intelligence artificielle

Tribuna de opinión

Cómo la nube ha liberado todo el potencial de la IA  

Gracias a la nube, las empresas tienen ahora acceso a una amplia gama de servicios innovadores antes reservados al mundo del I+D. Sin embargo, para sacarle el máximo provecho, necesitan establecer un marco metodológico, requisito previo para cualquier industrialización. 

La inteligencia artificial, relegada a los laboratorios de investigación durante los últimos cincuenta años, está ahora al alcance de todas las empresas, desde las de nueva creación hasta las grandes cuentas. Esta democratización se debe a dos revoluciones. En primer lugar, el Big Data ha permitido absorber el crecimiento exponencial del volumen de datos. Datos estructurados, pero también información más compleja, como imágenes, sonidos o texto libre. 

 

El otro punto de inflexión llegó con la transformación de la nube. Aprovechando la escalabilidad y la potencia informática de sus infraestructuras, los proveedores ofrecen un amplio catálogo de soluciones innovadoras en forma de servicios gestionados. Servicios cognitivos como el reconocimiento de voz, el análisis del lenguaje natural, la clasificación de textos, el reconocimiento de patrones o la traducción automática, hasta hace poco reservados a los equipos de I+D, están ahora al alcance de cualquier desarrollador.  

 

Servicios innovadores ya disponibles 

Esto permite a una empresa experimentar y desplegar estos servicios innovadores sin tener que desarrollarlos ella misma o invertir en una infraestructura dedicada. Además, estos modelos algorítmicos están empaquetados y pre entrenados, y su integración se realiza simplemente recurriendo a una API, lo cual reduce el tiempo de producción.  

 

Las ofertas de automatización del aprendizaje automático (AutoML) llegan a sugerir el algoritmo más pertinente en función de un conjunto de datos o de un problema determinado. Esta IA «de serie» también ayuda a superar la escasez de expertos en análisis de datos. 

 

El enfoque multinube es, por supuesto, esencial. Permite evaluar a los proveedores de nube en función de su rendimiento, servicio por servicio. Un hiperescalador será especialmente pertinente en visión artificial, pero también en el tratamiento del lenguaje natural.   

 

En la necesaria industrialización de los proyectos de IA, la nube ofrece otra ventaja. Pasa de una visión centralizada de los datos, en un lago de datos, a un entorno descentralizado, la data mesh. Esta «malla de datos» estimula la creación de nuevas redes entre los almacenes de datos, aplicando las mismas estructuras de reglas.  

 

La creación de fábricas digitales permite industrializar este enfoque mediante la creación de conductos de datos. Esto supone un importante ahorro de tiempo para un científico de datos, que dedica hasta el 80 % de su actividad a las fases preparatorias de exploración, extracción y valoración de los datos. La nube, con sus procesos y servicios empaquetados, permite esta automatización. 

 

Gracias a la edge computing se procesa la información lo más cerca posible del punto de recopilación, sin tener que ir a la nube para analizarla. El procesamiento —el análisis de la glucosa en sangre, por ejemplo— se realiza localmente, pero a partir de modelos algorítmicos entrenados en la nube. Esto supone una reducción de la latencia y una mejor protección de los datos sensibles.

 

La era del POC ha terminado 

Gracias a todos estos avances, la era del POC ha quedado definitivamente atrás. Una empresa puede iniciar inmediatamente la producción. Sin embargo, esta industrialización requiere la aplicación de un marco metodológico ad hoc. El enfoque DataOps mejora la automatización de los flujos de datos, favoreciendo la comunicación entre los gestores y los consumidores de los datos. El arquitecto de datos y el ingeniero de datos trabajarán juntos en el mismo entorno. Una vez que el modelo esté en producción, una buena gobernanza permitirá supervisarlo para garantizar que no se desvíe con el tiempo.  

 

En términos más generales, una empresa necesita definir una estrategia clara de IA. Algunas organizaciones tienen una visión idealizada o incluso irreal de los beneficios del aprendizaje automático y el aprendizaje profundo. Todavía estamos lejos de la IA total y estas tecnologías resuelven, por el momento, problemas identificados y dentro de unos perímetros concretos. Por lo tanto, es necesario desmitificar la IA y explicar sus verdaderas aportaciones en un contexto operativo. En la fase de análisis inicial y concepción, la comprensión de los retos empresariales permitirá identificar los casos de uso más relevantes.  

 

Además, la participación de las empresas parece ser un factor clave para el éxito. Un modelo puede funcionar especialmente bien y no utilizarse simplemente porque sus resultados no son interpretables. Para evitar el efecto caja negra, la explicabilidad del modelo es esencial. Es necesario tener la capacidad de explicar los mecanismos por los que obtiene, a partir de estos datos de entrada, estos resultados de salida. La definición de los indicadores debe hacerse con los futuros usuarios. No es cuestión de hacer IA por el simple hecho de hacer IA, sino ofrecer productos operativos con IA «dentro». 

 

Otro elemento que hay que tener en cuenta al inicio de un proyecto de IA es su impacto medioambiental. Para reducir su huella de carbono, es necesario establecer indicadores que permitan medir estos impactos y, a continuación, desde la modelización hasta la aplicación del producto, favorecer los modelos algorítmicos que menos datos consuman. O cómo conciliar la transformación digital y la transición ecológica. 

 

 

ebook cloud

 

¿Tienes un proyecto en mente?

Contáctanos haciendo clic aquí