Por el personal de AI Trends
El aprendizaje automático tiene el potencial de automatizar muchos más procesos comerciales de los que se automatizan actualmente en el software empresarial, basándose en todas las generaciones anteriores de métodos de desarrollo de software.
Esa es una sugerencia presentada por Claus Jepsen, director de tecnología de Unit4, un proveedor de software ERP con sede en Dinamarca.
“Según mi experiencia, normalmente menos del 20% de los procesos comerciales están automatizados en software empresarial. Creo que en tan solo dos o tres años, podríamos ver hasta el 80% de los procesos comerciales rutinarios automatizados por ML ”, declaró Jepsen en una cuenta reciente en Forbes.
Gran parte del aprendizaje automático, que describe como la capacidad de crear automatización a través de algoritmos de inteligencia artificial, es un análisis estadístico a partir de números, identificación de patrones y predicción de resultados futuros basados en resultados pasados. Todo esto se puede hacer con programación lógica estándar.
El grado en el que ML puede mejorar los resultados comerciales es "actualmente marginal", sugiere con precisión de los pronósticos financieros, por ejemplo, sensible a muchos factores mayores que qué tan bien el algoritmo puede refinarse a sí mismo con el tiempo. "Si no tiene datos armonizados, precisos y completos para empezar, simplemente aplicar ML no va a resultar en mejores decisiones comerciales ”, afirmó Jepsen.
Definir el problema empresarial es el mismo desafío al que siempre se han enfrentado los desarrolladores de software. "En términos de Gartner ciclo de exageraciones, ML se encuentra actualmente en la cima de las expectativas infladas ”, afirmó. "No se puede simplemente lanzar ML a un grupo de macrodatos y esperar que como por arte de magia se le presente un plan de negocios perfecto".
Los puntos de un proceso empresarial en los que se requiere cierto criterio o predicción, y donde una pequeña mejora en la precisión tendría un gran beneficio para la empresa, son candidatos para la automatización del aprendizaje automático. Los humanos que rodean el esfuerzo por hacer que la IA funcione son fundamentales. Deben decidir el caso de uso y asegurarse de que los datos tengan la calidad suficiente para ser útiles, antes de asignarle una tarea al algoritmo y luego entrenarlo.
"La mente humana es, con mucho, la mejor máquina de emparejamiento de patrones del universo", afirmó Jepsen. “El niño promedio de dos años probablemente pueda identificar correctamente a un gato después de haber visto dos o tres, mientras que un algoritmo ML podría necesitar ver 2,000 antes de poder estar seguro. Pero, una vez capacitado, ML sobresale en el manejo de grandes volúmenes de datos y su procesamiento muy rápido, sin aburrirse nunca al realizar tareas repetitivas y tediosas todos los días ".
El aprendizaje automático se está poniendo de moda en África
Esta visión del aprendizaje automático que extiende la automatización más allá de lo que el desarrollo de software ha logrado hasta ahora, se extiende a África, donde el aprendizaje automático está obteniendo beneficios. Los analistas de IDC han proyectado que se espera que el gasto en inteligencia artificial en el Medio Oriente y África mantenga su sólida trayectoria de crecimiento a medida que las empresas continúan invirtiendo en proyectos que utilizan software y plataformas de inteligencia artificial, según una cuenta en CIO inteligente África.
Una encuesta de IDC a líderes de TI encontró que ML mejoró la experiencia de los clientes y empleados y condujo a tasas aceleradas de innovación en la organización.
Se aplican los mismos desafíos: elija un buen candidato para el problema empresarial para automatizarlo con ML y asegúrese de que los datos estén disponibles para que funcione. Como parte de esto, “Identificar y comprender si los problemas que están tratando de resolver podrían abordarse mejor y con mayor precisión mediante el aprendizaje automático en lugar del software convencional es clave”, afirmó Fady Richmany, director senior y gerente general de UAE Dell Technologies.
Hablando de aplicaciones candidatas para ML, Richmany declaró: “Las empresas pueden usar Machine Learning para la retención de clientes, ya que los sistemas de ML pueden estudiar el comportamiento de los clientes e identificar posibles pasos para la retención de clientes. Además, pueden hacer uso de ML para ayudar con la investigación de mercado y la segmentación de clientes, lo que les permite ofrecer los productos y servicios adecuados en el momento adecuado, al tiempo que obtienen información valiosa sobre los patrones de compra de grupos específicos de clientes para orientar mejor sus necesidades. . "
Consideraciones de compra o compilación de plataformas de AA
Las empresas que se comprometen a perseguir el aprendizaje automático para el desarrollo de software de inteligencia artificial se enfrentan a la decisión de comprar o construir la plataforma ML necesaria.
"Crear una solución requiere años y personal", afirma Charna Parkey, líder de ciencia de datos en Kaskada of Seattle, en una cuenta reciente en incorporado. Kaskada está construyendo una plataforma de aprendizaje automático destinada a permitir la colaboración en la ingeniería de funciones y el éxito repetible en la producción.
Airbnb, por ejemplo, tardó tres meses en decidir qué construir en su plataforma ML y cuatro años en hacerlo; lo llaman Bighead. Sus desarrolladores utilizaron una variedad de tecnologías de código abierto, trabajando para "arreglar las brechas en el camino hacia la producción" con sus propios servicios e interfaz de usuario. Esto significaba que tenían que admitir múltiples marcos, gestión de funciones y transformación de modelos y datos. En una experiencia similar, Uber lleva cinco años trabajando en su plataforma, llamada Michaelangelo. Y Netflix comenzó hace más de cuatro años en su plataforma, que continúa en desarrollo, según Kaskada.
Encontrar el talento necesario siempre es un desafío. La decisión básica es si contratar a un científico de datos con formación clásica, o contratar a un experto en el dominio y capacitado. "Elegí mejorar las habilidades", declaró Kaskada, y no está sola. Alrededor del 46% de las organizaciones encuestadas por PwC en 2020 informaron que estaban implementando la mejora de las habilidades de IA para manejar el cambio a más IA, y el 38% estaban implementando programas de acreditación.
La compra de una plataforma ML prediseñada ahorra los costos iniciales de construcción, los costos de integración de “flujos de trabajo frágiles y personalizados” y viene con soporte externo dedicado, afirmó. También reduce el tiempo que lleva incorporar nuevos empleados al software propietario. Los costos de mudarse a una plataforma prediseñada incluyen tener que adoptar nuevos flujos de trabajo en lugar de crear los que la empresa tiene implementados, y tal vez decirles a los desarrolladores que sus herramientas favoritas ya no están de moda.
"No todas las plataformas admitirán la totalidad de sus operaciones de aprendizaje automático o las necesidades únicas de su empresa", sugirió Kaskada. "Evalúe cuidadosamente".
Nuevo libro: IA del mundo real: una guía práctica para el aprendizaje automático responsable
En el mundo real de las aplicaciones de aprendizaje automático aplicadas, los desafíos apenas comienzan a entenderse, sugieren los autores de un nuevo libro, IA del mundo real: una guía práctica para el aprendizaje automático responsable, por Alyssa Simpson Rochwerger y Wilson Pang, dos practicantes experimentados del aprendizaje automático aplicado. Rochwerger es un ex director de producto en IBM Watson, y Pang es el CTO de Appen, una compañía enfocada en mejorar la calidad de los datos para aplicaciones ML, con sede en Chatswood, Australia.
"Solo el 20% de la IA en etapas piloto en las principales empresas llega a la producción, y muchas no atienden a sus clientes tan bien como podrían", escriben Rochwerger y Pang. IA del mundo real, según un relato del libro publicado recientemente en Charlas técnicas. “En algunos casos, es porque están tratando de resolver el problema equivocado. En otros, es porque no tienen en cuenta todas las variables, o sesgos latentes, que son cruciales para el éxito o el fracaso de un modelo ".
El mundo real choca con las raíces académicas de la IA cuando se trata de datos.
"Al crear IA en el mundo real, los datos utilizados para entrenar el modelo son mucho más importantes que el modelo en sí", escriben Rochwerger y Pang. IA del mundo real. “Esta es una inversión del paradigma típico representado por la academia, donde los doctores en ciencia de datos dedican la mayor parte de su enfoque y esfuerzo a crear nuevos modelos. Pero los datos utilizados para entrenar modelos en la academia solo tienen como objetivo probar la funcionalidad del modelo, no resolver problemas reales. En el mundo real, la recopilación de datos precisos y de alta calidad que se pueden utilizar para entrenar un modelo de trabajo es increíblemente complicada ".
Lea la información y los artículos de origen in Forbes, in CIO inteligente África, in incorporado y in TechTalks.
PlatoAi. Web3 reinventado. Inteligencia de datos ampliada.
Haga clic aquí para acceder.
