Archivo

Posts Tagged ‘Inteligencia Artificial’

Infografía – Inteligencia Artificial y Aprendizaje Automático (Machine Learning) en la empresa

11 de abril de 2019 Deja un comentario

La Inteligencia Artificial (IA) y el Aprendizaje Automático (Machine Learning) tienen un potencial notable para acelerar, simplificar y mejorar muchos aspectos de nuestra vida cotidiana. Los primeros resultados han creado simultáneamente una emoción colosal y han demostrado su gran potencial. En las siguientes infografías, analizamos el interés en desarrollo en Inteligencia Artificial (IA) y el Aprendizaje Automático en las organizaciones. Los datos se han recopilado formulando diferentes preguntas a los profesionales de TI de varios niveles.

El resultado es el siguiente:

 

La Inteligencia Artificial (IA) y el Aprendizaje Automático (Machine Learning)

 

Artículos relacionados:

Las 10 mejores tendencias de Inteligencia Artificial en 2019

Cómo se conectan la Inteligencia Artificial y el Big Data

Big Data Significa Grandes Innovaciones

El Camino de un Data Scientist

El Futuro del Cloud Computing

¿Qué es Big Data?

¿Qué es la Inteligencia Artificial?

Productos y Servicios de Alibaba Cloud

Blockchain e IoT: una fusión que garantiza transacciones válidas y seguras

 

Anuncios

Las 10 mejores tendencias de Inteligencia Artificial en 2019

5 de abril de 2019 Deja un comentario

Introducción

 

La Inteligencia Artificial utiliza la ciencia de los datos y los algoritmos para automatizar, optimizar y encontrar el valor oculto al ojo humano. Según una estimación, la Inteligencia Artificial generará un valor comercial de casi $ 2 billones en todo el mundo solo en 2019. Por lo tanto, ese es un excelente incentivo para obtener una porción de la recompensa de IA. Además, la fortuna favorece a aquellos que comienzan temprano. Por lo tanto, los rezagados podrían no ser tan afortunados.

La Inteligencia Artificial (IA) está de moda ahora, pero como todas las cosas tecnológicas, está en un estado continuo de evolución. Así es como se espera que se desarrolle la Inteligencia Artificial en 2019.

 

Tendencias

 

1. Automatización de DevOps para lograr AIOps.

 

Se ha prestado mucha atención en los últimos años sobre cómo la Inteligencia Artificial (IA) y el Aprendizaje Automático (ML-Machine Learning). Además, DevOps tiene que ver con la automatización de tareas. Se enfoca en la automatización y el monitoreo de los pasos en el proceso de entrega del software, asegurando que el trabajo se realice rápidamente. La IA y el ML son perfectos para una cultura DevOps. Además, pueden procesar grandes cantidades de información y ayudar a realizar tareas importantes. Pueden aprender patrones, anticipar problemas y sugerir soluciones. Si el objetivo de DevOps es unificar el desarrollo y las operaciones, la IA y el ML pueden suavizar algunas de las tensiones que separan las dos disciplinas en el pasado.

Además, uno de los principios clave de DevOps es el uso de bucles de retroalimentación continua en cada etapa del proceso. Esto incluye el uso de herramientas de monitoreo para proporcionar comentarios sobre el rendimiento operativo de las aplicaciones en ejecución. Además, esta es un área de hoy en la que el ML ya está afectando a DevOps. Además, al utilizar la tecnología de automatización, los chatbots y otros sistemas de Inteligencia Artificial, estos canales de comunicación pueden volverse más eficientes y proactivos. Además, en el futuro, podemos ver la aplicación de IA / ML en otras etapas del ciclo de vida del desarrollo de software. Esto proporcionará mejoras a la metodología o enfoque de DevOps.

Además, un área donde esto podría suceder podría ser en el área de pruebas de software. Las pruebas unitarias, las pruebas de regresión y otras pruebas producen grandes cantidades de datos en forma de resultados de pruebas. La aplicación de la IA a los resultados de estas pruebas podría identificar patrones de códigos deficientes que resulten en errores detectados por las pruebas.

 

AIOps se refiere a las plataformas de tecnología de múltiples capas que automatizan y mejoran las operaciones de TI al 1) usar analíticas y el Aprendizaje Automático para analizar grandes volúmenes de datos de varias herramientas y dispositivos de operaciones de TI, con el fin de 2) detectar y reaccionar automáticamente a los problemas en tiempo real.

2. La aparición de más plataformas de Aprendizaje Automático.

 

La gente aún no ha terminado de entender el Aprendizaje Automático, y ahora está surgiendo un nuevo término avanzado en el mercado para el Aprendizaje Automático, y es decir, el ‘Aprendizaje Automático Automatizado‘. El Aprendizaje Automático Automatizado (AutoML) es un concepto más directo, y hace las cosas más fáciles. Más fácil para desarrolladores y profesionales. Además, el AutoML es un cambio de la programación tradicional basada en reglas a un formulario de automatización donde las máquinas pueden aprender las reglas. Además, en el Aprendizaje Automático de máquinas, ofrecemos un conjunto relevante y diverso de datos confiables para, al principio, ayudar a automatizar el proceso de toma de decisiones. Los ingenieros ya no tendrán que dedicar tiempo a tareas repetitivas, gracias al AutoML. El crecimiento en la demanda de profesionales de Aprendizaje Automático obtendrá un impulso masivo con el aumento del AutoML.

Estamos en una época dorada en la que todos los mega-proveedores de plataformas que proporcionan infraestructura móvil están implementando herramientas accesibles para dispositivos móviles para desarrolladores móviles. Por ejemplo:

  1. Apple CoreML
  2. Amazon Machine Learning for Android & iOS
  3. Google ML Kit for Firebase
  4. Microsoft Custom Vision export to CoreML
  5. IBM Watson Services for CoreML

Todas estas son excelentes ofertas.

 

3. Realidad aumentada

 

Imagine un mundo en el que pueda sentarse al lado de sus clientes y tener una conversación individual acerca de sus expectativas de su marca con cada interacción y cumplir con sus expectativas cada vez. A medida que avanzamos en la era digital, esta podría ser la realidad de las marcas, donde las empresas tienen la oportunidad de ganarse el corazón de sus clientes con cada interacción. La Inteligencia Artificial y la Realidad Aumentada (AR) son dos de estas tecnologías, que mostrarán el mayor potencial para conectarse con los consumidores en 2019 y controlarán el panorama tecnológico. La razón clave detrás de esta tendencia es que, en comparación con la Realidad Virtual, que necesita un dispositivo de hardware como Oculus Rift, es bastante simple de implementar la Realidad Aumentada (Augmented Reality). Sólo necesita un teléfono inteligente y una aplicación.

Debido a que la barrera de entrada es baja, los consumidores de la tecnología de hoy en día no tienen miedo de experimentar con la tecnología, y para las empresas, solo requiere una aplicación basada en AR pensada. Además, con los gigantes tecnológicos como Apple, Google y Facebook que facilitan a los desarrolladores la creación de aplicaciones basadas en AR para sus plataformas, se ha vuelto más fácil, incluso para las empresas más pequeñas, para invertir en Realidad Aumentada. Además, las industrias como el comercio minorista, la salud, los viajes, etc. ya han creado muchos casos de uso emocionantes con AR. Con los gigantes tecnológicos Apple, Google, Facebook, etc. que ofrecen herramientas para facilitar el desarrollo de aplicaciones basadas en AR, 2019 verá un aumento en la cantidad de aplicaciones de AR que se lanzarán.

 

4. Simulaciones basadas en agentes

 

El Modelado Basado en Agentes (ABM) es una poderosa técnica de modelado de simulación que ha visto varias aplicaciones en los últimos años, incluidas las aplicaciones para los problemas empresariales del mundo real. Además, en el Modelo Basado en Agentes (ABM), un sistema se modela como una colección de entidades autónomas de toma de decisiones llamadas agentes. Cada agente evalúa individualmente su situación y toma decisiones sobre la base de un conjunto de reglas. Los agentes pueden ejecutar diversos comportamientos apropiados para el sistema que representan, por ejemplo, producir, consumir o vender.

Los beneficios de ABM sobre otras técnicas de modelado se pueden capturar en tres declaraciones: (i) ABM captura fenómenos emergentes; (ii) ABM proporciona una descripción natural de un sistema; y (iii) ABM es flexible. Sin embargo, está claro que la capacidad de ABM para lidiar con los fenómenos emergentes es lo que impulsa los otros beneficios.

Además, ABM utiliza un enfoque ‘de abajo hacia arriba’, creando comportamientos emergentes de un sistema inteligente a través de ‘actores’ en lugar de ‘factores’. Sin embargo, los factores de nivel macro tienen un impacto directo en los comportamientos macro del sistema. Macy y Willer (2002) sugieren que traer de vuelta esos factores de nivel macro hará que el Modelado Basado en Agentes sea más efectivo, especialmente en sistemas inteligentes como las organizaciones sociales.

 

5. IoT

 

El Internet de las Cosas está cambiando la vida tal como la conocemos desde el hogar hasta la oficina y más allá. Los productos de IoT nos otorgan un control extendido sobre los electrodomésticos, las luces y las cerraduras de las puertas. También ayudan a agilizar los procesos de negocio; y nos conecta más a fondo con las personas, los sistemas y los entornos que dan forma a nuestras vidas. El IoT y los datos permanecen intrínsecamente vinculados entre sí. Los datos consumidos y producidos siguen creciendo a un ritmo cada vez mayor. Esta afluencia de datos está impulsando la adopción generalizada del IoT, ya que habrá cerca de 30,73 mil millones de dispositivos conectados al IoT para 2020.

El análisis de datos tiene un papel importante que desempeñar en el crecimiento y el éxito de las aplicaciones e inversiones del IoT. Las herramientas de análisis permitirán a las unidades de negocios hacer un uso efectivo de sus conjuntos de datos como se explica en los puntos que se enumeran a continuación.

  • Volumen: Hay enormes grupos de conjuntos de datos que utilizan las aplicaciones de IoT. Las organizaciones empresariales necesitan gestionar estos grandes volúmenes de datos y deben analizar los mismos para extraer patrones relevantes. Estos conjuntos de datos junto con los datos en tiempo real se pueden analizar de manera fácil y eficiente con el software de análisis de datos.
  • Estructura: Las aplicaciones del IoT implican conjuntos de datos que pueden tener una estructura variada como conjuntos de datos no estructurados, semiestructurados y estructurados. También puede haber una diferencia significativa en los formatos y tipos de datos. El análisis de datos permitirá que el ejecutivo de negocios analice todos estos conjuntos de datos variables mediante herramientas y software automatizados.
  • Ingresos de conducción: El uso del análisis de datos en las inversiones en IoT permitirá a las unidades de negocio conocer las preferencias y opciones de los clientes. Esto llevaría al desarrollo de servicios y ofertas según las demandas y expectativas del cliente. Esto, a su vez, mejorará los ingresos y ganancias obtenidos por las organizaciones.

 

6. Hardware optimizado para la IA

 

La demanda de la Inteligencia Artificial aumentará enormemente en los próximos dos años, y no es de extrañar teniendo en cuenta el hecho de que está afectando básicamente a todas las principales industrias. Sin embargo, a medida que estos sistemas realizan tareas cada vez más complejas, exigen más poder de computación del hardware. Los algoritmos del Aprendizaje Automático también están presentes localmente en una variedad de dispositivos de borde para reducir la latencia, lo cual es crítico para drones y vehículos autónomos. La implementación local también reduce el intercambio de información con la nube, lo que reduce en gran medida los costos de red para dispositivos del IoT.

Sin embargo, el hardware actual es grande y consume mucha energía, lo que limita los tipos de dispositivos que pueden ejecutar estos algoritmos localmente. Pero al ser los seres humanos inteligentes que somos, están trabajando en muchas otras arquitecturas de chips optimizadas para el Aprendizaje Automático que son más potentes, eficientes en el consumo de energía y más pequeñas.

Hay un montón de empresas que trabajan en hardware específico de la IA

  • Las Unidades de Procesamiento de Tensor de Google (TPU), que ofrecen en la nube y cuestan solo una cuarta parte en comparación con la capacitación de un modelo similar en AWS.

El Aprendizaje Automático ha permitido hacer avances importantes en diferentes problemas empresariales y de investigación: desde reforzar la seguridad de la red hasta mejorar la precisión del diagnóstico médico. Dado que preparar y ejecutar modelos de aprendizaje profundo puede llegar a exigir muchos recursos informáticos, Google ha creado las Unidades de Procesamiento de Tensor (TPU). Se trata de circuitos ASIC diseñados desde cero para el Aprendizaje Automático que utilizan varios de sus productos más destacados, como el Traductor, Fotos, la Búsqueda, el Asistente y Gmail. La tecnología de aceleración de las TPU de Cloud permite que empresas de todo el mundo agilicen sus cargas de trabajo de Aprendizaje Automático en Google Cloud.

  • Microsoft está invirtiendo en matrices de puertas reprogramables (FGPA) de Intel para la capacitación e inferencia de modelos de IA. Los FGPAs son altamente configurables, por lo que pueden configurarse y optimizarse fácilmente para nuevos algoritmos de la AI.

Las FPGAs son unos dispositivos que nos permiten describir un circuito digital usando un lenguaje específico (los dos más comunes son VHDL y Verilog) y que tras cargarlo en el integrado, es creado físicamente en el chip. Su nombre es un acrónimo inglés que significa matriz de puertas reprogramable o Field Programmable Gate Array.

  • Intel tiene un montón de hardware para algoritmos específicos para la IA como los de la CNN. También adquirieron Nervana, una nueva empresa que trabaja en chips para la IA, con una suite de software decente para desarrolladores.
  • IBM está haciendo una gran cantidad de investigación en computación analógica y memoria de cambio de fase para la IA.
  • Los Nvidia dominaron el espacio del hardware de Machine Learning debido a sus excelentes GPU (Unidad de Procesamiento Gráfico), y ahora los están mejorando aún más para las aplicaciones de Inteligencia Artificial, por ejemplo, con sus GPU Tesla V100.

 

7. Generación del Lenguaje Natural (NLG)

 

El tamaño del mercado de Generación del Lenguaje Natural global aumentará desde USD 322.1 millones en 2018 a USD 825.3 millones para 2023. La necesidad de comprender el comportamiento de los clientes ha llevado a un aumento en la mejor experiencia del cliente en diferentes sectores verticales de la industria. Este factor está impulsando a las organizaciones a construir relaciones personalizadas basadas en las actividades o interacciones de los clientes. Además, los grandes datos crearon un interés entre las organizaciones para obtener información de los datos recopilados para tomar decisiones mejores y en tiempo real. Por lo tanto, las soluciones de NLG han ganado importancia al extraer información sobre lenguajes similares a los humanos que son fáciles de entender. Sin embargo, la falta de una fuerza laboral calificada para implementar soluciones de NLG es un factor importante que frena el crecimiento del mercado.

 

8. Plataformas de Transmisión de Datos

 

Las Plataformas de Transmisión de Datos se combinan no solo para el análisis de información de baja latencia. Pero, el aspecto importante radica en la capacidad de integrar datos entre diferentes fuentes. Además, hay un aumento en la importancia de las organizaciones basadas en datos y el enfoque en la toma de decisiones de baja latencia. Por lo tanto, la velocidad de los análisis aumentó casi tan rápidamente como la capacidad de recopilar información. Aquí es donde el mundo de las Plataformas de Transmisión de Datos entra en juego. Estas plataformas modernas de administración de datos brindan la capacidad de integrar información de sistemas operativos en tiempo real o casi en tiempo real.

A través del Streaming Analytics, la información en tiempo real se puede recopilar y analizar desde y en la nube. La información es capturada por dispositivos y sensores que están conectados a Internet. Algunos ejemplos de estas plataformas de transmisión: pueden ser

  1. Apache Flink
  2. Kafka
  3. Spark Streaming/Structured Streaming
  4. Azure Streaming services

 

9. Vehículos sin conductor

 

Los fabricantes de automóviles esperan que la tecnología de conducción autónoma impulse una revolución entre los consumidores, que encienda las ventas y vuelva a posicionar a los EE. UU. como el líder en la industria automotriz. Compañías como General Motors y Ford están alejando los recursos de las líneas de productos tradicionales y, junto con las compañías de tecnología como Waymo de Google, están invirtiendo miles de millones en el desarrollo de automóviles de conducción automática. Mientras tanto, la industria está presionando al Congreso de EE.UU. para que promueva un marco regulatorio que brinde a los fabricantes de automóviles la confianza para construir tales vehículos sin preocuparse de que cumplan con las regulaciones aún no especificadas que podrían impedirles acceder a las carreteras de la nación.

Los partidarios dicen que la tecnología tiene una promesa inmensa para reducir las muertes causadas por el tráfico y para que las personas mayores y otros grupos de la población tengan acceso a alternativas seguras y asequibles para conducir. Sin embargo, lograr esos beneficios vendrá con compensaciones.

 

10. BI conversacional y analítica

 

Estamos viendo dos cambios importantes en todo el espacio de BI / Analytics y la IA. En primer lugar, las capacidades analíticas se están moviendo hacia la analítica aumentada, que es capaz de dar más información a las empresas y tiene menos dependencia de los expertos en dominios. En segundo lugar, lo que estamos viendo es la convergencia de las plataformas de conversación con estas capacidades mejoradas en torno al análisis aumentado. Esperamos que estas capacidades y su adopción proliferen rápidamente en todas las organizaciones, especialmente en aquellas organizaciones que ya tienen alguna forma de BI (Business Intelligence) implementada.

 

Se denomina inteligencia empresarial, inteligencia de negocios o BI (del inglés business intelligence), al conjunto de estrategias, aplicaciones, datos, productos, tecnologías y arquitectura técnicas, los cuales están enfocados a la administración y creación de conocimiento sobre el medio, a través del análisis de los datos existentes en una organización o empresa.

Resumen

 

Muchos expertos en tecnología postulan que el futuro de la IA y el Aprendizaje Automático es seguro. Es hacia donde se dirige el mundo. En 2019 y más allá, estas tecnologías van a apuntalar el soporte a medida que más empresas se den cuenta de los beneficios. Sin embargo, las preocupaciones que rodean la confiabilidad y la ciberseguridad continuarán siendo muy debatidas. Las tendencias de la Inteligencia Artificial y las tendencias del Aprendizaje Automático para 2019 y más allá tienen la promesa de amplificar el crecimiento del negocio y reducir drásticamente los riesgos. Entonces, ¿está listo para llevar su negocio al siguiente nivel con las tendencias de la Inteligencia Artificial?

Artículos relacionados:

Big Data Significa Grandes Innovaciones

El Camino de un Data Scientist

El Futuro del Cloud Computing

¿Qué es Big Data?

¿Qué es la Inteligencia Artificial?

Cómo se conectan la Inteligencia Artificial y el Big Data

 

¿Qué es la Inteligencia Artificial?

14 de junio de 2018 1 comentario

Hay una montaña de exageraciones alrededor de los grandes datos, la Inteligencia Artificial (IA) y el Aprendizaje Automático. Es como besarse en el patio de la escuela, todo el mundo está hablando de eso, pero pocos lo están haciendo realmente, y nadie lo está haciendo bien (les leí a unos amigos en Cloudera por esa frase). Sin duda existe un amplio consenso de que las organizaciones deben monetizar sus datos. Pero con todo el ruido en torno a estas nuevas tecnologías, creo que a muchos líderes empresariales se les está rascando la cabeza sobre lo que significa todo esto.

Dada la gran diversidad de aplicaciones y opiniones sobre este tema, puede ser una locura, pero me gustaría intentar proporcionar una definición práctica y útil de la Inteligencia Artificial. Si bien mi definición probablemente no gane ningún reconocimiento por la precisión teórica, creo que proporcionará un marco útil para hablar sobre las acciones específicas que una organización debe tomar para aprovechar al máximo sus datos.

“Todo lo que amamos de la civilización es un producto de inteligencia, por lo que amplificar nuestra inteligencia humana con inteligencia artificial tiene el potencial de ayudar a que la civilización florezca como nunca antes, siempre y cuando logremos mantener la tecnología en beneficio”.

 

La definición teórica

 

Si le preguntas a un científico informático (o Antonio Banderas), la IA es lo que obtienes cuando creas una computadora que es capaz de pensar por sí misma. Es en Odisea en el Espacio en  el 2001: Una odisea del espacio. Los datos de Star Trek: La próxima generación (dos de las mejores obras maestras de todos los tiempos). Estas computadoras son conscientes de sí mismas: máquinas pensantes e independientes que (desafortunadamente) son muy propensas a dominar el mundo.

Si bien esa definición puede ser estrictamente precisa desde una torre de marfil, no es particularmente práctica. Ningún científico creó tal cosa, y ningún negocio realmente está considerando utilizar dicha entidad en su modelo comercial.

El término ‘IA‘ se utiliza tan a menudo hoy en día que tenemos una comprensión básica de lo que significa: la capacidad de una computadora para realizar tareas tales como la percepción visual, reconocimiento de voz, toma de decisiones y traducción de idiomas. La IA ha progresado rápidamente en los últimos años, pero todavía no coincide con las enormes dimensiones de la inteligencia humana. Los humanos hacen un uso rápido de todos los datos a su alrededor y pueden usar lo que han almacenado en sus mentes para tomar decisiones. Sin embargo, la IA aún no cuenta con tales habilidades, en cambio, usa grandes cantidades de datos para aclarar sus objetivos. En última instancia, esto significa que la IA podría requerir grandes cantidades de datos para hacer algo tan simple como editar texto.

Dejando a un lado esa definición, entonces, veamos algo mucho más práctico que pueda hacer avanzar la conversación en los negocios.

 

La IA no es un Aprendizaje Automático

 

Hay dos conceptos principales, de acuerdo con mis definiciones, que son importantes. La IA es una, y lo definiré en breve. El Aprendizaje Automático es el segundo. Existe tanta confusión sobre la definición de Aprendizaje Automático como acerca de la IA, y creo que es importante señalar que no son lo mismo.

El Aprendizaje Automático se conoce con otros nombres. Harvard Business Review lo llamó Ciencia de Datos (Data Science), y lo llamó el trabajo más sexy del siglo XXI, lo cual es una afirmación bastante audaz, dado que quedan muchos años hasta el siglo XXII. Hace años, se llamaban ‘estadísticas’ o ‘modelos predictivos’ (acuérdese del hombre del tiempo).

Como quiera que lo llame, el Aprendizaje Automático es un método de usar datos históricos para hacer predicciones sobre el futuro. La máquina aprende de esos ejemplos históricos para construir un modelo que luego se puede usar para hacer predicciones sobre los nuevos datos.

Por ejemplo, las compañías de tarjetas de crédito deben detectar transacciones fraudulentas en tiempo real para que puedan bloquearlas. Perder dinero por fraude es un gran problema para los proveedores de tarjetas, y detectar el fraude es un problema ideal de Aprendizaje Automático. Los proveedores de tarjetas de crédito tienen una montaña de transacciones históricas, algunas de las cuales se marcaron como fraudulentas. Usando el Aprendizaje Automático, las transacciones históricas se pueden usar para entrenar un modelo. Ese modelo es básicamente una máquina que analiza una transacción y juzga la probabilidad de que sea un fraude.

Otro ejemplo común en el espacio sanitario es predecir los resultados de los pacientes. Supongamos que un paciente va a la sala de emergencias y termina teniendo una infección mientras está en el hospital. Ese es un mal resultado para el paciente (obviamente), pero también para el hospital y las compañías de seguros, etc. Es en interés de todos tratar de evitar este tipo de incidentes.

Los médicos de atención médica con frecuencia usan datos pasados ​​de pacientes (incluida la información sobre pacientes que tuvieron y no tuvieron un mal resultado) con el fin de construir modelos que puedan predecir si un paciente en particular es probable que tenga un mal resultado en el futuro.

Los modelos de Aprendizaje Automático están definidos muy estrechamente. Predicen un evento o un número. ¿El paciente va a ponerse más enfermo? ¿Cuánto gastará mi equipo de ventas el próximo trimestre? ¿Este cliente potencial responderá a mi mensaje de marketing? Los modelos están diseñados para responder a una pregunta muy específica al hacer una predicción muy específica y, a su vez, convertirse en entradas importantes para las soluciones de inteligencia artificial.

 

La Inteligencia Artificial combina datos, lógica de negocios y predicciones

 

Tener un modelo de Aprendizaje Automático (Machine Learning) es como tener una superpotencia o una bola de cristal. Puedo alimentarlo con datos y hará predicciones sobre el futuro. Estos modelos pueden identificar préstamos potencialmente malos antes de que fallen. Pueden pronosticar los ingresos en el futuro. Pueden destacar lugares donde es probable que se cometan crímenes. El sistema de datos en la IA es cómo los pones en práctica.

Volvamos al ejemplo del fraude con tarjeta de crédito. Supongamos que puedo decirle por medio de un modelo de Aprendizaje Automático si es probable que una transacción sea fraudulenta o no. ¿Qué haría? Incluso pensarlo por un minuto hace que sea obvio que hay mucho más trabajo por hacer antes de que pueda comenzar a obtener valor de ese modelo.

Aquí hay algunas preguntas que debe considerar en este ejemplo:

  1. ¿Qué datos hay disponibles para mí en el momento de la transacción?
  2. ¿Cuánto tiempo tengo para procesar los datos y rechazar la transacción?
  3. ¿Qué regulaciones limitan mi capacidad de bloquear las transacciones potencialmente fraudulentas?
  4. A nadie le gusta tener legítimas transacciones bloqueadas. ¿Qué preocupaciones de experiencia de cliente necesito en esta dirección?
  5. ¿Con qué tasas de falsos positivos y falsos negativos me siento cómodo?
  6. …y así

Hay muchas más preguntas que un proveedor de tarjeta de crédito debería considerar antes de implementar un sistema para bloquear transacciones potencialmente fraudulentas.

Ese sistema, sin embargo, es lo que yo llamo IA. Es la combinación de toda la lógica comercial, todos los datos y todas las predicciones que necesito para automatizar una decisión o un proceso.

 

  • Lógica Comercial: La lógica comercial es probablemente el aspecto más importante para poner en práctica un sistema de IA. Esto cerca la experiencia de usuario, las cuestiones legales de conformidad, varios umbrales y banderas que puedo necesitar, etcétera. Esto es básicamente el pegamento que mantiene el proceso entero unido.

 

  • Datos: Los sistemas de IA extienden la mano para los datos. Ellos podrían tener que agregar datos de cliente, resumir transacciones, coleccionar una medida de un sensor, etcétera. Sin tener en cuenta de donde esto viene, los datos conducen el sistema de la IA; sin ello, el sistema viene hablando alto.

 

  • Predicciones: No todos los sistemas de Inteligencia Artificial usan datos, pero sí todos los buenos lo hacen. Cualquiera que haya llamado a su proveedor de cable ha tenido que lidiar con el sistema telefónico automatizado sin fin. Están tratando de automatizar un proceso, pero no están siendo inteligentes al respecto. La Smart AI podría hacer predicciones sobre por qué estaba llamando. Hay muchos recursos para las organizaciones que intentan comenzar con la IA. DataRobot ofrece programas educativos que pueden ayudar a cualquier persona a ponerse rápidamente al día. Existen muchas organizaciones que pueden ayudar a acelerar el proceso.

 

Empiece hoy mismo

 

Hay muchos recursos para las organizaciones que intentan comenzar con la IA. DataRobot ofrece programas educativos que pueden ayudar a cualquier persona a ponerse rápidamente al día. Existen muchas organizaciones que pueden ayudar a acelerar el proceso.

Recuerde, sin embargo, que no se trata de encontrar el caso de uso perfecto con la información perfecta. Se trata de asumir tantos proyectos pequeños como pueda para generar valor rápidamente. Puede obtener algunas ganancias que acumulará un impulso sustancial y hará posible que itere y amplíe su monetización de sus datos.

 

Artículos relacionados:

 

 

hostgator2

Web Hosting HostGator

A %d blogueros les gusta esto: