Ya es una realidad la implementación de la Inteligencia Artificial en algunos de los ámbitos de las industrias. Uno de nuestros clientes más innovadores mencionaba hace pocas semanas que había conseguido rentabilizar de forma muy significativa las inversiones en IA en reducción de mermas en la producción, para fabricar con la calidad requerida. Ahora, con las mismas infraestructuras de datos se estaba preparando para abordar otros problemas, como la previsión de precios de las materias primas, la mejora de la logística, el mantenimiento predictivo -del que por cierto existen varias soluciones casi-estándar en el mercado- y otros más con mucho impacto en sus resultados.
Por eso desde DXC queremos llamar la atención sobre la democratización de la IA para mejorar el tejido industrial español. Las grandes corporaciones internacionales, pero también nacionales, son conscientes de la oportunidad que supone la inclusión de la Inteligencia Artificial en sus procesos y hacen un abordaje “a medida” dentro de sus posibilidades, con consultores especialistas de su sector y científicos de datos. Están siendo eficientes en la creación de modelos y pruebas de concepto, pero no lo están siendo tanto en la “operativización” de esos modelos, es decir en ponerlos en producción con los recursos técnicos correspondientes dentro de sus arquitecturas de sistemas. Y es que para hacer eso hacen falta conocimientos de negocio, conocimientos de Inteligencia Artificial pero también conocimientos y experiencia de arquitecturas y de TI, lo que reduce a un número menor de compañías el espectro de las que están teniendo éxito en la práctica.
Las TI como clave del éxito
La generación de modelos que sean realmente operativos para el negocio no acaba con su construcción sino cuando la toma de decisiones de negocio realmente se basa de forma recurrente en la puesta en funcionamiento del modelo. Por tanto, el reto de la IA no está a día de hoy en la creación del modelo analítico asociado, sino también de todo el proceso de su desarrollo y el esfuerzo que involucra llevarlos y mantenerlos en producción junto con sus datos. Por ello cobra cada vez más valor la adopción de las prácticas de automatización, organización y optimización del ciclo de vida de desarrollo ágil para software y productos, DevOps, dentro del ámbito de Machine Learning, denominado MLOps.
MLOps es el puente de comunicación entre los científicos de datos y los equipos de producción, una práctica colaborativa diseñada para liberar a aquellos de ciertas cargas operativas y enfocarlos en lo que mejor saben hacer, buscar respuestas en los datos y que puedan construir modelos que nos permitan obtener insights más rápido, a la vez que reduce el tiempo y coste de llevarlos a producción, que sin una manera sistematizada pueden llegar a convertirse en un simple experimento.
La optimización de la cadena logística
Estos retos para la gran industria son aún mayores para las pequeñas porque por escala debe enfrentarse a retos iguales con recursos menores. Y, sin embargo, el éxito está ahí, al alcance de la mano. El potencial de optimización de la cadena logística es enorme para aquellos que se tomen en serio las oportunidades de esta tecnología. Pensemos por un momento en decisiones como el volumen de producto almacenado, el de almaceneros dedicados a moverlo en diferentes momentos, el stock en las tiendas, en los distribuidores, la compra y almacenamiento de materias primas cuyos precios oscilan, el coste de devoluciones en función de calidad o cantidad de producto no “colocado”, etc. Todos esos problemas/oportunidades tienen un impacto definitivo en la cuenta de resultados y pueden ser abordados haciendo un uso adecuado de los datos disponibles y utilizando Inteligencia Artificial para explotarlos. Y más aún, los problemas en muchos casos son los mismos para numerosas industrias, con lo cual el potencial de ahorros y mejoras de competitividad de nuestra industria, como un todo, es enorme,
Qué dicen los organismos públicos
La Comisión Europea se ha referido recientemente a la Inteligencia Artificial como “sistemas de software (y posiblemente también de hardware) diseñados por humanos que, ante un objetivo complejo, actúan en la dimensión física o digital: percibiendo su entorno, a través de la adquisición e interpretación de datos estructurados o no estructurados, razonando sobre el conocimiento, procesando la información derivada de estos datos y decidiendo las mejores acciones para lograr el objetivo dado. Los sistemas de IA pueden usar reglas simbólicas o aprender un modelo numérico, y también pueden adaptar su comportamiento al analizar cómo el medio ambiente se ve afectado por sus acciones previas”.
En línea con potenciar la visión estratégica que la UE tiene con relación nuestro posicionamiento como líderes en materia de IA, el gobierno de España ha elaborado la “Estrategia Nacional de IA (ENIA)” que adscribe los compromisos compartidos por todos los miembros de la UE. Estos compromisos se recogen en la Agenda Digital para Europa, la Estrategia “IA para Europa” adoptada en 2018, el Plan Coordinado de la IA 2019-2027, el “Libro Blanco sobre Inteligencia Artificial” y la política europea “Artificial Intelligence”.
Si tomamos como marco de referencia la citada ENIA, cabe destacar su cuarto objetivo estratégico “Transformación del tejido productivo” y tres de sus ejes estratégicos “Promover el desarrollo de capacidades digitales, potenciar el talento nacional y atraer talento global”, “Desarrollar plataformas de datos e infraestructuras tecnológicas que den soporte a la IA”, Integrar la IA en las cadenas de valor para transformar el tejido económico”, que son los que más aplican al caso que estamos tratando, vemos que nuestro punto de vista estratégico con relación al consumo futuro de la Inteligencia Artificial, converge de manera significativa con las políticas dictadas desde la UE, haciéndonos buscar soluciones que se articulen e integren dentro de ellas.
Ser capaces de visualizar cómo las cadenas de valor de las diferentes industrias se pueden ver impactadas por el uso de la IA, entender que el uso aislado de pequeños modelos no satisface las complejas preguntas que tienen los negocios actuales, diseñar y aportar soluciones completas que, puestas en entornos reales de producción, sean capaces de resolver múltiples preguntas de negocio, interactuando entre ellas y todo esto, escalable, sostenible y reutilizable, permitirá conseguir el objetivo de transformar el tejido productivo, o dicho de otra manera, democratizar el uso de la Inteligencia Artificial, sea una realidad alcanzable por un amplio abanico de sectores y empresas.
El futuro de la IA en la Industria
Nuestra perspectiva es que viviremos una eclosión de soluciones de nicho para democratizar el uso de la IA en las industrias de tamaño medio y pequeño. La aportación de fondos europeos es una gran oportunidad para conseguirlo.
En DXC apostamos por la construcción de modelos que apliquen la IA para la optimización integral de la cadena logística, en función de previsiones cada vez más precisas de la demanda. No hay cliente industrial que no se esté preguntando como hacer esto. Por ello, disponer de equipos potentes de analistas es una vía, pero también poder acometer soluciones “pret-a-porter” a problemas que muchas industrias comparten. Estamos seguros de que esto sucederá de forma acelerada en los próximos años. El papel de la administración pública aportando ayudas en este ámbito tendrá un impacto directo al reforzar el tejido industrial que España tanto necesita para hacerlo más competitivo frente a otros que serán mucho menos eficientes. El papel de las empresas TIC es usar los recursos intelectuales y económicos proporcionados para hacer que eso suceda.
Fuente: https://autelsinsights.es/