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.

¿Qué algoritmo debo usar?


undefined pixabay.com

El tratamiento de datos con Inteligencia Artificial, nos permite obtener resultados muy útiles, y sabrosos si aplicamos el proceso adecuado.

Que me perdonen los puristas por la redacción, pero prefiero dar un mensaje sencillo, fácil de comprender por cualquier persona. Los algoritmos son un procedimiento de trabajo, como una receta de cocina, que indica la preparación de datos, el tipo de cocción, que algoritmo aplicar, y la interpretación de resultados, que es el emplatado.

Estos algoritmos se llaman de Inteligencia Artificial porque encuentran soluciones, acercándose poco a poco, ellos solos, hasta un nivel de resultados que previamente hemos fijado como objetivo. Los algoritmos más usuales se dividen en Machine Learning, que podemos clarificar como los que se calculan mediante operaciones matemáticas, y los Deep Learning que emplean Redes Neuronales.

Cada problema tiene una receta más adecuada:

  1. Predecir basándose en datos pasados:mantenimiento predictivo, sistemas de recomendación, pronósticos de venta … Los algoritmos más empleados son los de Machine Learning: Regresión Lineal, Arboles de decisión, Support Vector Machine (SVM), y reglas de Asociación.
  2. Descubrir tendencias, patrones: reconocimiento de lenguaje natural, análisis de sentimiento, identificar documentos, ciberseguridad, detección de fraude … Los algoritmos más empleados son de Machine Learning como Regresión Lineal, SVM, naïve Bayes, y para análisis de texto los RNN (Recurent Neural Network) de Deep Learning.
  3. Identificar objetos en imágenes vídeo o tiempo real. Aplicado en visión robótica, detección de cámaras de seguridad, reconocimiento por voz … Algoritmos más usuales son de Deep Learning con Redes Neuronales Convolucionales CNN, y Clusterings.
  4. Desplazamiento de un objeto físico o simulación: conducción autónoma, drones, vídeo juegos … Los algoritmos más usuales son de Deep Learning ANN, RNN y CNN (Artificial, Recurrent y Convolutional Neural Networks) y Aprendizaje de Refuerzo
  5. Mejora de imágenes o eliminación de ruidos en audio, reconocimiento de órdenes por voz. Se emplean Deep Learning de redes neuronales LSTM, CNN y VDSR.

Desarrollar proyectos AI no sirve de nada si no se aplican. La inteligencia práctica es saber incluir el uso de estos algoritmos en los Procesos de Negocio. Pero de esto hablaremos otro día, si ustedes quieren.