A lo largo de los años, he participado en la implementación de muchos proyectos de “software inteligente” que demostraron grandes beneficios para las principales organizaciones. En el centro de estos diferentes proyectos de software se encontraban algoritmos basados en programación matemática, simulación y heurística, así como modelos de IA basados en ML e IA generativa. La mayoría de estos proyectos generaron un retorno de la inversión sustancial para estas organizaciones; algunos incluso han dado forma al futuro de su empresa.
A pesar de todo el revuelo en torno a la IA y los datos, muchas organizaciones (fuera de la industria del software) luchan por implementar una estrategia de IA exitosa. La mayoría de los CIO/CDO involucrados han producido en su mayoría proyectos de datos “estándar” (lagos de datos/almacenes/gestión de datos/Dashboarding), algunos implementaron varios pilotos de IA y muy pocos han generado proyectos implementados que muestren un ROI sustancial para su empresa.
Se podría considerar la distribución de las empresas en términos de penetración de la IA como una distribución de cola gruesa muy sesgada hacia la izquierda.
El propósito de este artículo no es enumerar todos los obstáculos que impiden una mayor penetración de los proyectos de IA dentro de las empresas. Para ello, recomendaría estos dos artículos esclarecedores:
Por qué las empresas fracasan en el aprendizaje automático
Cómo la IA puede ayudar a los líderes a tomar mejores decisiones bajo presión
En cambio, nos centramos en dos grandes lagunas en el enfoque actual de implementación de software.
Agujero enorme 1: un entorno muy aislado
Es interesante visualizar los distintos grupos involucrados en un proyecto típico de IA.
Por supuesto, existen razones válidas para tener estos roles diferentes, y mucho menos la necesidad de especialización. Sin embargo, vale la pena señalar que:
- En un proyecto real, la brecha entre los científicos de datos y los usuarios finales es sustancial.
- Cada silo utiliza diferentes pilas de tecnología. No es raro que los científicos de datos se desarrollen principalmente en Python, mientras que los desarrolladores de TI utilizan JavaScript, Java, Scala, etc.
- Nunca ha habido una variedad más amplia de habilidades de programación entre y dentro de cada silo.
Agujero enorme 2: Obtener la aceptación de los usuarios finales/usuarios empresariales
Como se destaca en un Artículo anterior, los usuarios finales parecen haber desaparecido del panorama de la IA. Se trata de datos, tecnologías, algoritmos, pruebas, implementación, etc. Como si todos los proyectos de IA necesariamente reemplazaran a expertos completamente humanos. Estoy convencido de que el futuro de la IA en la industria reside en la colaboración híbrida entre los usuarios empresariales y el software de IA.
Sin embargo, los usuarios finales son una parte integral del desarrollo de software de IA. No involucrarlos completamente durante el proceso de desarrollo lo pone en riesgo de que su software no se utilice cuando el sistema entre en funcionamiento.
Nuestra estrategia es garantizar que estos dos pasos se implementen:
- Una interacción fluida del usuario final con los algoritmos.
- Y un seguimiento sencillo de la satisfacción de los usuarios empresariales
¿Cómo llenar el hueco 1?
Algunas direcciones obvias son:
- Estandarizar lo máximo posible en un único lenguaje de programación.
- Proporcione una experiencia de programación fácil de aprender y usar para atender a todos los niveles de programación.
Python es el candidato ideal para esto. Está en el corazón de la pila de IA y es ideal para integrarse con otros entornos.
Hay muchas bibliotecas de Python disponibles y proporcionan una curva de aprendizaje sencilla (incluido el código reducido); desafortunadamente, a menudo sufren problemas de rendimiento y falta de personalización.
Consideremos, por ejemplo, el desarrollo de interfaces gráficas: uno tiene la opción de utilizar bibliotecas de código completo como Plotly Dash (o incluso desarrollo en Java Script) o bibliotecas fáciles de desarrollar como Streamlit o Gradio. Sin embargo, estas bibliotecas no escalan en términos de rendimiento y lo ubicarán en un marco estricto que prohíbe la mayor parte de la personalización.
Un desarrollador de Python no debería tener que arbitrar tanto entre la productividad de la programación y el rendimiento/personalización.
Dedicamos mucho tiempo al diseño/implementación de nuestro producto, Taipy, para ir un paso más allá garantizando la facilidad de desarrollo y al mismo tiempo proporcionando un gran salto en rendimiento y personalización. Aquí hay dos ejemplos de problemas de rendimiento (entre muchos otros) resueltos con Taipy:
¿Cómo llenar el hueco 2?
Es crucial abordar los dos puntos destacados mencionados anteriormente:
- Una interacción fluida del usuario final con los algoritmos de back-end
- Y un seguimiento sencillo de la satisfacción del usuario empresarial.
Abordar el punto 1: el usuario final necesita interactuar con el algoritmo/back-end.
Para ello es imprescindible:
- Proporcione variables/parámetros que el usuario final pueda controlar a través de la GUI.
- Permita que el usuario final ejecute algoritmos de backend utilizando estos diferentes valores de parámetros, lo que generará resultados diferentes.
- Brinde la posibilidad de comparar estas diferentes ejecuciones y realizar un seguimiento del rendimiento de los KPI a lo largo del tiempo.
En Taipy hemos introducido el ‘guión’ concepto que aborda todos los requisitos anteriores.
Un escenario consiste en la ejecución del algoritmo/pipeline donde Taipy almacena todos los elementos de datos (fuentes de datos, salidas de datos)
El registro de escenarios de Taipy permite al usuario final:
- realizar un seguimiento de todas sus ejecuciones,
- revisar un escenario pasado, comprender sus resultados, escanear sus datos de entrada, etc.
Abordar el punto 2: seguimiento sencillo de la satisfacción del usuario empresarial
Otro gran beneficio de la función Escenario de Taipy es que reduce la brecha entre el usuario final y los científicos de datos. El registro de escenarios de Taipy es una mina de oro para los científicos de datos, ya que pueden acceder a todas las ejecuciones del usuario final. Además, el usuario final puede etiquetar cualquiera de estos escenarios y compartirlos con los científicos de datos para su examen.
Esta característica del escenario puede aumentar drásticamente la aceptación del software por parte del usuario final. Desafortunadamente, en la práctica, las pruebas de algoritmos de IA generalmente se limitan a unos pocos casos de prueba y al uso de detección de deriva. Se necesita más para garantizar una alta aceptación del software. Y los escenarios de Taipy ayudarán mucho aquí.
A continuación se muestran algunos ejemplos de aplicaciones de Taipy AI que permiten al usuario empresarial explorar escenarios generados previamente.
Conclusión
Para concluir con, Taipy ha demostrado ser fundamental en el éxito de proyectos de IA para corporaciones líderes, ofreciendo un marco Python eficiente y fácil de usar. Con el lanzamiento de Taipy Designer, continuamos democratizando el desarrollo de la IA, enfocándonos en la accesibilidad para los analistas de datos y garantizando la perfecta integración de la IA en los procesos comerciales.
Este artículo fue publicado originalmente en Taipy.
Gracias a equipo taipy para el artículo educativo/liderazgo intelectual. equipo taipy nos ha apoyado en este contenido/artículo.
Vincent Gosselin, cofundador y director ejecutivo de Taipy, es un distinguido innovador en IA con más de tres décadas de experiencia, especialmente en ILOG e IBM. Ha sido mentor de numerosos equipos de ciencia de datos y ha liderado proyectos innovadores de inteligencia artificial para gigantes globales como Samsung, McDonald’s y Toyota. El dominio de Vincent en modelado matemático, aprendizaje automático y predicción de series temporales ha revolucionado las operaciones en fabricación, comercio minorista y logística. Alumno de la Universidad Paris-Saclay con una maestría en Comp. Science & AI, su misión es clara: transformar la IA de proyectos piloto a herramientas esenciales para los usuarios finales de todas las industrias.