Llegamos a ustedes gracias a:



Reportajes y análisis

Aprendizaje automático: 8 casos de éxito

[24/07/2019] La inteligencia artificial (IA) y el aprendizaje automático (ML), que antes se consideraban proyectos de fantasía para las empresas, se han convertido en algo habitual.

Más empresas están aprovechando la tecnología, que imita el comportamiento de la mente humana, para atraer clientes y reforzar las operaciones comerciales.

Un 59% de los 106 profesionales de TI y de negocios señalaron a Gartner que habían desplegado IA hasta la fecha y que tenían, en promedio, cuatro proyectos de IA/ML en marcha. Los encuestados también indicaron que esperan añadir seis proyectos más en los próximos 12 meses, y otros 15 en los próximos tres años. Para el 2022, esas organizaciones esperan tener un promedio de 35 proyectos de IA o ML en marcha, anota la analista de Gartner Whit Andrews, quien agrega que el volumen de proyectos planeados lo "sorprendió".

La mejora de la experiencia del cliente y la automatización de tareas a través de asistentes virtuales para el servicio al cliente y la toma de decisiones internas, se encuentran entre los proyectos más populares, añade Andrews.

Pero los proyectos por sí solos no constituyen una estrategia de IA más amplia, ya que una encuesta más amplia a 2.473 organizaciones realizada por IDC reveló que solo el 25% ha desarrollado una estrategia de IA para toda la empresa.

IDC descubrió que hasta un 25% de los encuestados se enfrentaban a una tasa de fracaso del 50%, debido a la falta de personal cualificado y a expectativas poco realistas. Pero eso no impide que las empresas lo intenten. Aquí los CIOs que están experimentando, construyendo e implementando tecnologías de IA y ML compartieron sus casos de uso y algunos consejos prácticos.

Guardian aprovecha los chatbots para la experiencia del cliente

El director de sistemas, Dean Del Vecchio, del proveedor de seguros Guardian, está probando AI y ML para mejorar tanto la experiencia del cliente (CX), como la productividad de los empleados.

Un proyecto piloto de CX incluye el uso de Amelia, un asistente virtual hecho por IPsoft, para ayudar a automatizar el proceso de incorporación, y responder a las preguntas sobre beneficios, liberando a los trabajadores de CX para que se concentren en cosas más complejos. Educada con la lógica de negocios de Guardian, Amelia responde a preguntas tales como: "¿Qué significa una enfermedad crítica?.

Internamente, Guardian está probando cómo IBM Watson puede ayudar a la empresa a comprender mejor cómo interactúan los clientes con el negocio. Como parte de la prueba piloto, el software de computación cognitiva de IBM lee y prioriza los millones de correos electrónicos que Guardian recibe cada día, un análisis que se realiza en cuestión de minutos, liberando al personal de las horas dedicadas a leer y priorizar los mensajes manualmente.

Un consejo clave: Los proyectos de ML deben ser considerados dentro del contexto más amplio del negocio. En Guardian, la automatización de procesos habilitada para AI/ML comprende solo una fracción de una transformación digital más amplia. Del Vecchio está liderando la optimización de las operaciones, al tiempo que mejora la CX. Esto incluye el cambio a Amazon Web Services, la adopción de un desarrollo ágil y la construcción de un mercado de API.

Esta blusa fue recomendada por AI

Se podría argumentar que Zulily no tendría un negocio viable sin el ML, que el minorista de ropa de mujer utiliza para personalizar las ofertas de mercaderías a sus clientes.

El software se basa en docenas de señales, como el historial de compras, el tiempo dedicado a navegar por una selección, las pulsaciones y los deslizamientos en su aplicación móvil y el comportamiento de los medios sociales, para determinar si se debe enviar a los compradores una oferta a través de una notificación push o por correo electrónico, comenta el CIO de Zulily, Luke Friang. "A medida que los conozcamos, seremos mejores escuchándolos".

Aunque Zulily crea algoritmos personalizados, se basa en una gran cantidad de tecnologías de código abierto, como Hadoop, TensorFlow y H20, para completar sus pilas ML.

Un consejo clave: Los proyectos de IA se benefician de las arquitecturas de nubes. Los esfuerzos de personalización de Zulily, por ejemplo, se basan en un apretón de manos crítico entre Amazon Web Services y Google Cloud Platform, en el que GCP ofrece recomendaciones que, cuando se seleccionan, llevan a un consumidor a la plataforma de comercio electrónico de Zulily, impulsada por AWS. Tal conexión subraya cómo tanto GCP como AWS están alimentando la competencia que beneficiará a los CIOs a largo plazo, señala Friang.

Conozca a JiLL: Asistente de IA para la oficina corporativa

Uno no pensaría que un proveedor de bienes raíces comerciales tendría mucho uso para la IA a primera vista. Pero Jones Lang LaSalle (JLL) se asoció en junio con Google en JiLL, un asistente de voz que permite a los empleados de la oficina organizar reuniones, encontrar colegas, consultar los horarios de los trenes, o rellenar las solicitudes de servicio a través de voz o texto.

Por ejemplo, JiLL puede manejar solicitudes como "Hey JiLL, reserva una reunión semanal con mi equipo" o "Hey JiLL, búscame un escritorio abierto en el tercer piso esta tarde", según el director de Productos Digitales de JLL, Vinay Goel.

Goel dice en una declaración que JiLL tiene en cuenta los conjuntos de datos de JLL sobre edificios, interacciones de usuarios y transacciones con espacios físicos, que se procesan dentro de GCP, así como los contenedores de Kubernetes. "Con el tiempo, esperamos que JiLLL se convierta en una plataforma esencial para cientos de habilidades que ayuden a los empleados a mejorar su productividad diaria", añade Goel.  

Un consejo clave: Para las organizaciones que buscan cambiar a los servicios, los asistentes virtuales pueden ser una inversión que vale la pena. JiLLL de JLL es parte de una estrategia para aprovechar la tecnología para proporcionar servicios de valor añadido, idealmente para atraer a más clientes corporativos. JLL planea añadir habilidades adicionales y abrir la plataforma a capacidades de terceros, parte de una estrategia de mercado diseñada para impulsar la adopción.

El ML se combina con precios dinámicos y conveniencia

La cadena de tiendas de conveniencia Wawa planea utilizar el ML para cambiar dinámicamente los precios basándose en factores competitivos. Esto podría ser un gran impulso para ayudar a Wawa a personalizar las ofertas para los clientes de los programas de fidelización, comente el director de sistemas, John Collier.

"Queremos adoptar datos y algoritmos, por lo que no estamos fijando un precio, sino las reglas", añade Collier. El truco consiste en equilibrar las mejoras en la experiencia del usuario con el costo de proporcionar esa experiencia, agrega.

Un consejo clave: Collier dice que preferiría tener precios dinámicos hoy en día, pero hay un problema: las tecnologías emergentes no interactúan bien con sus sistemas heredados. Por eso, la modernización es esencial para cualquier estrategia de IA, indica Collier, añadiendo que Wawa está revisando sus sistemas heredados como parte de una transformación digital. "Estamos invirtiendo fuertemente en nuestra estrategia de datos".

Firma de informes de crédito construye un motor de análisis de ML

En el gigante de los informes de tarjetas de crédito Experian, una transformación digital allanó el camino para un nuevo producto estratégico que aprovecha las capacidades de ML en su núcleo: Ascend Analytics On Demand, una plataforma de autoservicio de análisis que permite a las empresas construir modelos predictivos para determinar factores críticos como si alguno de los 220 millones de consumidores califica para la cantidad de crédito que están solicitando.

Los clientes pueden realizar análisis sofisticados de esos datos en cuestión de minutos, frente a lo que actualmente lleva varias semanas, señala Alex Lintner, presidente de servicios de información al consumidor de Experian. Idealmente, la herramienta permitirá a los consumidores recibir calificaciones para obtener crédito en el momento en que lo necesiten.

Ascend llega a medida que las tecnologías de IA se van generalizando en casi todos los nuevos productos y servicios de software, según Gartner.

"Los clientes quieren tener la posibilidad de ver enormes conjuntos de información en tiempo real", anota Barry Libenson, director de sistemas de Experian Global, quien supervisó la construcción de la plataforma, que utiliza Hadoop y otras herramientas de análisis. "Atrás quedaron los días en que podíamos prescribir cosas. Los quieren en tiempo real, cuando quieren, de la manera que quieren".

Un consejo clave: No se pueden crear nuevas plataformas de análisis en software heredado y esperar que funcionen bien. Para apoyar a Ascend, Experian adoptó un enfoque híbrido de nube e invirtió en herramientas de código abierto, incluyendo contenedores, motores API y microservicios. Experian también estandarizó la forma en que construye y consume software, con aplicaciones y código que pueden ser reutilizados por sus empleados y clientes en todo el mundo.

Compañía de tarjetas de crédito combate el fraude con ML

Al igual que las compañías de monitoreo de crédito, las compañías de tarjetas de crédito siempre están luchando contra los estafadores.

Pero en un momento en el que muchos expertos denuncian la digitalización como la perdición de nuestra privacidad y seguridad en línea, las herramientas de ML y AI pueden hacer que los servicios sean más seguros que las tarjetas de crédito de plástico, señala Ed McLaughlin, presidente de tecnología y operaciones de Mastercard.

Mastercard utiliza múltiples capas de ML y AI para eliminar a los consumidores con intenciones maliciosas. En el corazón de sus salvaguardias se encuentra una base de datos en memoria que ha ahorrado a Mastercard un estimado de mil millones de dólares en pérdidas por fraude desde el 2016, indica McLaughlin. El software utiliza más de 200 atributos para anticipar y evitar el fraude.

Ese sistema central, combinado con la simbología, la biometría, el aprendizaje profundo y otros enfoques novedosos, ha ayudado a Mastercard a mantener su reputación de facilitar transacciones seguras por valor de miles de millones de dólares.

Un consejo clave: Los seres humanos son el eslabón más débil cuando se trata de ciberseguridad. "Lo más importante es sacar al ser humano del círculo vicioso", señala McLaughlin, añadiendo que el ML, la IA y el software de procesamiento de lenguaje natural son todos componentes críticos en el kit de herramientas de Mastercard.

Aprovechar los análisis de ML para obtener información sobre los autos

Mercedes-AMG Petronas Motorsport está utilizando las capacidades de ML para ayudar a visualizar el rendimiento de los autos de carreras.

La empresa recopila múltiples canales de datos sobre sus autos de carreras de Fórmula Uno, a veces hasta 10 mil puntos de datos por segundo, para tomar decisiones críticas, comenta Matt Harris, jefe de TI de la empresa.

Mercedes-AMG Petronas utiliza el software Tibco para visualizar las variables de impacto que las condiciones meteorológicas, la temperatura de los neumáticos y la cantidad de combustible tienen en sus vehículos. El software también permite a los ingenieros analizar detalles como el rendimiento y el desgaste de los engranajes de un automóvil. Los conductores suelen cambiar de marcha 100 veces por vuelta, y cada vez que el conductor hace un cambio de marcha, Tibco recoge alrededor de mil puntos de datos.

"Cuando visualiza esos datos, puede hacer que la caja de cambios dure más tiempo, o lo que es más importante, hacer cambios de marcha más duros", señala Harris. "Si se pone la caja de cambios en un modo en particular, es unos 50 milisegundos más rápida por vuelta. Los autos se pueden separar por milésimas de segundo en la clasificación, así que 50 milisegundos importan".

Harris anota que Mercedes-AMG Petronas está construyendo algoritmos ML para ayudar a "hacer cosas que los humanos no pueden, o que es una forma prohibitivamente cara de hacer un trabajo". Harris cree que estas capacidades se convertirán finalmente en un elemento clave de la ventaja competitiva del equipo.

Un consejo clave: ¿Por qué construir algo que no es su competencia principal? Antes de aterrizar en Tibco, Mercedes-AMG Petronas utilizó un software de visualización de fabricación propia que resultó ser demasiado ineficiente para mantenerlo a lo largo del tiempo. Al apoyarse en Tibco, Mercedes-AMG Petronas puede concentrarse en su fuerza: construir autos de alto rendimiento. "Lo importante es permitir que la gente sea creativa y piense en resolver problemas, en lugar de codificar software para visualizar el problema", anota Harris.

ML que predice cuándo se retirarán los empleados

Al igual que la mayoría de las empresas de reparación de automóviles, Caliber Collison ha tenido durante mucho tiempo un problema de rotación, ya que los mecánicos, los pintores y el personal de atención al cliente tienden a ir y venir con rapidez, a veces hasta un 40% al año en sus más de 600 ubicaciones.

Parte del problema, encontró Caliber, es que sus tiendas a veces no tenían suficientes autos para que el personal los arregle, lo que resulta en una paga inconsistente. Esto hizo que el CIO Ashley Denison se preguntara: ¿Qué pasaría si Caliber pudiera predecir cuándo un empleado podría abandonar la empresa y organizar una intervención?

Caliber comenzó a trabajar con el consultor tecnológico Sparkhound, que creó un software que extrae los datos de los empleados del software de recursos humanos Workday de Caliber, y los mezcla con Microsoft PowerBI, para crear un modelo de regresión hecho a medida que anticipa si un empleado podría reflexionar sobre su salida. Luego, Caliber se pone en contacto con el personal, a través de encuestas digitales o contacto personal, para hacer el check-in.

Por ejemplo, si la paga de un empleado desciende en un par de semanas, los gerentes regionales de Caliber pueden asegurarse de que obtengan más autos para trabajar. Por el contrario, si un empleado parece estar sobrecargado de trabajo, la empresa puede reasignar algunos trabajos a sus compañeros. ¿El resultado? Caliber está ahorrando hasta un millón de dólares al año reduciendo la facturación.

Un consejo clave: Evitar problemas para ahorrar dinero es una forma práctica de utilizar los algoritmos ML en un momento en el que tienden a ser sobrevalorados y sobrevendidos. "Hace que sea mucho más fácil mantener a los empleados una vez que entran por la puerta", indica Denison.

La IA como facilitador de productos y negocios

Adobe Systems está aprovechando el ML para analizar los tickets del servicio de asistencia técnica en busca de tendencias de fallas del sistema y, a continuación, para solucionar de forma proactiva los problemas antes de que provoquen un tiempo de inactividad significativo, señala Cynthia Stoddard, CIO de Adobe.

Si el sistema ve eventos que sugieren que podría ocurrir una interrupción, el sistema puede ser proactivo para eliminar o mitigar esos eventos antes de que desencadenen fallas.

Llamada HAAS, por "sanar como un servicio", la herramienta detecta y repara cualquier cosa, desde integraciones fallidas con el ERP de Adobe, hasta fuentes de datos defectuosas destinadas a los distintos sistemas de análisis de la empresa. Stoddard comenta que HAAS ha reducido los tiempos fijos de 30 minutos realizados manualmente por los humanos a un minuto. Ella estima que ha ahorrado a Adobe 330 horas de remediación en los últimos meses. Utilizando informes que detallan los problemas, los ingenieros de Adobe pueden crear correcciones permanentes.

"Si sabe que tiene que arreglar algo y sabe cómo hacerlo, entonces puede automatizarlo", señala Stoddard. "Ha sido un gran beneficio". El trabajo se basa en el marco de pruebas de diagnóstico basado en el ML que el equipo de Stoddard creó en el 2017.

Un consejo clave: El uso del ML para identificar patrones es la clave para crear capacidades de autocuración. "Si sabe cómo lo arregló, puede poner un componente de autocuración y eliminar el elemento humano de la ecuación", finaliza Stoddard.