La pandemia ha causado una disrupción significativa en las industrias, acelerando la adopción de la Transformación Digital. En términos de datos e IA, la mayor parte de 2021 y, en gran medida, 2022 se dedicarán a desarrollar bases de datos listas para IA/Analytics que se utilizarán para obtener información, construir (y reconstruir) e implementar soluciones «más rápido». Estas bases de datos incluyen lagos de datos y, cada vez más, casas de lago para impulsar el apoyo a la toma de decisiones, pero también bases más abstractas como tiendas de características de ML y tiendas de métricas de BI para impulsar iniciativas de ML y BI con respeto.
La pila de la nube ha evolucionado exponencialmente en los últimos años, más allá de una simple opción de infraestructura rentable. El enfoque cambiará a la adopción de servicios y conjuntos de soluciones nativos de la nube, que incluyen servicios para sentar las bases de datos (lagos, almacenes y casas de lagos), así como construir e implementar modelos de IA utilizando plataformas ML nativas de la nube y servicios cognitivos. . Además, existe un gran apetito por productos en la nube listos para usar que resuelvan problemas comerciales específicos. Un ejemplo destacado es AWS Panorama, que facilita la implementación de aplicaciones de Computer Vision en un entorno de nube de borde híbrido, lo que lo convierte en un producto buscado en industrias como la fabricación, la energía y la atención médica.
En general, se espera que las siguientes tecnologías generen un impacto significativo en la cadena de valor de IA/analítica en 2022 y más allá:
Inteligencia de negocios
En 2022, las empresas acelerarán la adopción de almacenes de métricas para capturar métricas estandarizadas en tiempo real (o casi en tiempo real). Esto impulsa un desarrollo de BI más rápido y preciso que permite una toma de decisiones más rápida. Este almacén de métricas puede actuar como depósito para permitir que todos los equipos accedan a las métricas clave de forma estandarizada en conjuntos de datos y herramientas de datos. También es probable que veamos una integración de IA (específicamente una capa NLP) para permitir a los usuarios consultar informes de BI en lenguaje natural, lo que permite una interpretación más rápida y una generación de conocimientos.
Inteligencia artificial
El mundo dinámico en el que vivimos hoy requiere que las empresas sean ágiles en sus estrategias de IA. Esto significa que no solo deberían poder actualizar los modelos ML existentes más rápido, sino también hacerlos fáciles de experimentar, lo que a su vez les ayuda a desarrollar e implementar nuevos casos de uso de IA rápidamente. El año 2022 debería ver la adopción continua de plataformas MLOps para construir (reconstruir), implementar y administrar modelos AI/ML más rápido. Tensorflow Extended (TFX) y Amazon Sagemaker son dos de las plataformas MLOps de pila completa más potentes que brindan cumplimiento, eficiencia y solidez a todo el ciclo de vida de ML. Estas plataformas se pueden combinar además con las tiendas de características para reducir las etapas laboriosas y propensas a errores de ingeniería de características y preprocesamiento de ML.
Las empresas también se enfocarán más en adoptar un enfoque centrado en los datos para un modelo de IA/ML, que pone el mismo énfasis en construir bases de datos sólidas para construir modelos de IA superiores. Esto incluye centrarse más en la creación de una canalización de datos de entrenamiento de alta calidad, así como en el análisis residual posterior al modelado para explorar formas de mejorar el modelo.
Desde una perspectiva algorítmica, deberíamos ver una mayor adopción de algoritmos de aprendizaje profundo autosupervisados, especialmente porque los datos etiquetados son muy difíciles de obtener. Del mismo modo, los modelos multimodales que aprenden sobre múltiples modos de datos (imagen, video, texto, etc.) y, por lo tanto, resuelven una tarea de ML determinada de manera más holística, también deberían ver una mayor adopción. También se explorarán las redes neuronales gráficas para resolver problemas en áreas donde existe el concepto de entidades interconectadas. Los ejemplos incluyen redes sociales, redes de tráfico, redes de sensores, compuestos moleculares (descubrimiento de drogas), etc.
Uno de los principales desafíos de la tecnología de aprendizaje profundo ha sido su naturaleza de caja negra. Para garantizar la confianza en toda la organización y, en última instancia, la adopción, es imperativo que las empresas comprendan cómo estos modelos de IA llegaron a una conclusión determinada. Esto también es extremadamente crucial en el contexto de la IA ética y la creación de aplicaciones de ML sin sesgos.
Los avances recientes en el área de IA explicable o XAI permiten a las empresas comprender cómo los modelos de aprendizaje profundo predicen un resultado. Las tecnologías como SHAP, LIME, Grad-cam, etc., pueden descubrir los controladores/características detrás de una determinada predicción, lo que permite una toma de decisiones más segura. Hasta 2021, la mayoría de las aplicaciones empresariales de ML solo contenían predicciones; sin embargo, a partir de 2022, deberíamos ver resultados de ML más holísticos que contengan tanto predicciones como explicaciones.
Datos sintéticos
También veremos más investigación y adopción en torno a los datos sintéticos, a medida que las regulaciones de privacidad de datos se vuelvan más estrictas en todo el mundo. Como resultado, la industria de Internet de consumo, que debe ser la más compatible, ya ha comenzado a explorar esta tecnología. Sin embargo, otras industrias, como la fabricación, donde los datos etiquetados (para casos de uso como la detección de defectos) son extremadamente pequeños, también encontrarán esta tecnología beneficiosa de muchas maneras. Los datos sintéticos se crean artificialmente mediante algoritmos de ML para imitar las distribuciones de los datos del mundo real.
ETL inversa
En 2022, también veremos la implementación y adopción de Feed Services (o ETL inverso) para impulsar sin problemas los conocimientos de los modelos ML/CDP, etc. «de regreso» a las aplicaciones empresariales en vivo como CRM, atención al cliente, marketing, cerrando así el ciclo. y permitir una toma de decisiones más rápida/en tiempo real. Esto se está volviendo cada vez más útil, ya que cada vez más empresas adoptan un CRM/CEM omnicanal. La construcción de un modelo CDP/ML solo no es útil; la capacidad de impulsar estos conocimientos multiplataforma de 360 grados en cada aplicación es de donde proviene el verdadero impacto. Por lo tanto, ETL inverso se ha convertido en una tendencia clave y se utilizará cada vez más para cumplir con las solicitudes diarias de diferentes equipos.
Adopción de metaverso
La adopción del metaverso se utilizará para crear ciertas soluciones empresariales que, de otro modo, serían muy difíciles de crear. Por ejemplo, construir gemelos digitales de fábricas dentro del metaverso utilizando herramientas como Nvidia Omniverse o Amazon Twinmaker. Luego, la IA se puede usar para modelar y simular dentro del metaverso, para comprender cómo se puede lograr la excelencia operativa. Por ejemplo, dentro del Gemelo Digital de una fábrica o un almacén. El aprendizaje por refuerzo se puede utilizar para entrenar robots para transportar materiales de manera optimizada; una vez que se aprende el algoritmo, se puede descargar a los robots reales. Estos enfoques son casi imposibles en una fábrica real debido a los riesgos y costos asociados. Metaverse y AI abrirán nuevas vías y formas innovadoras de resolver problemas en todas las industrias.
El autor es cofundador y arquitecto jefe de soluciones.