Fuente: preparación técnica de inteligencia artificial - Imágenes de Bing
Organizaciones de todo el mundo están abrazando el nuevo amanecer de la cuarta revolución. La incorporación de IA en las prácticas y operaciones comerciales se está volviendo más común y se considera una necesidad para mantener la ventaja competitiva. La preparación técnica requiere que una organización evalúe su ecosistema, datos, infraestructura (tanto operativa como culturalmente) y capacidad de toma de decisiones.
Comprender el ecosistema de IA
Fuente: ai eco system - Imágenes de Bing
Antes de implementar o adoptar un proyecto de IA, es importante que una organización comprenda su ecosistema , es decir, su red de tecnologías tanto interna como externamente. Los ecosistemas generalmente se componen de usuarios internos y partes interesadas externas, como socios de la cadena de suministro, proveedores de TI, organizaciones financieras, clientes. Esta lista no es exhaustiva, y la composición cambia constantemente y se expande debido a la naturaleza dinámica de la IA y su potencial de capacidad.
Tres atributos clave son fundamentales para comprender un ecosistema que está preparado para la IA:
1. Apertura : Los ecosistemas requieren una atención sostenida y un esfuerzo concertado para desarrollarse y crecer. Los investigadores de McKinsey Group afirman que una organización que busca utilizar un ecosistema de manera efectiva debe desarrollar una "arquitectura de integración de próxima generación para respaldarlo y hacer cumplir estándares abiertos que pueden ser adoptados fácilmente por partes externas".
2. Flexibilidad : los sistemas de IA deben ser flexibles, segmentados y fáciles de incorporar para que funcionen con éxito. Kevin Martelli, director general de datos y análisis de KPMG, sugiere que, debido a los cambios rápidos en el mercado y las nuevas tecnologías emergentes, las organizaciones necesitan construir ecosistemas en lo que él llama una " capa y manera abierta ", es decir, un enfoque por etapas e incremental para respaldar la desarrollo y crecimiento del sistema.
3. Intercambiabilidad : la estandarización y la compatibilidad son clave para la intercambiabilidad y la coordinación mejorada de los esfuerzos de trabajo multifuncionales. Sin embargo, cabe señalar que algunos temen que tal enfoque pueda impedir la innovación.
Technology Readiness Scale
Source: technology readiness scale - Bing images
Prior to adopting AI, organisations need to undertake a technical readiness evaluation to assess ready state for integration. Harnessing the benefits of AI is as much about the technology itself as it is about organisational readiness state. Technology readiness levels (TRL) are a method for understanding the technical maturity of a technology during its acquisition phase. TRLs were first developed by NASA in the 1970s and are commonly used by engineers to provide a measure of technology readiness throughout its research development and deployment phase progression.
TRLs can be used to assess the readiness state for integrating and embedding AI into organisation infrastructures. There are 9 in total TRLs, moving form level 1 at basic principles observed to level 9 actual system proven in operational environment. TRLs have been used across many different sectors both private and public to evaluate and measure the effusiveness of system design and integration.
TRLs 4 to 7 are frequently referred to as the ‘valley of death’ as organisations often fail to recognise and prioritise the level of investment required to enable system maturity. The airline sector has worked consistently with a range of other sectors including the car manufacturing sector to bridge this gap and find the necessary solutions for success to progress past TRL 7.
Source: technology readiness levels - Bing images
Technical readiness for AI integration can effectively use TRL to enable consistent, uniform discussions of technical maturity across different technology. Levels 1-3 represent the research phase, 4-6 the development phase and 7-9 the deployment phase.
The classification of the TRL defines the state of development for wide production and application, providing an indicator of potential success and readiness level. Assessment of TRL indicates to the markets and consumer readiness of the process or technology for wide market implementation. This is necessary before high levels of investment are made. Knowledge of the TRL makes it easier for developers and potential investors to monitor progress of research and the choice of technologies that are most ready for industrial application.
Source: Technology Readiness Levels I FENIX TNT - YouTube (0:06-2:08)
OR
Arquitectura informacional
Fuente: https://www.google.co.uk/url?sa=i&url=https%3A%2F%2Fblog.prototypr.io%2Fthe-comprehensive-guide-to-information-architecture-29b09695fbcb&psig=AOvVaw1DLfw1cBkuOhBFFJOyW8vE&ust=164649978749900 0&source =imágenes&cd=vfe&ved=0CAsQjRxqFwoTCIi7hvX3rPYCFQAAAAAdAAAAABAD
Es imperativo que una organización tenga visibilidad y comprensión completas de los perfiles, el almacenamiento y el uso de datos actuales. Es fundamental comprender la arquitectura de la información (IA) antes de que las organizaciones inunden su sistema con más información. Los beneficios de la IA se obtienen agregando valor, no complejidad y confusión.
'No hay IA sin IA' (Earley, The AI powered Enterprise, 2020)
Sin un plan claro de la infraestructura de datos actual, es probable que un sistema de IA evolucione de una manera fragmentada que limite la realización de cualquier impacto o beneficio. Las organizaciones deben realizar una descripción general completa de todos los datos y tener claro qué y cómo se generan, utilizan y almacenan los datos. Earley en su libro ' The AI Powered Enterprise ' (2020) sugiere que las organizaciones deberían observar cómo se utilizan los datos y luego desarrollar sistemas para organizar y categorizar los datos .
AI requiere un tipo particular de datos para trabajar y, como tal, las organizaciones deben crear y desarrollar un entorno de datos que admita la accesibilidad y la disponibilidad. Los sistemas de arquitectura de la información deben ser capaces de integrar los conocimientos generados por la IA en los procesos de toma de decisiones. Esto puede ser complejo en organizaciones grandes y ampliamente distribuidas y por eso, antes de adoptar soluciones de IA, es imperativo que la arquitectura de la información esté diseñada y racionalizada , salvaguardando así que los puntos de datos estén en las ubicaciones correctas y para los propósitos correctos.
Las organizaciones deben crear y desarrollar un entorno de datos que admita la accesibilidad y la disponibilidad.
Un habilitador clave para la preparación técnica de la IA es tener suficiente poder de cómputo , ya sea en las instalaciones o en la nube. Una encuesta de Accenture a 1500 altos directivos encontró que "el 76 % entendió que ser capaz de escalar era crucial para su éxito con la IA, pero también creía que tendrían dificultades para que eso sucediera". Las organizaciones pueden caer en la trampa de pensar que la nube es suficiente, sin embargo, puede que no siempre sea así. Deben ser conscientes de la capacidad y las capacidades actuales y haber adquirido una comprensión necesaria de cómo escalar y, por lo tanto, aumentar los recursos según sea necesario para acomodar un crecimiento en el trabajo.
Los modelos en tiempo real que se adoptan para mejorar la velocidad de la demanda de la experiencia del cliente y, como tales, generan algoritmos con el poder suficiente para mantener el interés y el compromiso del cliente. Si no se tiene la velocidad y el poder de cómputo detrás de la IA, se perderá el interés actual y potencial de los clientes, que se atraerá a otra parte. Brindar las oportunidades de escalamiento asociadas con la potencia de la computadora puede ser un desafío para las organizaciones más pequeñas y, por lo tanto, puede prohibir todos los beneficios de la IA. Como tal, las soluciones 'listas para usar' o subcontratadas pueden ser la solución más beneficiosa para este problema.
La infraestructura debe ser modular para facilitar la integración de nuevas aplicaciones de IA y tener una alta capacidad para procedimientos de prueba y capacitación con uso intensivo de datos relacionados con la IA. El enfoque debe estar en el desarrollo de 3 capacidades de infraestructura subyacentes para la IA:
1. capacidades de almacenamiento de datos para generar y almacenar grandes cantidades de datos
2. Capacidades de trabajo en red para acceder, procesar y transportar datos rápidamente
3. Capacidades escalables de potencia informática para manejar cargas de trabajo de IA
Preparación de datos
Fuente: https://encrypted-tbn0.gstatic.com/images?q=tbn:ANd9GcQg0T9UQYwn52TMgGLBVRn9pi8elAMO0Kfmxg&usqp=CAU
La preparación técnica también se refiere a la aceptabilidad de los datos existentes para integrarse con la solución de IA propuesta y así potenciar la toma de decisiones efectiva. Identificar y utilizar los datos correctos es fundamental para la adopción exitosa de IA y un requisito previo para cualquier proyecto de IA; más aún, es crucial que los datos sean específicos del contexto y se adapten de acuerdo con el dominio relacionado, es decir, una tecnología específica (Molla y Licker 2005). Para maximizar la producción potencial, los datos deben ser adecuados en términos de cantidad, profundidad, equilibrio, representación, integridad y limpieza.
Para maximizar la producción potencial, los datos deben ser adecuados en términos de cantidad, profundidad, equilibrio, representación, integridad y limpieza.
Hay 4 áreas clave que requieren una cuidadosa consideración para mejorar la disponibilidad de datos de una organización.
1. Disponibilidad de datos: los sistemas basados en IA aprenden a través de diferentes tipos de datos y grandes volúmenes de datos. Estos alimentan soluciones de inteligencia artificial que tienen como objetivo crear proyecciones precisas. Los datos estructurados están estandarizados para las aplicaciones de IA y, por lo tanto, son más fáciles de usar, mientras que los datos no estructurados, como los archivos de audio, video o imagen, se utilizan en aplicaciones y escenarios de IA más sofisticados. Es crucial que una organización determine el tipo de datos apropiado y las cantidades requeridas.
2. Calidad de los datos: diferentes dimensiones de calidad verifican la idoneidad de los datos para que los utilicen los consumidores de datos. Mejorar estas dimensiones de calidad aumenta los niveles de preparación de la IA. Las dimensiones de calidad de los datos relevantes para la IA incluyen integridad y precisión. Los datos históricos a menudo plantean problemas de calidad de datos para las organizaciones, por lo que el enfoque debe centrarse en los esfuerzos para mejorar las capacidades universales, como la preparación de datos, el procesamiento de datos y la garantía de calidad de los datos.
3. Accesibilidad a los datos: para apoyar al personal de AI en sus funciones, se necesita un acceso rápido y fácil a las fuentes de datos relevantes. Les permite modelar y desarrollar fácilmente soluciones de IA y se ve facilitado por la gestión de acceso controlado. La accesibilidad a los datos también podría simplificarse mediante la explotación de medidas de centralización de datos (por ejemplo, la creación de un lago de datos o un almacén) en lugar de almacenar datos en silos de datos dispersos.
4. Flujo de datos: el flujo de datos fluido y automatizado entre su origen y uso garantiza una alta accesibilidad a los datos para el personal de IA y facilita la implementación y el mantenimiento de los sistemas de IA. Los indicadores para un buen flujo de datos incluyen:
i. procesos definidos de extracción-transformación-carga
ii. canalizaciones de datos establecidas
iii. flujos de datos continuos y automatizados
(Fondo Catalizador 2020)
Sin embargo, los adoptantes de IA deben ser conscientes de que los problemas relacionados con la gestión de datos y la disponibilidad de datos siguen siendo una preocupación. La limpieza de datos inexactos o dispares es un proceso engorroso, y las organizaciones suelen dedicar entre 6 y 12 meses a hacerlo; cuanto más tarde suceda esto en el proceso, más significativos serán los costos asociados. Además, estudios recientes de Deloitte encontraron que al menos el 40% de las organizaciones adoptantes indicaron niveles de sofisticación "bajos" o "medios" en una variedad de prácticas de datos, y casi un tercio de los gerentes senior identificaron los desafíos relacionados con los datos como uno de los principales. 3 preocupaciones que obstaculizan las iniciativas de IA de su empresa. Evidentemente, todavía es un proceso exploratorio y experimental para muchas empresas.'