Artificial para su aplicación empresarial, repasaremos los casos de uso más comunes y tres maneras distintas de iniciar la implantación en la organización.

Si aún no eres experto en estas tecnologías y quieres iniciarte, este texto te ayudará a comprender en qué contexto estamos, la definición del Deep Learning y los pasos a seguir para desarrollar una solución en tu empresa.

A modo de spoiler: ¡Ya puedes empezar a usar Inteligencia Artificial en tu compañía y aprovechar la gran ventaja competitiva que supone!

Inteligencia Artificial y el mundo en 2020

En los último años, mucho se viene hablando sobre Inteligencia Artificial en los medios, sobre todo lo que será capaz de hacer, sobre “cuando” igualará a las capacidades del hombre, sobre qué deparará a la sociedad futura rodeada por robots. La inteligencia Artificial ya está aquí. Ya es parte de nuestro mundo, de nuestro día a día. Estamos rodeados de servicios con IA, coches con IA y por supuesto nuestro móvil, tablet ó smartwatch. Estamos interactuando con la IA, probablemente mucho más de lo que somos conscientes.

Una nueva era de cómputo

La IA ha estado rondando el panorama analítico desde hace muchos años. Sin embargo es ahora cuando a alcanzado un grado de madurez suficiente para ser implementado. La IA moderna se refiere a sistemas que no tienen que ser programados explícitamente, si no, que aprenden por si mismos, ganan una experiencia basada en datos y alcanzan grandes aptitudes como para poder tomar decisiones confiables: sean por prediccion, clasificación, detección de patrones, planificación, organización ó recomendación.

En las últimas implementaciones de alto impacto, la IA se está apoyando en las Redes Neuronales Profundas (Deep neural networks) como parte fundamental de la solución. Este nuevo algoritmo crea un paradigma que abre las puertas a la resolución de problemas complejos en tiempo y forma.

 

Cuando se alinearon Datos, Hardware y Algoritmos

La historia de la IA puede contarse en 3 Capítulos: la explosión de los datos, las mejoras en Hardware y la disrupción de nuevos algoritmos.

Crecimiento exponencial de Datos

Creo que todos vivimos el auge en la aparición de grandes volúmenes de datos y la era del Big Data de los últimos 10 años.

Antes de eso el acceso a datos era muy limitado, restringido: “cerrado”. Ahora el acceso a datos permite alimentar procesos inteligentes desde múltiples fuentes, flexibles y un ámbito mucho más abierto. El dato pasa a ser el combustible indispensable del Aprendizaje Automático.

Avances Computacionales para poder manejar Big Data

A raíz de la explosión de datos, la industria se vio obligada a dar evolución a nuevas arquitecturas y soluciones hardware para manejar grandes cantidades de información. Las GPU surgieron a principios del 2000 para el procesamiento de gráficos sobre todo en Video Juegos y hace pocos años resultaron ser una pieza fundamental para el “cálculo matemático” sobre matrices que son fundamentales para la construcción de las Redes Neuronales. Eso sumado al cómputo distribuido y en paralelo dieron otro paso hacia la IA.

Acceso a los Algoritmos

El acceso al framework más potente del momento para desarrollo de Redes Neuronales Profundas es gratuito: tanto Tensorflow como Pytorch pueden descargarse e instalarse sin ningún coste y son de código abierto.

Esto también posibilitó su difusión y que los mismos proveedores de servicios en la nube AWS, Google ó Azure puedan ofrecerlos como parte de sus herramientas a todos los usuarios.

Esto termina siendo un caldo de cultivo en el que <<cualquiera>> es capaz de tener las tecnologías de acceso a datos, potencia en hardware y tecnología al alcance de la mano. La democratización de la IA empieza a florecer en el ambiente académico y a llegar al empresarial.

 

¿Qué es IA? Aprendizaje de Máquina y Aprendizaje Profundo

Antes de seguir hablando sobre IA, vamos a intentar definir qué es.

Para el término IA tenemos muchas definiciones. La mayoría destacan el hecho de que sea un algoritmo que puede mejorar por sí solo, <<aprender>>, basado en los datos. Esta es ciertamente la mayor característica de la IA, puesto que es un cambio radical a cómo se desarrolla el software, en donde los humanos escribimos explícitamente las reglas de lo que un algoritmo debe hacer a que el algoritmo “se instruya sólo”.

¿Qué es Deep Learning?

El Deep Learning surge desde los avances logrados en Machine Learning y logra detectar patrones mediante el uso de Redes neuronales artificiales que contienen múltiples capas. Las capas intermedias son llamadas “capas ocultas” y son las que permiten la extracción automática de “features”, es decir, las características más importantes de los datos de entrada de la red.

Los avances más grandes en Deep Learning ha sido en el incremento de capas y la complejidad de calculo que una red puede procesar. Hace décadas existían redes neuronales artificiales de 5 ó 10 capas, pero las nuevas Redes por ejemplo para visión artificial pueden contener cientos de capas intermedias. Esto termina dando como benficio el poder “romper récords” en aciertos de predicciones ó poder localizar objetos en imágenes, lograr el reconocimiento de voz u otras tareas complejas.

inteligencia artificial

La importancia del Deep Learning

Debido a su arquitectura, el Deep Learning es perfecto para tratamiento de grandes y complejos volúmenes de datos. Puede aprender, comprender, predecir y adaptarse por sí solo e ir mejorando con el tiempo. Se ha vuelto tan protagónico que muchas veces se usa el término Deep Learning como sinónimo de Inteligencia Artificial.

Entre otros diferenciadores:

  • Los modelos de Deep Learning pueden procesar features directamente sin necesidad de preprocesar como en tareas de Visión por Ordenador ó Procesamiento de Lenguaje Natural.
  • Los modelos de Deep Learning tienden a generalizar mejor el conocimiento, volviéndose robustos aún ante la presencia de “ruido” en los datos.
  • Deep Learning logra mayor precisión y aciertos en sus predicciones que otras técnicas, sobre todo ante datasets grandes y complejos.

 

Inteligencia Artificial aplicada en la Industria

Si bien los medios de comunicación están resaltando a veces de sobremanera y buscando titulares polémicos, la realidad es que la IA ha llegado a las empresas y está demostrando su gran valor añadido. Las compañías más importantes del mundo en industrias como transporte, banca, manufactura, retail y telecomunicaciones están tomando ventaja del poder que proporciona.

 

Estrategia de IA

Es claro que la IA representa un profundo cambio en las organizaciones tanto a corto como a largo plazo y es una tecnología que exige un cambio de estrategia y acción.

Una estrategia de compañía en torno a la IA es en donde se trabaja en el desarrollo de producto y la toma de decisiones. Un ejemplo es la industria financiera en donde la IA permite reducir el riesgo al tiempo que maximiza la rentabilidad. En la industria automotriz se empieza a ver cómo los potenciales compradores empiezan a interesarse más por “qué software tiene” ó “con qué móvil es compatible” que con la potencia del motor ó sus neumáticos.

En todos los campos el uso de Deep Learning tiene el potencial de aumentar la producción, reducir costes, reducir residuos, mejorar eficiencia e impulsar la innovación. Google, Apple, Amazon y Microsoft lo saben bien.

 

¿Dónde usar Deep Learning?

Deep Learning es extremadamente poderoso cuando se cuenta con gran cantidad de datos, cuando nos enfrentamos a muchas dimensiones (features) y también para procesar datos no estructurados como imágenes, video y audio.

En el corto plazo esta tecnología es prometedora para resolución de problemas como la detección de fraude, mantenimiento predictivo, motores de recomendación, optimización de recursos y fidelización de audiencias (reducción de la taza de abandonos, por ejemplo). En esos casos puede lograr mejoras extraordinarias de dos maneras:

  • Mejorar la predicción a partir de los modelos estadísticos ó matemáticos actuales (ó con los datos actuales).
  • Deep Learning puede permitir analizar conjuntos de datos que antes eran imposibles y no se tenían en cuenta.

Repasemos algunos de los casos de uso frecuentes:

Finanzas

El fraude financiero cuesta a las instituciones, consumidores y al propio mercado miles de millones de euros cada año. Cuando los sistemas bancarios y el propio manejo de transacciones bursátiles se digitalizaron gracias a internet; apareció con ella el peligro del acceso ilegal y fraudulento que se convirtió en una amenaza sin precedentes para industria y gobierno.

Las organizaciones financieras están usando machine Learning desde hace años junto con estadística, y data-mining para mitigar riesgos. El panorama actual exige nuevas herramientas.

El Deep Learning es mejor para detectar patrones sospechosos desde múltiples fuentes (orígenes) y da la posibilidad de analizar nuevos tipos de datos. Gracias a esto, la IA puede brindar a bancos e instituciones el cambio requerido ante el fraude moderno.

Optimización en las fábricas

Las fabricas actuales sufren de diversas ineficiencias muchas veces por tener restringido el acceso a datos, comunicación insuficiente entre la cadena de producción y la adquisición de materias primas ó incluso con Ventas. Mejorar estos obstáculos podría ser una oportunidad competitiva a un nuevo nivel.

La IA podría permitir realizar iteraciones y ajustes al sistema en minutos en vez de meses.

El poder predictivo que ofrece la IA permite una comprensión proactiva de las necesidades y permite comunicarlo a los interesados con antelación. Según diversos estudios la IA podría incrementar la capacidad de producción en un 20% y reducir el consumo de materiales en un 4%.

También posibilita el análisis en tiempo real con propuestas de reacción temprana. Día a día aparecen nuevos casos de uso en campos de la industria que vamos descubriendo.

Sistemas de Recomendación

Los sistemas de recomendación se están volviendo herramientas esenciales para poder competir en el mercado online. Estos modelos permiten a las compañías comprender mejor a sus clientes a la vez que ofrecer de manera personalizada mejores productos ó servicios a cada usuario consolidando esa relación. Los recomendadores aumentan la satisfacción, el gasto y la valoración global del cliente con la empresa.

Si bien los motores de recomendación existen desde hace años su potencial se está incrementando y siguen evolucionando, mejorando sus predicciones y enfoques. Amazon reporta un impresionante 35% de ventas que provienen de sus sistemas de recomendación. Netflix provee hasta un 75% de contenidos a sus usuarios gracias a estos algoritmos.

Mantenimiento Predictivo

Este es uno de los casos de uso de IA más valorables con el potencial de generar 1 trillon de euros para 2025. Cuando en una industria ocurre un desperfecto técnico y ocasiona que se frene la producción; provoca pérdidas millonarias. En la industria del automóvil, cada minuto de downtime no planeado cuesta 22.000 U$D.

El mantenimiento predictivo con IA es una parte clave para la automatización industrial. Ayuda a reducir el gasto, extiende la vida útil del equipamento y mejora la seguridad.

Tradicionalmente se utilizaba conocimiento estadístico para prevenir malos funcionamientos y hacer el reemplazo de piezas de maquinaria también mediante la utilización de sensores y estos modelos funcionaban bastante bien.

Al incorporar Deep Learning, estamos expandiendo la capacidad de utilizar como fuentes de datos imágenes, video y audios mediante diversos tipos de Redes neuronales logrando un aumento en la capacidad predictora y en la fiabilidad.

Es posible que ni si quiera imaginemos todo el potencial que se llegará a alcanzar gracias al Deep Learning aplicado en la industria.

 

Opciones para el consumo de IA Empresarial

Vamos a repasar las tres principales alternativas para implantar IA dentro de tu empresa, de la más rápida y económica a la más lenta y costosa. Veremos la opción de aprovechar el Software como Servicio (SaaS), el uso de Infraestructura en la Nube ó de soluciones hechas “en casa” y a medida.

inteligencia artificial

Soluciones Saas

Tal vez la solución más rápida para implementar IA en una organización sea mediante las SaaS. Estas son soluciones empaquetadas para casos “típicos” en el ámbito de visión, asistencia u operativo. También lo podemos encontrar como extensiones o mejoras en productos como CRM que ofrecen características que implementan IA.

Estas plataformas tienen ciertas ventajas como la simplicidad del “plug and play” para iniciarse, suelen ser económicas pero también tienen algunas contracaras. Por lo general en las soluciones que nos ofrecen tendremos configuración limitada (esto podría ser fundamental en algunos casos) y también tendremos implicancias en seguridad al exponer nuestros datos a terceros.

IA en la Nube

Con APIs en la nube los desarrolladores no necesitan comprender por completo la tecnología IA para poder beneficiarse de sus capacidades. Las APIS ofrecen servicios de fácil acceso incluyendo visión por ordenador, traducción de audio a texto, Procesamiento de Lenguaje natural.

Todos los proveedores líderes de servicios Cloud como Microsoft, Amazon y Google ofrecen este tipo de APIs. Por lo general contamos con planes de pago flexible “por uso” que permiten aventurarse con relativo bajo riesgo.

Para muchos casos estas posibilitarán soluciones con poco esfuerzo de desarrollo para su uso. Sin embargo, ocurre que en otros casos la flexibilidad de las APIs pueda estar limitada y que se cubran casos globales ó comunes, pero que no son específicos de una compañía. Muchos algoritmos de Vision Artificial son capaces de detectar coches, personas y perros “out of the box” pero no de detectar piezas propias de la maquinaria de una fábrica.

IA hecha a medida

Como tercer opción para que las empresas puedan consumir IA está la de crear sus propios algoritmos a medida mediante frameworks lo que le dará a las empresas mayor flexibilidad de ajuste para utilizar IA. Existen frameworks libres y populares como Tensorflow, keras y Pytorch ú otros propietarios como Watson de IBM.

El desarrollo propio y personalizado de soluciones IA permite el uso completo del dato de la compañía y la integración con sus procesos actuales y dirigir las soluciones de sus “problemas únicos”.

Diseñar y entrenar modelos Deep Learning pueden transformarse en una verdadera ventaja competitiva. En contraste con las otras opciones requiere de conformar un equipo de científicos de datos e ingenieros expertos (ó tercerizar), de mayor tiempo de implementación y será más costoso económicamente.

 

Conclusiones

Estamos vislumbrando la punta del Iceberg de la IA y todo el cambio y mejoras que suponen para las organizaciones. Para lograrlo debemos estar atentos a la estrategia que mejor se adapte a tu Empresa.

 

Identificación de áreas con alto retorno

Comienza por seguir los siguientes pasos:

  • Identificar en qué áreas de la Organización puede tener impacto la IA.
  • Evitar apresurarse a seleccionar una tecnología. Primero asegurarse de entender cual será el objetivo (resultado) que deberá obtener el uso de la IA y su posible retorno.
  • Educar a los altos mandos para tener una visión realista de lo que puede aportar esta nueva tecnología sin generar expectativas fantásticas.
  • Demostrar la viabilidad de la tecnología en la resolución de problemas en las áreas que identificaste, con casos de éxito similares en la industria ó con pequeños experimentos.

Los desafíos de desarrollar e implementar una solución personalizad de IA no son triviales especialmente porque el campo aún está en plena maduración.

Finalmente decir que a pesar de las dificultades y obstáculos iniciales en el proceso de implantar IA en una Compañía, el cambio exponencial de crecimiento que puede brindar es gigante y vale la pena.

Y lo puedes empezar a hacer hoy!

¿Quieres formarte en Machine Learning? En SolidQ venimos trabajando en proyectos de Machine Learning desde hace algunos años y esta experiencia nos ha servido para adaptar nuestro conocimiento y crear los contenidos formativos objeto de este Módulo de Machine Learning con el que adquirir nuevos conceptos y conocimientos relacionados con analítica avanzada, dar el salto para no quedarte en el BI Tradicional” y seguir creciendo como profesional. Aprovecha la oportunidad y no dejes escapar el descuento que tenemos para ti… ¡antes de que se agote!

¿Quieres poner en marcha tu proyecto de Machine Learning? Conseguir el éxito en proyectos de analítica avanzada y su monetización requiere de datos, un buen modelo… y su interpretación asociada al caso de negocio. Esta combinación es imprescindible para que el proyecto tenga sentido y sea rentable. Por esta razón, durante nuestro Ideation Workshop nos reunimos en una sesión con todas las partes implicadas de tu equipo, para poner en contexto el proyecto y asegurar tanto su viabilidad técnica como los hitos de negocio en términos de rentabilidad. ¡Infórmate! Mira: Machine Learning Ideation Workshop: ¿Cómo empiezo mi proyecto?

Juan Ignacio Bagnato