2020 Explosión de AI en empresas

pixabay.com

Recién ha aparecido el informe AI Adoption in the Enterprise 2020 de Roger Magoulas & Steve Swoyer, descargable por gentileza de O’Reilly Radar. 14 páginas, serias y muy interesantes.

Mis titulares tras la lectura:

De las empresas consultadas, ¡el 85% ya están incorporando AI en sus procesos ! (frente al 54% del año anterior).

El 50% ya está «madurando» procesos que adoptan AI (el doble que el año anterior).

Las principales dificultades, son:

  • encontrar profesionales preparados (se mantiene igual que el año anterior)
  • encontrar recursos para la inversión necesaria,
  • luchar con el freno interno de que «eso» de la IA, no ven «como puede aplicarse en nuestra empresa».

Necesitas ya! políticas de Data Gobernance

El Machine Learning Supervisado se mantiene como principal técnica, pero el deep learning sube con mucho empuje, siendo la herramienta más empleada TensorFlow, seguida del paquete Scikit.

La reflexión posterior, aparte de si los que han contestado son una muestra representativa, da motivos para reflexionar en:

  • Todos quieren incluir AI en sus procesos. Todos están haciendo, probando o mirando, y si todavía no tienes un plan de AI para tu empresa, te van a atropellar.
  • No saben muy bien cómo monetizar ese conocimiento que el AI puede extraer de los datos. Se necesitan urgentemente Data Scientist de aplicación práctiva en Procesos de Negocio. No sé que nuevo titulo en inglés se inventarán para eso.
  • El volumen de datos ya no es problema. Nadie habla de eso. Ya hay tecnicas maduras para el tratamiento y guarda de Big Data
  • Las Redes Neuronales lo «petan» (TensorFlow+Keras para imágenes, RNN para textos y pronósticos, CNN para reconocimiento). Y más que se van a emplear. Sin embargo Python + Scikit + PyTorch … indican que el futuro es Python, aunque no sea tan bueno (de momento) para algunas cosas como R.
  • Entre muy interesantes gráficas, algo clásicas, destaco la de riesgos de los modelos creados con AI. Es la primera vez que veo esta serie de riesgos que con la metodología en la mano debes controlar, evaluados realmente en la práctica:
©Roger Magoulas and Steve Swoyer, O’REILLY Radar
Asusta la mala gestión de expectativas y la obtención de resultados esperados

En sus conclusiones, informa que la AI está madurando rápido, que cada vez hay más usuarios y aplicaciones en las organizaciones de AI, a lo que añado que todavía tienen que explotar el uso de Redes Neuronales preentrenadas, ni el uso de chat-bots, de lo que no habla.
Y la recomendación de establecer Gobernanza de Datos, a lo que sugiero la casi obligación de adoptar ISOS 27001 y la 29100 como guías y reglas de buenas prácticas que pueden prevenir muchos problemas, sobre todo cuando somos tan novatos en este campo.

Otro día hablaré de como la Inteligencia Real es saber aplicar algoritmos (inteligentes, o tontos) en los Procesos de Negocio.

2020 año nuevo, nuevas competencias

ML IBM

Nunca ha sido tan fácil crecer profesionalmente. A los buenos cursos de edX, Coursera, o el MIT, se le ha unido COGNITIVECLASS.AI de IBM.
Cursos de contenido actual, con prácticas en su entorno LAB dentro de la plataforma Cloud de IBM.
A recomendar totalmente, por experiencia propia, este curso de Machine Learning con Python y el de Datascience. Un  temario completo, buenos vídeos, prácticas de buen nivel, con aplicabilidad inmediata, en Python con hands-on en Jupiter dentro de IBM, conm la posibilidad de servicios gratuitos en Watson.

Un gran abanico de competencias profesionales ordenadas por carreras profesionales: DataScience con R y Python, BigData con Hadoop, Spark,  ScaLa, Sistemas con Containers, microservices, Kubernetes, e Istio en Cloud , etc.

Alguno de ellos ha sido traducido al castellano y se eofrece en edX.

Desde un nivel sin experiencia, puedes llegar donde quieras, ya no hay excusas, el nivel de inglés es muy básico. Eso sí, requiere un poco de disciplina y esfuerzo.

¿Hasta donde eres capaz de llegar?

 

Augmented Analytics

Structure_Exhibit_processSource

El próximo septiembre iniciaremos nuestro curso de Augmented Analytics con Nuclio.

Analítica Avanzada porque emplea recursos de Machine Learning en Business Analytics para Smart y Big Data. 20 prácticas de aplicaciones distintas de ML+ desarrollo de un proyecto propio. Con uso de los Softwares más avanzados y plataformas Cloud, como BigML,  Knime, Power BI, Azure Cognitive Services, MAtLab, …

Pensado para profesionales en activo que quieran extraer valor de los datos que manejan, recorreremos las principales herramientas de IA con casos prácticos, de forma fácil y accesible para todos los niveles.
Y también para CEOs, que les permita evaluar los beneficios que estas tecnologías aportarían en sus procesos de Negocio, y cómo implantarlas.

Descubrir patrones, relaciones, asociaciones … permiten obtener ventajas competitivas para las organizaciones. Clustering para conocer a nuestros clientes permiten campañas más personalizadas de mayor éxito. Predicción de sucesos permite ahorrar costes de mantenimiento. Pronosticar la probabilidad de compra de un visitante en tiempo real. Adecuar la web o sus contenidos a cada visitante, mejorando el ratio de conversión. Recomendación de productos por sus intereses …
Estamos tratando continuamente con algoritmos que condicionan nuestro entorno.

El futuro no es de los algoritmos.
El futuro es de las personas que entiendan de algoritmos, lo que pueden hacer y cómo emplearlos.

Os invito a ver el video

Un Saludo

Ignacio Cabrero

Novedades Power BI abril 2019

040219_0131_April2019Po17

Microsoft sigue imparable ofreciendo novedades del mes en Power BI. Alguna muy buenas y otras … Pero será el usuario quien decidirá si le son útiles o no. Este mes destacaré mejoras interesantes, y más abajo las más útiles de Analítica:

  • Nuevo panel de Filtros. Han segregado los filtros del panel Visualización y los han puesto en un panel propio, e incluso con posibilidad de nombrarlos. Esto nos cambiará un poco la forma de trabajar con Power BI, si empleamos filtros para visualizaciones o páginas. Una buena mejora que da potencial, aunque nos haga más difícil el diseño.
  • La posibilidad que indicaron meses atrás de hacer links a URL de forma dinámica, mediante una variable y el formato condicional (esas manera extrañas de hacer las cosas de Microsoft y que no se entiende hasta el ver el vídeo), ahora lo podemos aplicar a títulos dinámicos de gráficas, lo que es muy útil.
  • La posibilidad de navegar entre informes diferentes directamente, sin pasar por paneles con el Drillthrough across reports
  • Conexión a ficheros PDF mejorada
  • Un nuevo Gauge, que parece más sencillo de configurar y más visual. A este respecto no olvidéis consultar la Quick measures gallery in the Community y ver opciones de visualización que ni sabemos que existen como Sparklines Line similares a minigráficos de Excel
  • Power BI Report Builder, permite Paginated Reports. Es una aplicación gratuita que se instala en el Power BI site. Es un punto de partida que en los próximos meses la extenderán con funcionalidad completa.

Y lo más útil, borrando fronteras entre BI y Business Analytics, tres grandes mejoras:

  • Key influencers visualization incorpora la opción de variables cuantitativas además de las categóricas (imagen inicial del artículo). La analítica nunca ha sido tan fácil.
  • Ya teníamos R, y ahora PYTHON, visualiza cualquier objeto y script de análisis matemático con estos dos idiomas
  • En Power Query, gran novedad. Disponemos de Column Profiles pane, la visualización de la estadística y distribución de campos de datos, tan necesaria para valorar rápidamente la calidad de los datos importados.

040219_0131_April2019Po25

Poco a poco veremos como Power BI irá incluyendo nuevas opciones de Analítica, incluidos los recursos de Machine Learning, que unido a su conectividad a los datos (ya tiene Spark) será la herramienta más completa en BI y BA.

Machine Learning relaciona a los carteristas y éxito en la ubicación de tiendas

carteristas

Otro nuevo titular impactante sobre Machine Learning y la aplicación de algoritmos matemáticos en las decisiones de negocio.

Un interesante artículo sobre una aplicación de Big Data por KPMG en la elección de la mejor loccalización de un negocio, nos puede hacer creer que los algoritmos son el nuevo Grial en marketing.

https://retina.elpais.com/retina/2019/03/07/innovacion/1551979314_748419.html

Para profanos las conclusiones del artículo, pueden ser otras.

La estrategia de machine learning es meter muchos, muchos. muchos datos, y encontrar las variables que pueden ayudar a explicar cosas, sean las que sean.

El artículo habla en concreto que para tiendas de retail, la anchura de las calles, o la afluencia de personas medidos con una variable correlacionada como son los carteristas, son importantes.

Esto confirma que la mayoría de las veces, las matemáticas aplicadas no encuentran cosas sorprendentes que el sentido común no hubiera visto antes. Otro tema es que cuando no tenemos la inversión para que sobre el campo alguien que cuente afluencias, otras variables disponibles en el Big Data pueden darte valores indirectos, como es el caso de los carteristas (además de dar un titular muy potente).

Pero el artículo, no menciona claramente que cada tipo de negocio responde a variables diferentes. Una gasolinera, un banco o una tienda de moda, tienen públicos distintos, momentos de compra diferentes y necesidades a cubrir dispares. Para cada tipo de negocio, necesitas un modelo de predicción propio.

La conclusión a extraer, es que el machine learning viene a confirmar que empresas de localización de tiendas como Shophunter llevan años realizando inventarios a pie de calle para valorar esas variables que han demostrado ser claves al pronosticar el éxito de una tienda.

Pero también para identificar nuevas variables, o alternativas de información más ecionómicas, que sean importantes para nuestro negocio.

El Machine Learning y la Inteligencia Artificial, sirven para muchas cosas, pero sirven para lo que sirven y eso hay que explicarlo.

Una sexta dimensión para Pentagrowth

JPEGPentagrowth-revised

Hay que felicitar a Barcelona Activa el fusionar, en el mejor sentido de la combinatoria para crear valor, la unión entre Lean Start-up con Diana Moret de @Pandorahub, con la excelente presentación de las dimensiones de @Pentagrowth, por Gabriela Masferre, estaba dirigida a emprendedores para que puedan emplear las cinco palancas y obtener un crecimiento exponencial de sus iniciativas.

Pentagrowth

El modelo de Ideas4Change, liderado por Javi Creus, identifica cinco factores a tener en cuenta en nuestros modelos de negocio o proyectos. Cinco factores que individualmente aportan valor, pero combinados, lo multiplican exponencialmente. Ideas de negocio que abarcan varias de estas facetas, se tornan en brillantes oportunidades disruptivas.Siempre es recomendable revisar el informe periódicamente para generar nuevas ideas.

El modelo presenta cinco palancas de cambio, y como todo cambia, personalmente pienso que tal vez llegó el momento de enriquecerlo con otra nueva. En el entorno existen numerosos factores que propician el cambio, y en consecuencia, generan oportunidades, como son la consciencia medioambiental en crecimiento, la economía colaborativa, las tendencias en legislación, la adaptabilidad de la normativa a los nuevos tiempos, etc.

Todos estos factores influyen, incluso pueden ser consideradas palancas de cambio para algún tipo de proyecto, pero no dejan de ser causas y efectos del entorno cambiante en el que Pentagrowth intenta identificar reglas más generales. Y es precisamente en los últimos años, cuando constatamos como la IA, Inteligencia Artificial  se incorpora a los Procesos de Negocio, a las herramienta y a las interacciones.

Inteligencia Artificial

Como los otros factores, la IA admite distintos tipos de afección cuando la incluimos en nuestro proyecto, y en cada nivel aporta diferentes beneficios, por esto creo que puede ser incluida como una nueva palanca, y que los puristas del modelo me perdonen.

Análisis

El primer nivel es multiplicar la capacidad analítica y extraer valor. El uso de IA en Business Analytics con Machine Learning, permite segmentar clientes, identificar productos asociados, detectar comportamientos anómalos, etc., llegando al extremo como en DataRobot, que sólo ejecutando el programa, loga encontrar un modelo predictivo como para quedar entre los primeros de la competición Kaggle sin necesidad de DataScientist ni nada. O como recomendar aun juez que imponga prisión preventiva, según la probabilidad de reincidencia o peligrosidad del acusado.

Ventaja competitiva

Un segunda forma de cómo la IA incide en los negocios, es que con su uso, se consigue una Ventaja Competitiva de coste, usabilidad, distribución, etc. Como el uso de ChatBots conversacionales como BLUMIX, el facilitar la creación de software App Low-Code de TIBCO, analizar el sentimiento de una conversación, o un texto  como WATSON o incluso evaluar su influencia como con   O la domótica inteligente.

Nuevos Modelos de Negocio

 

Y un tercer giro de la IA, es la creación de nuevos Modelos de Negocios como el de Boing si consigue pasar de fabricar aviones a gestionarlos completamente, con aviones autónomos sin necesidad de pilotos: en el 2018 comenzará las primeras pruebas. El reconocimiento e interpretación de imágenes de Counterest, MatLab, WatsonDiagnostics: cuántas personas están observando, edades, sexo, estatus social según su ropa, tiempo de atención, reconocer vehículos, diagnosticas por imagenes,  etc. O el de  Emma Watch, la pulsera que permite volver a escribir a personas con Párkinson.

IA un factor a tener en cuenta

Los modelos se adpatan a las nuevas situación, ya pasamos de las 4 P de márketing, a las 4 F del Marketing en Social Media, de los Tableau de Bord al Balanced ScoreCard, y hoy cuando analizamos ideas de negocio, debemos tener muy presente la aplicación de la Inteligencia Artificial en su modelo de negocio, o en sus proceso, porque posiblemente sea un factor diferenciador estratégico.

.