Provectus CTO sobre cómo las empresas pueden impulsar la implementación de IA

Provectus es una empresa de consultoría e integración de sistemas de TI que se especializa en una sola cosa: IA. Más recientemente, la compañía anunció una asociación con Tecton, que proporciona una tienda de características para construir modelos de inteligencia artificial que se basan en el software Feast de código abierto.

Según los términos de esa alianza, Provectus se centrará en simplificar la implementación de Feast en la nube de Amazon Web Services (AWS), además de ayudar a definir interfaces de programación de aplicaciones (API) comunes y sin opiniones independientes del proveedor para las tiendas de características.

VentureBeat se puso al día con el CTO de Provectus, Stepan Pushkarev, para tener una mejor idea de lo que se necesita para que las organizaciones que invierten en IA tengan realmente éxito.

Esta entrevista ha sido editada por razones de brevedad y claridad.

VentureBeat: ¿Cuál es su mejor consejo de IA para las organizaciones en este momento?

Stepan Pushkarev: Haga más modelos de aprendizaje automático. Si solo elige una idea y prueba una prueba de concepto para el próximo año, nunca alcanzará la meta. Elija priorizar 3-5 casos de uso y simplemente hágalo. Divídalo en un equipo multifuncional separado que sea capaz de ejecutarlo completamente por sí solo. Desde una perspectiva tecnológica, combine todo lo mejor de los proveedores de la nube y el código abierto. No es necesario comprar la plataforma.

VentureBeat: ¿Qué hace que un proyecto de IA sea diferente de cualquier otro proyecto de TI?

Pushkarev: Obviamente, la IA es un software al final del día. Pero no es justo decir que la IA es el mismo software; es un nuevo tipo de software. Tiene sus propios sabores. Las empresas que tienden a realizar proyectos de TI tradicionales a menudo luchan con la implementación de proyectos de IA. Realmente depende de la madurez de la empresa y del nivel de innovación y cultura de experimentación de la empresa.

VentureBeat: Uno de los problemas culturales con los que luchan las organizaciones es que el ritmo al que trabaja un equipo de ciencia de datos no siempre se alinea con el ritmo más rápido al que se desarrollan las aplicaciones. ¿Cómo salvamos la brecha entre estos equipos?

Pushkarev: Es una pregunta dimensional de múltiples diamantes. No hay una respuesta sencilla. Hay muchos aspectos culturales. Para enviar proyectos de aprendizaje automático más rápido, necesita la infraestructura adecuada para poder ejecutar experimentos más rápido. Debe realizar un seguimiento de esos experimentos a medida que se implementan en producción. Esto es algo que se está desarrollando en este momento. Las empresas no suelen contar con la infraestructura de aprendizaje automático adecuada para funcionar al ritmo que desean. La forma en que se gestionan los proyectos de ciencia de datos siempre es una cuestión. Puede haber muchos casos, por ejemplo, en los que los científicos de datos se colocan en un silo separado y simplemente operan por su cuenta. Obviamente, esos proyectos nunca verán producción. Por lo general, recomendamos acercar a los ingenieros de aprendizaje automático de datos a la empresa para integrarlos básicamente en los equipos de funciones o equipos de productos para que puedan tener el contexto completo. Trabajan en los mismos sprints en las mismas iteraciones para enviar el software a producción.

VentureBeat: Parece que muchos proyectos de IA, para bien o para mal, se han acelerado desde el inicio de la recesión económica provocada por la pandemia de COVID-19. ¿Están las organizaciones realmente preparadas para ese desafío?

Pushkarev: Todo el mundo se centró en la productividad porque ya no hay posibilidad de esperar. Creo que también depende de la madurez de la empresa. Lo más importante es tener una necesidad comercial específica y un caso de uso con un ROI (retorno de la inversión) claro. Ese es probablemente el principal factor impulsor de los proyectos que van a producción. Si no tiene ese caso de uso empresarial sólido, seguirá siendo una prueba de concepto en muchas empresas. No tendrá el mismo control de calidad para esos proyectos. Ese es el problema de primera clase en las empresas.

VentureBeat: ¿Tienen las empresas expectativas poco realistas de la IA?

Pushkarev: Definitivamente tenemos que establecer las expectativas de los ejecutivos de negocios sobre la IA. Para las empresas maduras con una cultura de innovación establecida, saben lo que quieren y saben lo que hacen. Lo único que necesitan son las herramientas adecuadas. Sin embargo, para otras empresas, es necesario retroceder dos pasos para trabajar en la estrategia y hacer ajustes en su estructura organizativa. Los líderes definen objetivos y priorizan los casos de uso empresarial y solo entonces comienzan a ejecutar pilotos. La educación de los ejecutivos se centra en lo que es ML (aprendizaje automático), lo que podría esperar del modelo de aprendizaje automático. ¿Qué tipo de precisión esperar? ¿Cuál es el ciclo de adopción promedio de la solución de aprendizaje automático en la empresa? Eso es lo que llamamos un campo de entrenamiento de administración para IA. Durante este campo de entrenamiento de administración, hablamos de cosas como el presupuesto y el costo total de propiedad. La estructura de costos de las soluciones de aprendizaje automático difiere de los proyectos de TI tradicionales debido al costo de los datos de alta calidad, el costo de la capacitación, el reciclaje, el costo de la inferencia de aprendizaje automático y el costo de los nuevos tipos de especialistas, como los ingenieros de aprendizaje automático. Estimar la complejidad del algoritmo de aprendizaje automático en las primeras etapas también es crucial porque las empresas pueden pensar en algo que está en el mundo académico y que aún no es real.

VentureBeat: ¿Están surgiendo las mejores prácticas para las operaciones de aprendizaje automático?

Pushkarev: Ese es uno de los temas más candentes en estos días. La gente realmente entiende esta idea bastante bien. MLOps suele ser básicamente el conducto entre la experimentación y el desarrollo y la producción.

VentureBeat: ¿Cree que MLOps seguirá siendo una disciplina separada o simplemente se convertirá en parte de las operaciones de TI?

Pushkarev: Eventualmente convergerá. Pero en este momento, no estoy seguro de la línea de tiempo. Todavía hay muchas lagunas.

VentureBeat: ¿Qué errores cometen las organizaciones con mayor frecuencia?

Pushkarev: La gente se queda atascada en todas esas presentaciones de PowerPoint. Esa falta de acción es algo que impide a las empresas [from moving] adelante rápidamente. El sesgo a la acción es muy importante. Las empresas solo pasan semanas organizando las reuniones.

VentureBeat: Existe la percepción de que estos proyectos requieren un integrador de sistemas global. ¿Qué hace que trabajar con integradores más pequeños como Provectus sea más atractivo?

Pushkarev: Primero que nada es nuestro enfoque. Somos buenos en una cosa que hacemos realmente bien. La capacidad de ejecutar y tener un tipo de discusión de bajo nivel junto con discusiones de negocios a nivel macro es algo en lo que somos realmente buenos. Somos reconocidos por nuestros socios, como AWS, y a diferencia de otras empresas de servicios profesionales, también contribuimos activamente a proyectos de código abierto, aprendizaje automático e infraestructura de datos. Nuestros clientes van desde startups de vanguardia hasta empresas medianas y grandes que buscan innovación a través de la IA. Trabajamos en los problemas más duros del mundo, [everything from] simulando turbulencias en la explosión de una supernova para exigir el pronóstico. Tenemos la misma profundidad en tecnología, negocios y estrategia. Podemos partir de los objetivos comerciales y ofrecer una solución de inteligencia artificial que funcione en cuestión de semanas.