En esta publicación, profundizaremos en el proceso de desarrollo y operación de aplicaciones de inteligencia artificial empresarial.
Como se discutió anteriormente, las aplicaciones de inteligencia artificial empresarial representan la convergencia de cuatro tecnologías disruptivas principales: nube elástica, big data, redes de sensores de IoT e inteligencia artificial y machine learning (ML). Pero, en última instancia, una aplicación de inteligencia artificial empresarial es, en muchos sentidos, como una pieza típica de software empresarial. Desde una perspectiva operativa, una aplicación de IA empresarial abarcará las mismas etapas a lo largo de su ciclo de vida: desarrollo, implementación y operaciones de la aplicación, y mantenimiento continuo. Sin embargo, en cada una de esas fases, una aplicación de IA empresarial presentará ciertas peculiaridades y desafíos.
A diferencia del software basado en reglas, los sistemas AI y ML aprenden del historial real, mejoran su rendimiento continuamente y se adaptan a las condiciones y requisitos cambiantes. Las aplicaciones empresariales de inteligencia artificial pueden superar significativamente a los sistemas basados en reglas en una amplia gama de casos de uso comercial, como diagnósticos de imágenes médicas, mantenimiento predictivo de equipos y detección de abandono de clientes.
Al mismo tiempo, también puede ser más difícil desarrollar y operar aplicaciones empresariales de IA debido a sus distintos requisitos. Desarrollar y operar aplicaciones de IA empresarial a escala requiere un enfoque novedoso, nuevos conjuntos de habilidades y equipos, diferentes conjuntos de herramientas y sistemas, una nueva pila de tecnología y una plataforma de IA empresarial poderosa.
Desarrollo de aplicaciones
Los datos son un elemento fundamental para cualquier software empresarial, pero más aún para una aplicación de IA empresarial. Sin datos completos y representativos para aprender de un sistema de IA, no puede generar información o resultados significativos. Por lo tanto, tener una imagen de datos unificada, actualizada y limpia en toda la empresa es un requisito previo para cualquier desarrollo de IA a escala empresarial.
Hoy en día, una empresa típica tiene múltiples sistemas operativos distintos, docenas de equipos y procesos desconectados, cientos de fuentes de datos dispares y miles de aplicaciones de producción. Es un gran desafío ingerir datos de estos sistemas y fuentes dispares y luego integrarlos y mantenerlos en una imagen de datos común, unificada, actual y limpia en toda la empresa.
Despliegue y Operaciones
La siguiente fase importante en el ciclo de vida de las aplicaciones de IA empresarial es la implementación. La implementación de producción es significativamente más compleja para una aplicación de inteligencia artificial empresarial en comparación con el software típico basado en reglas. Una sola aplicación de IA empresarial normalmente incluye varios (a veces decenas de miles) modelos de aprendizaje automático y puede requerir esquemas de implementación complejos. Una plataforma de IA empresarial debe admitir diferentes estrategias de implementación para probar enfoques de modelado competitivos, como implementaciones de campeones y desafíos, pruebas A/B aleatorias o modelos paralelos para garantizar un rendimiento continuo.
Una vez en producción, los modelos de IA y ML generan inferencias continuas (por ejemplo, predicciones, pronósticos, clasificaciones) basadas en nuevos datos y desencadenan alertas o acciones posteriores. Una plataforma de IA empresarial debe admitir el procesamiento analítico continuo, administrar la carga de trabajo de inferencia exigida por el caso de uso comercial y ofrecer una arquitectura distribuida flexible para admitir requisitos cambiantes (como el volumen de datos, las frecuencias de inferencia del modelo o la cantidad de usuarios finales).
Mantenimiento de inteligencia artificial empresarial
Las aplicaciones de IA empresarial son dinámicas y necesitan mantenimiento y modificaciones constantes. A medida que se dispone de nuevos datos, surgen nuevas técnicas de modelado y evolucionan los problemas comerciales; Los equipos de desarrollo y ciencia de datos deben trabajar continuamente para mantener y mejorar sus aplicaciones de inteligencia artificial empresarial.
Un modelo de IA solo puede funcionar tan bien como la calidad de los datos subyacentes en los que se entrenó y desarrolló. Por lo tanto, una mejora común para cualquier aplicación de Inteligencia artificial empresarial es expandir la base de datos sobre la que se creó. Para ampliar el modelo de datos existente, los ingenieros de datos y los científicos de datos deben conectarse a los nuevos almacenes de datos, conservar los datos en la plataforma de IA empresarial, definir nuevas entidades e interdependencias entre los objetos del modelo de datos existentes y configurar la ingesta continua de datos para implementaciones de producción. .
Los elementos de datos adicionales también requieren revisar el proceso de desarrollo del modelo descrito anteriormente. Se pueden probar nuevas funciones de aprendizaje automático para mejorar el rendimiento de los modelos existentes o desarrollar nuevos algoritmos y modelos. Estos modelos de alto rendimiento se pueden implementar en producción para complementar o reemplazar los modelos anteriores.
Este articulo puede interesarle Pasos para el éxito en 2022: Gestión de inventario de construcción
